基于可解释AI增强的数据驱动模型实现高温离子熔体粘度的精准预测

为解决高温离子熔体粘度预测在复杂组分和温度范围内的精度不足问题，研究人员开发了MOVINet（MOlten ions VIscosity Network）数据驱动模型。该模型基于1981组实验数据构建，通过深度神经网络和可解释AI技术，将预测误差较现有最佳模型降低57.7%（MAE=0.1480），并成功应用于含CaCl2、BaO等新组分的熔体系统。研究为冶金工业的工艺优化和环保材料开发提供了可靠工具。

　　

高温离子熔体粘度是冶金和玻璃陶瓷工业中的关键参数，直接影响熔体的流动行为、传质效率和工艺稳定性。随着高性能钢（如含Si、Al、Mn、Ti的合金）需求激增，以及环保法规对传统熔剂（如CaF₂）的限制，熔体组分日趋复杂。然而，传统实验方法成本高昂，而基于Arrhenius方程或光学碱度（optical basicity）的解析模型难以适应新组分，误差高达MAE=0.3497。更棘手的是，现有机器学习模型（如ANNliq、SIANN）因网络结构简单或依赖经验方程，泛化能力有限，无法预测含未见过组分的熔体。

针对这一挑战，韩国国立研究基金会（NRF）支持的研究团队开发了MOVINet框架。该模型通过深度特征提取器和函数逼近器结构，结合13种组分（12种氧化物和1种氟化物）的物理化学性质，实现了宽温区（1100–1870°C）内六类熔体的高精度预测。测试表明，其MAE低至0.1480，对含BaO等新组分熔体的预测误差（MAE=0.1463）显著优于传统方法。研究还利用SHAP（SHapley Additive exPlanations）和置换特征重要性分析，证实温度的主导作用及组分间的非线性耦合效应，为模型提供了物理解释。

关键技术方法
研究团队从文献中筛选了1981组旋转法测量的粘度数据，涵盖SiO₂-CaO-Al₂O₃等主流体系。MOVINet采用双模块架构：特征提取器将组分摩尔分数与离子半径、电负性等基础性质关联；函数逼近器通过全连接层映射至高维非线性空间。模型训练采用Adam优化器，并通过480组独立数据验证。可解释性分析中，SHAP量化了特征贡献度，而置换法评估了输入属性的敏感性。

模型性能
MOVINet在全部测试数据上的MAE为0.1480，较最优对比模型（Urbain表达式）误差降低57.7%。尤其值得注意的是，其对CaCl₂熔体的预测MAE仅0.0567，表明模型能有效外推至训练集未覆盖的组分。温度被证实为最关键变量，而SiO₂和Al₂O₃的网络形成倾向性（network-forming tendency）对高粘度区影响显著。

可解释性分析
SHAP分析显示，温度每升高100°C平均降低粘度0.5 Pa·s，与Arrhenius规律一致。组分贡献方面，高场强阳离子（如Al³⁺）因增强熔体聚合度而提升粘度，而碱性氧化物（如Na₂O）通过断裂Si-O键降低粘度。这些发现与熔体结构理论高度吻合，验证了模型的物理合理性。

结论与意义
该研究发表于《Journal of Materials Science》，首次将深度学习的表达能力与可解释AI技术结合，解决了复杂熔体系统的粘度预测难题。MOVINet的泛化能力使其适用于新型环保熔剂设计和二次渣回收工艺，为可持续冶金提供了计算工具。未来，该框架可扩展至其他热物理性质（如电导率）预测，推动材料开发从经验试错向理性设计转变。