激光冲击强化参数对厚AA 7050合金试样残余应力影响的量化研究：一种基于实验和可解释机器学习的方法

《Mechanics of Materials》：Quantification of the influence of laser shock peening parameters on residual stresses in thick AA 7050 specimens: An experimental and explainable machine learning-based approach

本研究以30mm厚7050-T7451铝合金试样为对象，通过增量钻孔（IHD）结合高斯过程回归（GPR）方法测量激光冲击强化（LSP）残余应力场，构建随机森林（RF）机器学习模型并利用SHAP框架解析参数影响。实验表明，功率密度（NPD）和激光斑尺寸是主要影响因素，NPD过高会导致表面过强化，而层数增加可提升最大残余应力值。模型验证显示，在测试集上RMSE和MAE分别为39MPa和29MPa，并通过SHAP分析揭示了参数间的复杂交互作用，如厚度与NPD的耦合效应。研究证实SHAP框架能有效解释LSP工艺参数对残余应力场的全局与局部影响，为工艺优化提供理论依据。

　　激光冲击强化（LSP）是一种能够诱导材料表面产生压缩残余应力场的机械处理技术，这种应力场的形成可以显著提升材料的疲劳性能。然而，LSP过程中参数的选择以及组件的几何因素，如厚度，对最终残余应力的优化至关重要，因为这些因素之间存在复杂的相互作用关系。在本研究中，采用了一种可解释的机器学习框架，不仅能够高精度地建模LSP过程，还能对结果和参数的影响提供解读。通过实验方法，研究者分析了LSP对厚型AA 7050-T7451材料残余应力的影响，使用增量钻孔法（IHD）结合高斯过程回归（GPR）方法，以减少人为因素对测量结果的干扰。随后，基于实验数据构建了一个强大的集成机器学习模型——随机森林（RF），通过严格的100次K折交叉验证，确保了模型的泛化能力。最后，对不同方法确定特征重要性的比较分析被实施，其中SHAP（SHapley Additive exPlanations）框架被证明是一个可靠的工具，能够在全局和局部层面提供解释。

### LSP技术概述与研究意义

LSP是一种表面处理技术，其原理是利用高能激光脉冲在材料表面产生高温高压的等离子体爆轰，从而在材料内部形成压缩残余应力场。该技术通过控制激光参数和组件几何特征，可以有效提高材料的疲劳寿命并延缓疲劳裂纹的扩展。然而，LSP的参数选择和几何影响是影响最终残余应力状态的关键因素，因此，如何在实际应用中优化这些参数成为研究的核心。此外，由于残余应力场的复杂性，传统的实验方法在预测和解释残余应力场的形成机制方面存在局限，尤其是在分析参数之间相互作用时。

为了解决这一问题，研究者引入了机器学习（ML）技术，通过构建替代模型来预测LSP的残余应力场。然而，大多数基于实验数据的ML模型缺乏可解释性，被归类为“黑箱”模型，这使得研究人员难以理解模型预测结果背后的物理机制。因此，本研究不仅关注于构建高精度的ML模型，还致力于开发一种可解释的框架，以便深入分析LSP参数对残余应力场的贡献及其相互作用。通过采用SHAP框架，研究者能够对每个残余应力测量点进行量化评估，从而更全面地理解LSP参数的影响。

### 材料与方法

研究使用的材料是厚度为30毫米的AA 7050-T7451铝合金板，从中提取了13个样本，其中6个样本厚度为30毫米，7个样本厚度被加工为10毫米。每个样本在中心区域安装了一个B型逆时针应变片，其测量点分别对应于0°、45°和90°方向。这些应变片用于测量残余应力场的变化。实验中采用了一种YLF:Nd激光器，其波长为1053纳米，通过在样品表面以35毫米×35毫米的区域进行激光脉冲处理，形成特定的残余应力场。激光脉冲的频率为5赫兹，能量范围在5焦耳至10焦耳之间，脉冲长度为22纳米，使用了圆形的平坦光束分布。样品表面被涂覆一层厚度为40微米的黑色涂料，作为吸收材料，确保等离子体的形成，同时避免材料表面因热效应而受损。此外，样品表面还覆盖了一层2毫米厚的蒸馏水薄膜，以限制等离子体的扩散。激光脉冲以30%的重叠率在扫描和步进方向上以Z字形模式进行，最终的LSP模式重复次数从3到20层不等，各层之间具有一定的偏移量。

在残余应力测量方面，研究者采用了增量钻孔法（IHD），并结合高斯过程回归（GPR）方法对测量数据进行拟合，以减少人为干扰并评估应变拟合过程中的不确定性。GPR方法通过蒙特卡洛模拟，将应变测量的不确定性传播至残余应力计算中，从而提供更准确的残余应力场估计。为了确保模型的可靠性，研究者使用了随机森林（RF）算法，这是一种集成学习方法，能够通过限制过拟合现象来实现良好的泛化能力。RF模型的构建过程包括对训练数据的归一化处理，采用Z-score方法，使得所有特征的均值为0，标准差为1。这有助于减少数据中的异常值影响，同时保留原始数据的形状特性，如偏斜度和峰度。

为了优化RF模型的超参数，研究者采用了一种网格搜索结合K折交叉验证的方法，共进行了100次重复，以确保模型的鲁棒性和稳定性。模型的性能评估指标包括均方根误差（RMSE）和平均绝对误差（MAE），用于衡量模型在训练集和测试集上的预测精度。此外，为了分析特征的重要性，研究者采用了三种不同的方法：RF内置的特征重要性、基于排列的特征重要性以及SHAP框架。这些方法的比较分析有助于揭示哪些参数对残余应力场的形成具有更显著的影响。

### 实验结果与讨论

在实验过程中，研究者对不同厚度的样品进行了残余应力场的测量，并分析了激光功率密度（NPD）、激光斑点尺寸、层次数以及测量深度等因素对残余应力的影响。结果表明，NPD的增加通常会导致最大压缩残余应力的提升，但过高的NPD值可能会引发过强化现象，即表面压缩应力降低，尤其是在较薄样品中更为明显。此外，NPD的增加还可能使残余应力场向更深的位置扩展，从而影响材料的整体疲劳性能。

对于不同厚度的样品，研究者发现较薄样品（10毫米）在低NPD值下表现出更高的压缩残余应力，而在高NPD值下则容易发生过强化现象，导致残余应力场的减弱。相反，较厚样品（30毫米）在高NPD值下表现出更强的压缩残余应力，这表明厚度是影响残余应力场的重要因素。此外，激光斑点尺寸的增加对残余应力场的影响也表现出两极性，即在一定范围内有助于压缩残余应力的形成，但在更大尺寸下则可能抑制其效果。这表明激光斑点尺寸和NPD之间存在复杂的相互作用关系，需要综合考虑两者的影响。

研究者还发现，层次数的增加对残余应力场的影响具有一定的非线性特征。在某些情况下，层次数的增加会导致残余应力场的增强，但在其他情况下，这种增强可能趋于平缓。这一现象表明，层次数对残余应力场的影响并非恒定，而是与NPD和其他参数密切相关。因此，为了实现最佳的残余应力场，需要合理匹配层次数和NPD值，以避免过强化现象的发生。

此外，研究者对不同方法评估特征重要性的结果进行了比较分析。RF内置的特征重要性方法基于平均杂质降低，该方法在一定程度上能够揭示哪些参数对残余应力场的预测具有更大的影响。然而，这种方法在不同模型中可能表现出不一致性，因为某些树可能更依赖于某一特征，而另一些树则可能更依赖于其他特征。基于排列的特征重要性方法则通过随机打乱特征值并评估模型预测误差的变化来衡量特征的重要性。这种方法在一定程度上能够提供更稳定的特征重要性评估，但其局限性在于需要真实结果来进行比较。相比之下，SHAP框架则提供了一种更可靠且一致的解释方法，能够同时分析全局和局部的特征贡献，并揭示参数之间的交互效应。

### 机器学习模型的性能评估

研究者采用随机森林模型对LSP过程的残余应力场进行了预测，并评估了其在测试集上的表现。测试集包括样品04、09和13，这些样品的参数组合与训练集不同，以确保模型的泛化能力。模型的预测结果表明，残余应力场的深度分布和方向特性能够被准确预测，且在测试集上的RMSE和MAE分别为39 MPa和29 MPa，显示出良好的预测精度。此外，通过100次K折交叉验证，研究者发现模型的性能具有较低的波动性，从而验证了其鲁棒性和可靠性。

SHAP框架的引入为模型的可解释性提供了强有力的支持。通过SHAP值的计算，研究者能够对每个残余应力测量点进行量化分析，揭示不同参数对残余应力场的贡献及其相互作用。例如，在扫描方向（σx）和步进方向（σy）上，NPD是影响残余应力场的最主要因素，其SHAP值的绝对平均值最高。深度次之，而激光斑点尺寸和层次数的影响相对较小，但其变化趋势仍然显著。厚度虽然在特征重要性排序中处于末位，但在某些情况下仍能对残余应力场产生明显的影响。此外，SHAP值还揭示了NPD和厚度之间的交互效应，表明在较薄样品中，过高的NPD值可能导致残余应力场的减弱，而在较厚样品中，NPD的增加则有助于残余应力的增强。

### 特征重要性分析

通过比较三种特征重要性评估方法，研究者发现SHAP框架在解释LSP过程的残余应力场方面表现最佳。RF内置的特征重要性方法虽然简单，但其结果可能因模型的不同而发生变化，导致特征重要性的不一致。基于排列的特征重要性方法虽然能够提供更稳定的评估，但其依赖于训练数据，无法应用于未见数据。相比之下，SHAP框架不仅能够提供一致的特征重要性评估，还能够对未见数据进行解释，从而成为一种更全面的可解释性工具。

在扫描方向和步进方向上，SHAP值的分析揭示了NPD、深度、激光斑点尺寸和层次数之间的相互作用。例如，在较薄样品中，NPD的增加会导致残余应力场的增强，但当NPD达到一定阈值后，过强化现象可能发生，从而导致残余应力的降低。相反，在较厚样品中，NPD的增加能够显著增强残余应力场，而厚度的影响则相对较小。此外，激光斑点尺寸的增加在一定范围内有助于残余应力的增强，但在更大尺寸下则可能抑制其效果。这表明激光斑点尺寸和NPD之间存在复杂的相互作用关系，需要综合考虑两者的影响。

层次数的增加对残余应力场的影响也表现出一定的非线性特征。在某些情况下，层次数的增加会导致残余应力场的增强，但在其他情况下，这种增强可能趋于平缓。这表明层次数对残余应力场的影响并非恒定，而是与NPD和其他参数密切相关。因此，为了实现最佳的残余应力场，需要合理匹配层次数和NPD值，以避免过强化现象的发生。

### 结论

本研究通过实验和机器学习方法，对厚型AA 7050-T7451材料在LSP过程中的残余应力场进行了深入分析。结果表明，LSP参数的选择对残余应力场的形成具有显著影响，其中NPD是最重要的因素，而厚度的影响则相对较小。此外，研究者发现，过高的NPD值可能导致过强化现象，尤其是在较薄样品中更为明显。为了优化残余应力场，需要合理匹配NPD值和层次数，以确保残余应力场的稳定性和深度分布。

通过引入SHAP框架，研究者不仅能够对LSP过程进行可解释的建模，还能够对残余应力场的形成机制提供更深入的理解。SHAP值的计算揭示了不同参数对残余应力场的贡献及其相互作用，为LSP工艺的优化提供了重要的理论依据。研究者还指出，基于RF模型和SHAP解释器的框架可以作为优化LSP残余应力场的强大工具，结合传统的实验设计方法或遗传算法，有助于实现更高效的参数选择。

本研究的成果为LSP工艺的优化提供了新的思路，特别是在处理厚型材料时，能够更准确地预测和解释残余应力场的变化。此外，SHAP框架的引入使得机器学习模型的可解释性得到显著提升，为未来的工业应用提供了更强的理论支持。研究者还强调，特征重要性的分析需要结合多种方法，以确保结果的可靠性。通过比较RF内置方法、基于排列的方法和SHAP框架，研究者发现SHAP框架在解释残余应力场的形成机制方面具有更高的准确性和一致性，为后续的工程应用提供了重要的参考价值。