机器学习协同优化Al-Zn-Mg-Cu合金强塑性的机制研究与性能突破

为解决铝合金强度-塑性难以协同提升的行业难题，中国科学院研究人员创新性地将机器学习(ML)与非支配排序遗传算法(NSGA-II)结合，通过四轮迭代设计出UTS达728±3 MPa、延伸率13.9±0.2%的Al-Zn-Mg-Cu合金。该研究通过域知识约束搜索空间和小批量实验校正策略，揭示了均匀纳米析出相与适度宽化无析出带(PFZs)的协同强化机制，为多目标材料设计提供了高效范式。

　　

在航空航天和汽车工业对轻量化材料需求日益迫切的背景下，Al-Zn-Mg-Cu合金（7XXX系列）因其优异的强度-密度比和耐腐蚀性成为关键结构材料。然而传统商业铝合金的极限抗拉强度(UTS)普遍低于700 MPa，且通过试错法优化成分与热处理参数往往耗时数年。更棘手的是，提高强度的同时常伴随塑性下降——当镁(Mg)含量增加虽能提升基体析出相强化效果，却会导致晶界析出物(GBPs)面积扩大引发脆性断裂。这种"强度-塑性倒置"现象成为制约高性能铝合金开发的瓶颈。

为突破这一困境，中国科学院团队在《Journal of Alloys and Compounds》发表研究，开创性地将机器学习与多目标优化算法结合。研究人员首先构建包含成分-热处理-性能参数的文献数据库，采用随机森林(RF)和XGBoost算法建立UTS和延伸率(δ)的预测模型，测试集R²达0.86。通过引入多级固溶处理、时效条件等域知识约束NSGA-II算法的搜索空间，结合四轮小批量实验反馈修正模型。最终获得的优化合金显微组织显示：高密度均匀分布的纳米η'相（尺寸约5 nm）贡献了主要强化效果(σ_p)，而宽度约50 nm的PFZs则通过协调变形缓解应力集中，二者协同作用使性能超越传统设计极限。

关键技术包括：1) 基于227组文献数据的ML建模；2) NSGA-II多目标优化算法；3) 多级固溶-时效热处理参数约束；4) 透射电镜(TEM)与三维原子探针(3D-AP)表征技术。

【预测模型】
比较RF、XGBoost等算法发现，对于UTS>600 MPa的高强区域，RF模型预测误差较线性模型降低42%。特征重要性分析显示Zn/Mg比和时效温度是影响性能的关键参数。

【强度增强机制】
通过修正的Orowan-Ashby方程计算，沉淀强化贡献达σ_p=398 MPa，占总强度的55%。Al₃Zr颗粒通过抑制再结晶使晶粒尺寸减小20%，晶界强化σ_gb提升至85 MPa。

【结论与意义】
该研究实现了三大突破：1) 建立ML指导的"成分-工艺-性能"闭环优化系统；2) 阐明纳米析出相与PFZs的协同作用机制；3) 将研发周期缩短至传统方法的1/5。这种"域知识引导+小数据修正"的策略，为破解材料多目标优化难题提供了普适性框架，特别适用于航空航天领域对材料性能边界持续突破的需求。