一种结合实验与建模的机器学习方法，用于预测高压压铸Al-Si合金的失效伸长率

《Journal of Materials Research and Technology》：A machine learning method for predicting the elongation to failure of Al-Si alloy in high pressure die casting combining experiment and modeling

高压压铸铝硅合金中，结合有限元模拟与实验数据构建机器学习模型，优化XGBoost和梯度提升树算法的参数，利用SHAP分析揭示总收缩体积对延伸率影响最大，同时模具温度和浇注温度呈负相关。模型预测延伸率与实测值误差小于5%，验证了其高可靠性，为工艺优化和缺陷控制提供新方法。

　　高压力压铸（HPDC）是一种广泛应用于制造复杂结构合金部件的工艺，因其生产效率高、能够实现高精度和低表面粗糙度而受到工业界的高度重视。然而，这一工艺在实际应用中仍面临诸多挑战，特别是在提高材料的机械性能和减少早期失效方面。主要的工艺诱导缺陷包括气孔、缩松和夹杂物等，这些缺陷严重影响了合金产品的性能表现。因此，如何有效预测和控制这些缺陷成为研究的关键。传统的方法通常依赖于多维度检测技术，如X射线计算机断层扫描（CT）、拉伸性能测试和显微结构分析等，但这些方法往往伴随着高昂的设备成本、较长的检测周期以及对人工操作的高度依赖，限制了其在实际生产中的广泛应用。此外，现有的方法在解释工艺参数对最终产品质量的影响方面也存在一定的不足，无法全面揭示高压力压铸过程中复杂条件对产品性能的多维影响。

为了解决上述问题，本文提出了一种基于机器学习（ML）的方法，结合了数值模拟和实验数据，以预测高压力压铸Al-Si合金的延伸率（Elongation, El）。该方法利用有限元模型（FEM）提取关键的工艺参数，包括填充时间、凝固时间、总缩松体积、填充时刻的温度、空气卷入量和氧化物指标等，这些数据与实验测量相结合，作为模型的输入特征，而延伸率作为目标输出变量。通过数据预处理，包括标准化和特征选择，确保模型输入的准确性和有效性。研究中对十二种常见的机器学习模型进行了评估，发现极端梯度提升（XGBoost）和梯度提升（GB）算法在预测性能方面表现最佳。进一步采用山峰刺猬优化器（CPO）和贝叶斯优化（BO）进行超参数优化，使得模型的预测精度得到显著提升，其中CPO-XGBoost模型的R2值达到了0.882。通过SHAP分析，模型揭示了总缩松体积对延伸率的主导作用，同时指出模具温度和浇注温度对延伸率具有负面影响。实验验证表明，预测值与实际测量值之间的差异控制在5%以内，这表明所建立的模型具有较高的可靠性。

在模型构建过程中，首先通过实验和模拟获取了初始数据集，其中包括313个样本。这些样本涵盖了十二个输入特征和一个目标输出变量。通过集成随机森林（RF）、互信息（MI）和Lasso方法，对这些特征的重要性进行了综合评估，最终筛选出五个关键特征。随后，使用五折交叉验证对模型进行了评估，确保其在不同数据划分下的稳定性。基于上述分析，XGBoost和GB模型在预测性能上表现优异，分别获得了0.8719和0.8307的R2值。相比之下，线性模型（如Linear、RidgeCV和SGD）由于无法捕捉工艺参数与机械性能之间的非线性关系，其预测效果较差，R2值低于0.37。K近邻（KNN）和支持向量回归（SVR）模型也表现不佳，R2值分别为0.1231和0.0735，说明其在处理该数据集时存在一定的泛化问题。

为了进一步提升模型的预测性能，本文引入了两种优化算法：贝叶斯优化（BO）和山峰刺猬优化器（CPO）。这两种算法在优化过程中能够有效平衡探索与利用，从而找到最优的超参数配置。通过对比实验，CPO优化后的XGBoost模型在R2、均方根误差（RMSE）和平均绝对误差（MAE）方面均优于BO优化后的模型。CPO-XGBoost模型的R2值为0.882，RMSE为0.559%，MAE为0.383%。尽管CPO算法的执行时间比BO算法长，约为其4.22倍，但其在优化过程中所需的平均迭代次数更少，约为BO的45%。这表明CPO在提升模型性能方面具有显著优势，同时在处理复杂非线性问题时表现出更强的适应性。

为了评估模型的泛化能力，本文进行了十组独立实验，分别采用不同的工艺参数组合。实验结果表明，预测值与实际测量值之间的差异控制在5%以内，这验证了CPO-XGBoost模型在实际应用中的可靠性。此外，通过残差分析和SHAP值的可视化，模型的预测结果与实验数据之间的吻合度较高，且残差呈现出随机分布，表明模型具有良好的拟合能力。SHAP分析还揭示了不同工艺参数对延伸率的具体影响，其中总缩松体积是影响延伸率的关键因素，其对延伸率的贡献度显著高于其他参数。模具温度和浇注温度的增加会降低延伸率，而填充时刻的温度和压力则对延伸率具有一定的正向作用。这些发现为优化高压力压铸工艺提供了重要的理论依据，也为提高合金性能指明了方向。

尽管本文提出的模型在预测延伸率方面表现出色，但仍存在一些局限性。首先，当前模型是基于特定的Al-Si合金、模具几何结构和工艺参数范围进行训练的，因此在扩展应用时，需要更多的实验数据来提高模型的泛化能力。其次，虽然该模型已经成功应用于延伸率的预测，但未来的研究可以进一步探索其在其他机械性能（如屈服强度、抗拉强度）和缺陷指标（如气孔分布、夹杂物含量）方面的预测能力。此外，可以考虑将该模型应用于不同类型的合金和复杂的工艺流程中，以实现更广泛的应用。最后，随着工业对实时预测和优化的需求不断增加，研究可以进一步探索模型的实时部署策略，优化计算资源的利用，提高模型的运行效率。

总之，本文提出了一种结合物理模拟和实验数据的机器学习方法，成功预测了高压力压铸Al-Si合金的延伸率。通过超参数优化和SHAP分析，模型不仅在预测精度上得到了显著提升，还揭示了关键工艺参数对延伸率的具体影响。该方法为高压力压铸工艺的优化提供了新的思路，有助于提高产品质量和生产效率。未来的研究可以进一步扩展该模型的应用范围，提升其在不同合金和工艺条件下的泛化能力，同时探索更高效的模型部署方式，以满足工业生产中对实时性和准确性的需求。