可解释的机器学习设计方法，用于同时显著提升低密度Mg-Li合金的机械性能和耐腐蚀性

《Journal of Magnesium and Alloys》：Interpretable machine learning design for concurrent and significant enhancement of the mechanical properties and corrosion resistance of low-density Mg-Li alloys

本研究提出一种可解释的机器学习策略，通过构建和筛选关键合金因素（KAFs），结合SHAP分析确定元素优先级，并利用多目标优化设计新型低密度Mg-Li合金。实验验证显示，三种新合金的强度（UTS）较基准合金LAZ103提升34%-44%，腐蚀率（CR）降低35%-79%，同时保持优异的塑性和低密度。微观分析表明，合金的α-Mg相比例增加、β-Li相比例减少及纳米级析出相细化是性能提升的关键机制。

　　在现代材料科学领域，轻量化与高强度的结合一直是科研与工业界关注的核心问题之一。特别是在高端设备制造中，轻质金属材料的开发对于提升设备性能、降低能耗以及满足对轻量化和高性能的双重需求至关重要。镁锂合金因其极低的密度和优良的比强度，被视为实现极端轻量化应用的有力候选材料。然而，尽管镁锂合金具有显著的优势，其在实际应用中仍面临诸多挑战，尤其是在机械性能与耐腐蚀能力之间的平衡问题。本研究提出了一种可解释的机器学习策略，旨在同时提升镁锂合金的强度、延展性和耐腐蚀性，为复杂多组分合金的优化设计提供了一种新的思路。

### 1. 研究背景与挑战

镁锂合金作为目前可加工金属材料中密度最低的材料之一，因其独特的物理和化学特性，具有广阔的应用前景。其优异的比强度、良好的可塑性以及较高的回收率，使其在航空航天、交通运输和电子通信等领域备受青睐。然而，当前的镁锂合金在实际应用中仍存在一些问题。例如，LAZ103（一种典型的镁锂合金，成分为Mg-10Li-3Al-3Zn）虽然具有较低的密度（约1.5 g/cm3），但其极限抗拉强度（UTS）仅为约200 MPa，且在热挤压条件下表现出较差的耐腐蚀性能（CR）。这种性能上的局限性使得其在某些关键应用场景中难以满足要求。

设计出低密度且高强的镁锂合金，是实现高端设备轻量化的重要挑战。一方面，合金元素的多样性使得性能优化变得复杂，因为不同元素对合金微观结构和宏观性能的影响机制并不完全相同，甚至可能存在冲突。例如，锂的加入虽然能够有效降低合金的密度，但同时也可能增加低强度的β-Li相的形成，从而影响合金的整体强度和耐腐蚀性。另一方面，镁锂合金的性能受多种因素影响，包括合金元素的种类与含量、加工参数（如热处理温度、变形温度等）以及环境条件（如腐蚀测试介质的浓度、温度等）。因此，传统的经验设计方法难以高效地平衡这些性能参数，需要引入更先进的工具和方法。

近年来，机器学习技术在材料设计中发挥了重要作用，尤其是在揭示材料组成、加工参数与性能之间的复杂关系方面。通过建立数据驱动的预测模型，研究者能够更系统地分析合金性能的变化趋势，从而指导优化设计。然而，传统的机器学习模型往往缺乏可解释性，这使得其在实际应用中受到一定限制。为了克服这一问题，本研究提出了一种结合可解释性分析与多目标优化的机器学习设计策略，旨在为镁锂合金的优化设计提供更清晰的理论支持和实践指导。

### 2. 可解释机器学习策略的构建

本研究提出了一种系统性的机器学习设计策略，其核心包括三个关键步骤：合金因子的构建与筛选、SHAP（SHapley Additive exPlanations）分析用于元素优先级评估，以及基于多目标优化的合金组成设计。该策略的实施流程如图1所示，包括六个主要阶段：数据准备、合金因子构建与筛选、机器学习预测模型的建立、基于SHAP的元素影响分析、多目标优化设计，以及性能评估与微观结构表征。

在数据准备阶段，研究团队从相关文献、手册和数据库中收集了镁锂合金的极限抗拉强度（UTS）、延伸率（EL）、腐蚀速率（CR）和密度（ρ）等数据。同时，还整理了合金元素的物理化学特性，包括原子序数、原子半径、电负性、热导率、扩散活化能、晶界能等。这些数据构成了机器学习模型的输入，用于构建预测模型和分析元素对性能的影响。

接下来，通过合金因子构建与筛选，研究团队识别出对UTS、EL和CR具有显著影响的关键合金因子（KAFs）。具体而言，基于66种元素的物理化学特征，构建了132个合金因子（包括66个均值因子和66个方差因子）。随后，通过重要性排序、相关性筛选和穷举计算相结合的方法，筛选出对合金性能具有关键影响的KAFs。这一过程不仅有助于减少计算复杂度，还能够更准确地识别对性能起主导作用的合金元素。

在建立预测模型后，SHAP分析被用于量化关键合金因子对性能的影响模式，并通过元素重要性评估方法，筛选出能够同时提升UTS、EL和CR的候选元素。研究团队发现，Al、Si、Ca和Zn是具有较大潜力的合金元素，能够有效改善镁锂合金的综合性能。此外，通过多目标优化算法（如NSGA-II），研究团队对这些候选元素的添加量进行了系统优化，从而设计出三种新型镁锂合金。

### 3. 新型合金的性能表现与验证

在热挤压状态下，新型镁锂合金表现出优异的综合性能。具体而言，其极限抗拉强度（UTS）达到了253～273 MPa，延伸率（EL）为18.4%～27.9%，腐蚀速率（CR）为0.55～1.61 mg/(cm2·day)，密度（ρ）为1.49～1.54 g/cm3。与参考合金LAZ103相比，新型合金在强度和耐腐蚀性方面均表现出显著的提升，而密度和延展性则保持在较高水平。例如，新型合金的UTS比LAZ103提升了34%～44%，CR降低了35%～79%，同时其密度与LAZ103相当，延展性也接近甚至优于参考合金。

这些性能的提升归因于合金的微观结构变化。具体而言，新型合金的α-Mg相体积分数显著增加，而β-Li相则有所减少。此外，粗大的次级相体积分数降低，取而代之的是细小的Ca/Si富集析出相，这些相有助于晶粒细化和位错密度的增加，从而协同提升合金的综合性能。进一步的微观结构分析显示，这些析出相的形成不仅有助于提高合金的强度，还能够有效抑制腐蚀的发生。

### 4. 元素作用机制的深入探讨

为了更深入地理解元素对合金性能的影响机制，研究团队对关键合金因子（KAFs）进行了详细分析。其中，G1-1（平均原子序数）和E11-1（平均有效核电荷）与UTS呈正相关，表明高原子序数和高有效核电荷的元素能够通过增强共价键和促进次级相的形核，从而提高合金的强度。相反，C12-2（热导率的方差）与UTS呈负相关，表明热导率差异较大的元素可能在合金中产生局部热应力集中，从而促进位错攀移和动态再结晶，导致合金强度下降。

对于延展性（EL），C21-1（平均晶界能）和C3-1（平均蒸发焓）与EL呈负相关，而S18-1（平均滑移系统）与EL呈正相关。这表明，高晶界能和高蒸发焓的元素可能对晶界处的变形行为产生不利影响，而更多的滑移系统则有助于均匀的应变分布，从而提高延展性。同时，研究团队发现，Ca的添加能够有效细化晶粒，削弱基底织构，促进非基底滑移，从而改善延展性。此外，Ca在晶界处的富集还能够抑制晶间腐蚀，进一步提升合金的耐腐蚀能力。

在耐腐蚀性方面，E15-1（平均海水腐蚀电位）和C15-1（元素在镁中的扩散系数）与CR呈正相关，而E12-1（平均有效核电荷，Clementi方法）与CR呈负相关。这表明，高腐蚀电位和高扩散系数的元素能够更快地形成保护性氧化膜，从而提高耐腐蚀性；而高有效核电荷的元素则可能更容易在合金中形成高阴极相，从而降低耐腐蚀性。因此，在合金设计过程中，需要综合考虑这些元素的相互作用，以实现最佳的性能平衡。

### 5. 研究意义与应用前景

本研究提出了一种结合可解释性分析与多目标优化的机器学习设计策略，为镁锂合金的性能提升提供了新的思路。通过系统地筛选关键合金因子，并结合SHAP分析和多目标优化，研究团队成功设计出三种新型镁锂合金，其在强度、延展性和耐腐蚀性方面均表现出显著的提升，同时保持了较低的密度。这一成果不仅为镁锂合金的优化设计提供了理论支持，也为实际应用中的材料选择提供了参考依据。

此外，本研究的微观结构分析揭示了合金性能提升的内在机制。例如，α-Mg相的增加有助于提升合金的强度和耐腐蚀性，而细小的Ca/Si富集析出相则通过晶粒细化和位错密度的增加，进一步增强了合金的综合性能。这些发现不仅加深了对镁锂合金性能调控机制的理解，也为未来的研究提供了新的方向。

从实际应用的角度来看，本研究的成果具有重要的工程价值。随着对轻量化材料需求的不断增长，镁锂合金作为一种轻质高强度材料，有望在航空航天、交通运输和电子通信等领域发挥更大的作用。然而，目前镁锂合金在实际应用中仍面临一些挑战，如成本、加工难度和性能稳定性等问题。因此，未来的研究可以进一步探索低成本、易加工的合金设计方法，以推动镁锂合金的广泛应用。

综上所述，本研究通过引入可解释的机器学习策略，成功设计出三种新型镁锂合金，并验证了其在热挤压条件下的优异性能。这些新型合金在强度、延展性和耐腐蚀性方面均优于传统合金，为未来高性能轻质材料的开发提供了新的思路和方法。同时，本研究还揭示了合金元素对性能影响的内在机制，为材料设计提供了理论支持和实践指导。