基于集成学习与NSGA-III算法的铁基非晶合金多目标性能优化研究

针对传统试错法难以同时优化铁基非晶合金(Fe-based MGs)磁性能(Bs)、热稳定性(Tx)和玻璃形成能力(GFA)的难题，研究人员提出集成学习(EL)结合非支配排序遗传算法(NSGA-III)的策略，成功设计出综合性能优异的合金成分。通过粒子群优化(PSO)算法调参的CatBoost和ET模型预测性能最优，SHAP分析揭示Fe-B含量为关键影响因素，最终获得15组帕累托最优解，其中4组合金在Bs>1.6 T时Tx提升5.02%-8.07%，Dmax提升52.38%-72.08%，为高性能非晶合金开发提供新范式。

　　

铁基非晶合金(Fe-based metallic glasses, MGs)因其独特的软磁性能、低成本和优异的耐腐蚀性，在变压器、传感器等工业领域具有广阔应用前景。然而，这类材料面临一个"三重困境"：提高饱和磁通密度(B_s)需增加铁含量，但会降低玻璃形成能力(GFA)；而添加B、Si等促进GFA的元素又会削弱磁性能。更棘手的是，热稳定性(T_x)与这两个性能间存在复杂耦合关系。传统试错法如同"盲人摸象"，难以协调这些相互制约的性能指标。

针对这一挑战，中国的研究团队在《Journal of Non-Crystalline Solids》发表创新研究，将人工智能与优化算法深度融合。他们首先构建包含B_s、T_x和最大铸造直径(D_max)的数据库，采用粒子群优化(PSO)算法对7种机器学习模型进行超参数调优。研究发现，集成学习(EL)模型展现出显著优势，其中PSO优化的CatBoost模型预测B_s的R²达0.92，极端随机树(ET)模型对T_x和D_max的预测误差分别降低21%和18%。通过SHAP值分析，团队首次量化揭示Fe-B含量总和是影响三大性能的核心因素，这为成分设计提供了明确方向。

关键技术方法包括：1) 收集铜模铸造法制备的Fe-B-Si-P-C系合金实验数据构建数据库；2) 采用PSO算法优化CatBoost、XGBoost等EL模型超参数；3) 基于SHAP和相关性分析解析成分-性能关系；4) 应用NSGA-III算法进行三目标(BS/TX/DMAX)协同优化。

主要研究结果包括：
数据集收集与分析：整合来自32篇文献的合金成分与性能数据，发现现有合金中B_s与D_max呈现显著负相关性(r=-0.68)。
ML模型构建：线性模型在预测非线性关系时表现欠佳，而EL模型通过特征交互学习，将D_max预测的RMSE从3.2 mm降至1.8 mm。
SHAP分析：B含量对T_x呈正贡献(SHAP值+28K)，但对B_s为负贡献(-0.15T)，揭示性能权衡的物理本质。
多目标优化：获得的帕累托前沿包含15组优化成分，其中Fe_78.5B_12.3Si_5.1P_3.8C_0.3合金实现B_s=1.63T、T_x=832K、D_max=5.2mm，综合性能超越文献报道最优值。

该研究突破传统材料研发范式，建立"预测-解析-优化"三位一体的智能设计框架。特别值得注意的是，团队发现当控制Fe+B含量在84-86at.%时，可实现三大性能的协同提升。这项成果不仅为高性能非晶合金开发提供新工具，其方法论对解决其他功能材料的多目标优化问题具有重要借鉴意义。论文通讯作者Jingli Ren指出，该方法可将新材料研发周期缩短约60%，有望加速非晶合金在高效电机等领域的产业化应用。