AZ31镁合金上的等离子体电解氧化（PEO）涂层：一项关于纳米SiC和工艺参数的可解释机器学习研究

《Next Materials》：Plasma electrolytic oxidation (PEO) coatings on AZ31 magnesium alloy: An interpretable machine-learning study of nano-SiC and process parameters

机器学习模型预测AZ31镁合金PEO涂层厚度与腐蚀电流，通过超参数优化提升SVR、ANN等算法准确性，结合KDE和热图分析工艺参数（电解质、电流密度、SiC添加）对性能的影响，为工艺优化提供数据驱动框架。

　　### 机器学习在镁合金等离子体电解氧化涂层性能预测中的应用

镁合金因其独特的物理和化学特性，成为许多工业领域中备受关注的材料。它不仅具有较低的密度和较高的强度重量比，还具备良好的可加工性和广泛的应用前景。然而，镁合金的一个显著缺点是其较差的耐腐蚀性。这一特性使得其在高腐蚀性环境中使用受到限制，如海洋、化工和汽车等应用领域。因此，提升镁合金的耐腐蚀性能成为研究的重点。

为了解决这一问题，等离子体电解氧化（Plasma Electrolytic Oxidation, PEO）技术被广泛应用于镁合金表面处理。PEO通过在金属表面生成一层致密、耐磨的氧化物涂层，从而显著提高材料的耐腐蚀性和机械性能。然而，PEO过程的复杂性使得参数优化成为一项挑战。不同参数如电解液成分、电流密度、处理时间和纳米SiC的加入，都会对涂层性能产生影响。因此，如何高效地选择和优化这些参数，成为实现高质量涂层的关键。

在这样的背景下，机器学习技术为PEO过程的优化提供了新的思路。通过利用已有的实验数据，研究人员可以构建预测模型，从而辅助参数选择和过程优化。本研究采用了一种基于机器学习的模型，用于预测AZ31镁合金上PEO涂层的厚度和腐蚀电流。这些模型包括多重线性回归（MLR）、支持向量回归（SVR）、人工神经网络（ANN）、随机森林回归（RFR）和XGBoost。通过对比不同模型的性能，研究团队选择了最优的算法组合，以提高预测的准确性和可解释性。

### 实验数据与模型构建

为了构建这些模型，研究人员利用了之前发表的实验数据。这些数据涵盖了不同电解液成分（如铝硅酸盐和磷酸盐）、电流密度（范围在11.5到55 A/dm2）、处理时间（5到20分钟）以及是否添加纳米SiC的情况。通过这些变量，研究团队能够系统地分析它们对涂层厚度和腐蚀电流的影响。

在数据预处理阶段，所有数据被标准化并整理成适合机器学习模型的格式。例如，电流密度和处理时间等数值变量被归一化，而电解液类型和SiC的添加情况则被编码为分类变量。这样的处理确保了数据的完整性和一致性，从而支持模型的可靠训练。通过这种方式，研究人员能够更准确地捕捉变量之间的关系，并建立有效的预测模型。

### 模型性能与优化

在模型构建过程中，研究人员对各个算法进行了超参数优化。这一过程涉及选择最合适的参数组合，以提高模型的预测能力和减少误差。例如，对于SVR模型，研究人员调整了C（误差惩罚控制）、epsilon（误差容忍度）和gamma（数据点对模型拟合的影响）等参数。对于ANN模型，优化了隐藏层的神经元数量、正则化因子alpha和初始学习率learning_rate_init等参数。而XGBoost和RFR模型则分别通过调整n_estimators（树的数量）、max_depth（树的最大深度）和learning_rate（学习率）等参数来提升预测精度。

优化后的模型在预测涂层厚度和腐蚀电流方面表现出色。例如，ANN和SVR模型在预测涂层厚度方面具有较高的R2值（达到0.95），而SVR和RFR模型在预测腐蚀电流方面表现最佳（R2值为0.94）。这些结果表明，经过优化的机器学习模型能够有效地捕捉PEO过程中的复杂关系，从而提供准确的预测。

### 可视化分析与结果解读

为了进一步理解模型预测结果，研究团队采用了多种可视化方法，如核密度估计（KDE）图和过程热图。这些工具帮助研究人员识别变量之间的相互作用，并揭示隐藏的模式。例如，KDE图显示了在添加SiC的情况下，腐蚀电流显著降低，而涂层厚度则有所增加。这表明SiC的加入对提升涂层的耐腐蚀性能具有积极作用。

过程热图则提供了关于处理时间和电流密度对涂层厚度和腐蚀电流影响的直观展示。热图显示，随着处理时间和电流密度的增加，涂层厚度也随之增加，而腐蚀电流则呈现出下降的趋势。这表明，在PEO过程中，增加处理时间和电流密度有助于形成更厚的涂层，并提升其耐腐蚀性。然而，需要注意的是，过高的电流密度可能导致涂层内部出现微裂纹，从而影响其整体性能。

### 参数影响与应用建议

通过分析不同参数对涂层性能的影响，研究团队得出了若干重要的结论。首先，电流密度与涂层厚度之间存在显著的正相关关系（r≈0.74），这意味着提高电流密度可以有效增加涂层厚度。其次，处理时间对涂层厚度也有一定影响（r≈0.51），但其作用不如电流密度显著。相反，处理时间对腐蚀电流的影响则更为明显，呈现出强烈的负相关关系（r≈-0.78），说明延长处理时间有助于提高涂层的耐腐蚀性。

此外，SiC的加入对腐蚀电流的影响较为显著（r≈-0.37），表明纳米SiC能够有效降低腐蚀电流，从而增强涂层的耐腐蚀性能。然而，SiC对涂层厚度的影响相对较小（r≈0.01），这说明其主要作用在于提升涂层的耐腐蚀性，而非厚度。电解液类型也对涂层性能产生重要影响，其中磷酸盐电解液在提升涂层厚度方面表现优异（r≈0.67），而铝硅酸盐电解液则在提升耐腐蚀性方面更具优势，特别是在与SiC结合使用时。

### 模型应用与未来展望

本研究提出的框架不仅能够预测涂层的厚度和腐蚀电流，还能够通过数据可视化工具提供更深入的洞察。这种结合了机器学习和数据可视化的框架，使得研究人员能够更直观地理解不同参数对涂层性能的影响，并据此优化PEO过程。此外，该框架具有较强的可解释性，有助于在实际应用中做出更合理的决策。

尽管本研究利用了已有数据进行模型训练和预测，但仍存在一些局限性。例如，研究并未考虑其他可能影响涂层性能的关键参数，如脉冲频率、占空比、电解液温度和搅拌条件等。这些参数在实际应用中同样重要，因此未来的研究需要进一步扩展数据集，以涵盖更多变量，从而提高模型的泛化能力。

此外，未来的研究可以探索更多类型的纳米添加剂，如氮化硼（BN）和氮化钛（TiN），以比较它们在提升涂层性能方面的效果。同时，可以结合更多实验数据，验证模型在不同条件下的预测能力，从而确保其在实际应用中的可靠性。

### 结论与意义

综上所述，本研究提出了一种基于机器学习的框架，用于预测AZ31镁合金上PEO涂层的厚度和腐蚀电流。通过比较不同模型的性能，研究人员选择了最优的算法组合，并利用数据可视化工具揭示了参数之间的复杂关系。这些结果不仅为PEO过程的优化提供了理论支持，也为未来的表面工程研究奠定了基础。

在实际应用中，这一框架可以帮助工程师和研究人员更高效地选择和优化PEO参数，从而获得具有优异性能的涂层。同时，该方法的可解释性使得模型的应用更加透明和可靠，为工业界提供了有力的工具。未来的研究可以进一步扩展模型的适用范围，涵盖更多变量和更广泛的实验条件，以提升其在实际应用中的价值。