借助随机森林算法研究Cr-V合金钢的摩擦学性能

《Materials & Design》：Study on the tribological performance of Cr-V alloy steel assisted by the random forest algorithm

摩擦学性能影响因素分析及随机森林预测模型在Cr-V合金钢中的应用。

　　### 摩擦性能影响因素的综合分析与优化路径探索

高碳铬-钒（Cr-V）合金钢因其卓越的耐磨性能和广泛的应用性，在工业领域中占据着重要地位。这种材料常用于制造切削工具、结构部件、冲压模具、轧制辊、轴承等高性能组件。然而，这些部件在使用过程中会受到周期性且持续性的载荷作用，导致材料疲劳，进而引发微裂纹的形成和扩展，最终造成表面剥落或部件断裂。因此，深入研究Cr-V合金钢的微观结构及其摩擦机制，对于优化其耐磨性能和延长使用寿命具有重要意义。有效控制高碳高合金钢的摩擦性能，以适应不同操作条件下的需求，是一项具有挑战性的任务。

在评估合金钢的摩擦性能时，摩擦系数（COF）和磨损率是两个关键指标，它们受到多种因素的影响。例如，Yapici团队对硼处理的AISI D2工具钢进行了详细的微观结构分析和部分机械测试，系统研究了不同载荷、滑动速度和滑动距离对摩擦性能的影响。Das等研究了经过低温处理的相同工具钢型号，通过对比不同条件下的磨损率和表面形貌，识别出小碳化物的析出和潜在生长是提高耐磨性能的关键因素。除了对环境条件的比较研究，材料微观结构对摩擦性能的影响也引起了广泛关注。事实上，高合金耐磨钢的微观结构可以被视为由基体相和碳化物相组成，由于成分的差异，碳化物的种类和分布复杂多样。高铬铸铁就是典型的例子，其主要耐磨相为碳化物，其微观结构由马氏体、奥氏体和不规则的M7C3共晶碳化物组成。丰富的M7C3碳化物形成了有效的承载系统，为材料提供机械保护并增强其强度，从而降低磨损并提高耐磨性能。同时，高钒高速钢利用钒碳化物（VC）显著提升耐磨性能，这一发现得到了众多研究的证实。

在当前对多相碳化物材料的研究中，大多数仍停留在定性分析层面，主要关注单一相的转变，缺乏对不同碳化物相、颗粒尺寸和摩擦条件之间相互作用的系统研究。传统两参数分析方法在处理摩擦性能中复杂的相互作用和非线性关系时存在显著局限。随着数据驱动的人工智能和机器学习（ML）算法的出现，为研究多个变量之间的高阶关系提供了一个强大的框架。Diao等人通过特征缩减技术如梯度提升决策树，选择了影响低碳合金钢腐蚀速率的主要因素，并构建了一个基于随机森林（RF）算法的模型，实现了对腐蚀速率的准确预测。Song等人也采用随机森林算法识别了光谱变量的重要性，利用这些权重作为选择光谱变量的标准，成功开发了RF-ANN预测模型，显著提升了激光诱导击穿光谱（LIBS）在检测低碳合金钢中铬和钒元素方面的分析性能。Liu团队利用随机森林算法分析了影响耐磨钢硬度的关键因素，并确定了回火温度和碳含量为最关键的因素，进而构建了基于特征工程的合金钢硬度预测模型。这些研究展示了数据驱动的机器学习算法在材料结构与性能协同分析中的积极应用。

本研究旨在探讨微观结构和载荷条件对Cr-V合金钢摩擦性能的综合影响。通过结合高钒高速钢和高铬铸铁的特性，设计并合成了四种基于C-Cr-V组成的Cr-V合金钢。通过调整铬和钒的含量，并战略性地加入适量的钼（Mo）元素，实现了这些合金的制备。采用统一的热处理工艺，获得了包含多相和多尺度碳化物的微观结构。在滑动摩擦实验中，对载荷参数进行了精细调控。以摩擦系数和磨损率作为关键输出指标，利用随机森林算法对碳化物相体积分数、晶粒尺寸和载荷对摩擦性能的影响进行了定量分析。本研究的目标是探究多相碳化物在减少磨损和摩擦中的作用，为在特定操作条件下改进和定制Cr-V合金钢提供有价值的见解。

### 实验方法与材料设计

为确保碳化物含量的多样性和随机性，本研究通过优化铬和钒元素的含量，并加入适量的钼元素，设计了四种新的Cr-V合金钢。实验所用的Cr-V合金钢在50 kg中频感应熔炼炉中熔炼。在熔炼过程中，持续从底部吹入氩气以确保充分的脱氧。熔炼后的钢水在1500°C–1550°C的温度下浇铸成棒状。各样品的成分分析结果见表1，并按顺序编号为I、II、III和IV。所有样品均经过相同的热处理工艺，即在950°C保温后油冷淬火，并在250°C保温后空气冷却回火。使用电火花线切割机切割所需的测试样品进行实验。

表1列出了四种铸态Cr-V合金钢的化学成分（质量百分比）。从表中可以看出，不同样品的铬和钒含量存在显著差异，而钼的添加则对碳化物的形成和分布产生了重要影响。这些差异为后续的微观结构和摩擦性能分析提供了丰富的数据基础。

### 微观结构分析与磨损表面观察

实验样品的微观结构和磨损特性通过场发射扫描电子显微镜（FESEM, JSM-IT800）进行分析，并结合电子背散射衍射（EBSD）技术以确定各组成相的空间分布和相含量。为了获得精确且全面的相含量统计数据，采用1500倍的放大倍数，对三个不同区域的平均值进行计算以确定最终数据。通过X射线衍射仪（XRD, D8 Advanced）进行相识别，而通过透射电子显微镜（TEM, Hitachi H-800）进一步明确了材料的微观结构。此外，通过能谱分析（EDS）对不同样品中的碳化物分布进行了分析。

实验结果表明，在相同的热处理条件下，四种样品的相组成主要包含VC（PDF No. 73-0476）、Fe3C（PDF No. 75-）、Cr7C3（PDF No. 89-7244）、Cr23C6（PDF No. 89-2724）、α-Fe（PDF No. 44-1290）和残余奥氏体（PDF No. 31-0619）。由于其他潜在碳化物的体积小且含量低，它们在分析中难以区分。通过TEM图像和EDS分析，进一步揭示了不同样品中碳化物的分布情况，如图2所示。其中，图2(a2)展示了样品I的微观结构，其碳化物呈分散的玫瑰形和条状分布，尺寸范围在5至15微米之间。图2(a3)中的TEM分析显示，基体中存在分散的颗粒状碳化物，通常尺寸较小。通过衍射斑点索引（图2(a4)），识别出纳米级的Cr23C6碳化物。样品II（图2(b2)）中出现了更多的条状碳化物和偶发的黑色块状碳化物。图2(b3)和图2(b4)确认了基体中存在细长的M7C3碳化物。与样品II相比，样品III（图2(c2)）的碳化物呈网格状分布，且块状碳化物较少。基体中还存在一些颗粒状碳化物，图2(c4)显示了纳米级的VC。样品IV（图2(d2)）的微观结构与样品I相似，但其表面呈现出明显的近球形块状碳化物，主要碳化物尺寸在5至15微米之间。图2(d4)还显示了基体中存在纳米级的Cr7C3碳化物。这些结果表明，Cr-V合金钢中的共晶碳化物呈现出多种尺寸和形态，包括较大碳化物和更为复杂的结构。

### 摩擦性能测试与结果分析

通过干式滑动摩擦实验，测试了不同载荷和滑动距离下四种样品的摩擦系数和磨损率。实验中使用的摩擦材料为YG6硬质合金球，其具有高硬度和良好的摩擦稳定性。实验样品被加工成10 mm × 8 mm × 20 mm的标准块，其10 mm × 20 mm的表面经过砂纸打磨和钻石抛光膏抛光，以确保摩擦测试的准确性。摩擦测试过程中，载荷分别设置为60 N、90 N和120 N，滑动距离为10 mm，滑动频率为5 Hz，总滑动时间为15 min、20 min、25 min和30 min。通过3D激光扫描显微镜（LEXT OLS5100）对摩擦表面的划痕进行扫描，以计算划痕的横截面积，进而求得磨损体积。磨损率则根据公式（1）进行计算。

实验结果表明，随着载荷的增加，摩擦系数先升高后降低，而磨损率则呈现随着载荷增加而上升的趋势。在特定载荷（60 N、90 N和120 N）和滑动距离（30 min）条件下，对四种样品的摩擦性能进行了进一步分析。结果发现，样品III在所有载荷条件下均表现出最低的磨损率，而样品IV尽管碳化物含量较高，但其摩擦系数和磨损率却是所有样品中最高的。这表明，虽然碳化物含量对摩擦性能有重要影响，但其分布和形态同样关键。样品III中网格状碳化物的均匀分布有效抑制了微裂纹的扩展，从而显著降低了磨损率。相比之下，样品IV中碳化物的聚集和粗大化（如MC型碳化物）导致了摩擦表面的剥落和微裂纹，进一步加剧了磨损。

### 随机森林预测模型与影响因素分析

鉴于Cr-V合金钢摩擦性能分析中多种因素之间的复杂性、强耦合性和非线性关系，本研究采用随机森林算法构建了预测模型。该模型以不同碳化物相的比例、外部载荷、滑动距离和平均碳化物尺寸作为输入特征，以摩擦系数和磨损率作为目标变量。通过计算各特征的重要性权重，辅助进行摩擦性能影响因素的定量分析。图11展示了模型的预测结果和特征重要性排序。

模型的R2和RMSE值相对理想，表明该模型在预测摩擦系数和磨损率方面具有较强的准确性和泛化能力。这一结果为基于随机森林模型的特征重要性分析奠定了坚实的基础。特征权重显示，载荷对摩擦系数的影响最大，权重为0.246，其次是VC（0.204）和Cr23C6（0.148），其影响显著高于其他碳化物。对于磨损率，Cr7C3（0.432）和VC（0.381）的影响最大，两者总权重超过了0.81，而载荷的影响则相对较小，权重仅为0.099。滑动距离、碳化物尺寸及其他碳化物的影响总体较小，其总权重仅为0.089。这一结果表明，摩擦系数主要受外部摩擦条件和碳化物分布的影响，而磨损率则更多由材料的内部微观结构决定。

### 摩擦表面的微观结构分析

图12展示了在120 N载荷下滑动180 mm后四种样品的摩擦表面微观结构和EDS点扫描结果。实验结果显示，除了由犁沟作用产生的表面沟槽外，重复的接触应力还导致了金属疲劳损伤，表现为坑洞和剥落。特别是在样品I的摩擦表面（图12a），观察到了局部层状剥落，伴随显著的黑色块状碳化物。EDS分析证实这些块状相为VC（图12e）。样品II的摩擦表面（图12b）没有明显损伤，仅出现轻微的犁沟和剥落现象。样品III的摩擦表面（图12c）呈现出明显的犁沟和层状剥落，沟槽底部较为光滑。观察发现，样品III的基体中分布着大量的网络状碳化物，结合图4的分析，这些碳化物被初步识别为铬碳化物。进一步分析沟槽底部时，发现了沿边缘分布的微裂纹，这些微裂纹在基体扩展过程中被网格状碳化物有效阻挡（图12f）。相比之下，样品IV的摩擦表面（图12d）出现了显著的黑色碳化物分离，这些碳化物并未增强基体强度，反而导致了广泛的坑洞和表面剥落。

### 结论与未来展望

本研究设计并制备了四种新型Cr-V合金钢，系统分析了其微观结构差异，并确定了碳化物相的体积分数和晶粒尺寸。通过干式滑动摩擦实验，获得了不同载荷和滑动时间下样品的摩擦系数和磨损率。最终，利用随机森林算法构建了预测模型，该模型整合了碳化物相含量、测试条件和摩擦性能。通过模型特征权重，实现了对摩擦性能影响因素的定量分析。主要研究结论如下：

1. 铬和钒等关键合金元素的变化显著影响特定碳化物的数量和分布。碳与铬、钒的比例不仅决定了碳化物的总含量，还调控了其形成机制（成核与生长的竞争）。这些因素进而影响最终的微观结构和摩擦性能。碳化物呈现出多种形态，如条状、玫瑰状、网络状和块状。碳化物的总含量与平均晶粒尺寸和硬度呈正相关。样品III主要由网络状碳化物组成，表现出优秀的机械和摩擦性能。这一发现为通过合金成分设计优化碳化物特性提供了坚实的基础。

2. 基于随机森林算法的摩擦性能预测模型展现出强大的准确性和泛化能力。模型计算出的特征权重显示，摩擦系数主要受外部载荷影响，权重为0.246，其次是VC（0.204）和Cr23C6（0.148），其影响高于其他碳化物。而磨损率主要由材料内部因素决定，其中Cr7C3（0.432）和VC（0.381）具有显著影响。值得注意的是，Cr7C3的均匀分布显著延迟了裂纹的扩展，而适量的VC由于其高硬度和与基体的强界面结合，有效抑制了位错运动并增强了抗剥落能力。本研究突破了传统研究框架，不再局限于宏观工作条件或单一碳化物类型的分析，而是强调了多尺度摩擦机制的分离和调控。摩擦系数主要受接触力学的影响，而磨损率则由材料的微观结构决定。

3. Cr-V合金钢的滑动摩擦机制主要表现为粘着磨损。摩擦系数在载荷增加初期上升，但随着载荷的持续增加而下降。磨损率则随着载荷的增加而上升，但在滑动距离增加时呈现下降趋势。均匀分布的碳化物有效增强了材料的整体韧性和抗裂纹扩展能力。相比之下，聚集和粗大的碳化物（如MC型）加速了摩擦表面的剥落或微裂纹的形成，从而降低了材料的耐磨性和摩擦性能。优化碳化物的空间分布，而非仅仅增加其总量，成为提高Cr-V合金钢摩擦性能的关键策略。

本研究为Cr-V合金钢的摩擦性能优化提供了新的思路和方法，强调了微观结构和载荷条件的综合影响。通过机器学习模型的引入，使得对摩擦性能的分析更加系统和精确，为材料设计和性能调控提供了有力支持。未来的研究可以进一步探索不同合金元素的组合对碳化物形成和分布的影响，以及在更复杂工况下的摩擦行为。同时，结合其他先进分析技术，如原位电子显微镜和同步辐射X射线衍射，有望进一步揭示材料在摩擦过程中的微观变化机制，从而为高性能耐磨材料的开发提供更加深入的理论基础和实验依据。