物理增强机器学习预测高碳铬钢热机械加工及球化退火强度的微观结构机制

高碳铬钢(GCr15)在轴承制造中面临热机械加工与球化退火过程中微观结构演变的复杂调控难题。本研究创新性地结合U-net深度学习算法与物理增强神经网络(ANN-Phys)，通过SEM图像精准量化球状/短棒状/层状碳化物特征，构建了R2达0.97的强度预测模型。该框架突破了传统模型对工艺-组织-性能非线性关系的表征瓶颈，为轴承钢智能化工艺设计提供新范式。

　　

高碳铬钢作为轴承制造的核心材料，其硬度、耐磨性和接触疲劳强度直接决定轴承寿命。然而在热机械加工和球化退火过程中，层状珠光体向球状碳化物的转变涉及复杂的扩散与相变动力学，传统数值模型难以捕捉多工艺参数（如变形量TD、终轧温度FRT、等温温度IT）与显微组织（碳化物尺寸/分布/体积分数）之间的非线性关系。更棘手的是，现有研究对球化过程中离异共析转变(DET)与协同共析转变(CET)的竞争机制缺乏量化表征，导致工艺优化依赖经验试错。

针对这些挑战，江苏大学等机构的研究人员开发了融合物理约束的机器学习框架。研究首先采用工业级GCr15连铸坯，设计32组涵盖核心/边缘取样位置(P)、30-70%变形量(TD)、770-880℃终轧温度(FRT)等变量的热机械加工实验，结合四阶段球化退火工艺（奥氏体化温度AT 760-880℃、等温时间It 60-180min）制备样本。通过Hitachi S-4800扫描电镜(SEM)获取显微组织图像，创新性地采用ResNet50为骨干网络的U-net模型实现碳化物语义分割，识别出球状(A类)、短棒状(B类)和层状(C类)三种碳化物形态，平均交并比(mIoU)达89%。

特征工程阶段，研究团队通过皮尔逊相关性分析和随机森林特征筛选，从29个显微组织特征中锁定10个关键参数，包括层状碳化物体积分数(C2)、球状碳化物数量(A1)和平均直径(AB3M)等。在模型构建中，创新性地将经典强化理论融入损失函数：基于混合律计算层状/球状珠光体对屈服强度的贡献，通过Hall-Petch关系和Orowan机制量化晶界/第二相强化作用，并建立屈服强度-抗拉强度比(Y/T)与C2的线性关系。最终开发的ANN-Phys模型在测试集上实现屈服强度(YS)预测R²=0.971、均方根误差(RMSE)=6.074MPa，显著优于支持向量回归(SVR)和梯度提升回归(GBR)等传统算法。

显微组织演化分析揭示，当奥氏体化温度(AT)超过Ac₁时，部分未溶解碳化物形成碳浓度梯度，促进离异共析转变(DET)产生球状碳化物；而低温奥氏体化会残留层状珠光体，诱发协同共析转变(CET)。SHAP分析表明层状碳化物体积分数(C2)对强度贡献最大——每增加1%可使YS提升15MPa，这源于层状界面高密度位错钉扎效应。值得注意的是，球化退火后试样中α相嵌于Fe₃C层间的现象，导致传统图像分析法可能高估层状碳化物含量达26.9%。

研究创新点在于首次将U-net计算机视觉框架与物理增强机器学习相结合，突破了传统材料研究中"工艺参数→力学性能"的黑箱预测模式。通过三个新增实验样本验证，模型对未见过工艺条件（如IT=720℃/It=360min）的预测误差<5%，证实其强泛化能力。该成果发表于《Materials》期刊，为基于显微图像的非破坏性强度评估提供了新工具，特别适用于试样尺寸受限或仅能获取显微组织的工业场景。未来研究可进一步整合EBSD取向信息，建立多尺度工艺-组织-性能关联模型。