高压压铸镁基合金力学性能中合金元素影响的预测

《Journal of Magnesium and Alloys》：Prediction of alloying element effects on the mechanical behavior of high-pressure die-cast Mg-based alloys

镁合金轻量化材料开发中，基于机器学习的机械性能预测模型研究。采用六种ML模型（Extra Trees、CatBoost、KNN、Random Forest、GBR、Decision Tree）预测高压力压铸（HPDC）镁合金的拉伸强度（UTS）和屈服强度（YS），通过特征选择（Pearson相关系数）和超参数优化（网格搜索法），发现CatBoost模型表现最优，R2达0.956（UTS）和0.936（YS），MAE分别为1%和2.8%，RMSE为1%和3.5%。验证了ML在材料设计中的高效性，为工业应用提供优化工具。

　　本研究探讨了如何利用机器学习技术加速开发高性能的镁基合金。镁合金因其密度低、强度高、热稳定性好等优点，成为轻量化材料领域的重要研究对象，广泛应用于汽车、航空航天、船舶等工业领域。然而，传统的实验方法在开发镁合金时面临诸多挑战，包括成本高昂、耗时较长以及材料组成变化带来的不确定性。因此，研究者们开始借助计算方法，尤其是机器学习，来优化材料设计和性能预测。通过分析已有文献中关于镁合金组成和机械性能的数据，研究团队构建了一个全面的数据集，并利用多种机器学习模型对镁合金的力学行为进行了预测。

研究中选择了六种不同的机器学习模型，包括随机森林、梯度提升、K近邻、决策树、CatBoost和极端树（Extra Trees）。这些模型在不同的数据处理和训练过程中表现出各自的特点和优势。其中，CatBoost模型在预测极限抗拉强度（UTS）和屈服强度（YS）方面表现出最佳的预测性能，其R2值分别达到了0.95和0.92。进一步的验证结果显示，CatBoost模型的预测能力依然保持稳定，R2值分别为0.956和0.936，平均绝对误差（MAE）分别为1%和2.8%，均方根误差（RMSE）分别为1%和3.5%。这些数据表明，CatBoost模型在多个优化指标上均优于其他机器学习技术，成为预测镁合金性能的首选工具。

在材料设计过程中，合金的组成是影响其性能的关键因素之一。为了更好地理解不同元素对机械性能的影响，研究团队首先对数据集进行了预处理，去除了那些包含缺失信息或极端值的样本，最终保留了199个高质量数据点用于建模。数据集中涵盖了多种镁合金的化学组成信息，包括镁、钕、铈、镧、锌、铝、钙、锆、锰、钇、铜、硅、锂、钍、镨等元素的含量，以及对应的UTS和YS值。这些数据不仅提供了合金成分的详细信息，还反映了不同成分组合对材料性能的影响。

在特征选择阶段，研究团队采用了皮尔逊相关系数（PCC）来评估各个输入特征与目标性能之间的线性关系，并通过热图分析进一步揭示了特征之间的相互作用和冗余性。结果表明，钙和锰是影响UTS和YS的两个最重要元素，它们的含量与材料的力学性能呈负相关，意味着减少这些元素的含量可能有助于提高材料的强度。此外，研究还发现某些元素如镨和钇对UTS和YS的影响较为微弱，这表明在合金设计过程中，需要根据具体应用场景权衡不同元素的作用。

为了提升模型的预测能力和泛化能力，研究团队对每个模型的超参数进行了系统优化。通过网格搜索（Grid Search）和随机搜索（Randomized Search）等方法，研究人员对模型的关键参数进行了调整，如树的数量、学习率、树的深度、样本分割条件等。在优化过程中，研究团队发现CatBoost模型在学习率、树深度和树的数量方面具有最佳配置，从而实现了更高的预测精度。相比之下，其他模型如K近邻（KNN）虽然在某些方面表现良好，但其训练时间较长，限制了其在大规模数据处理中的应用效率。

在模型训练和测试阶段，研究团队采用了80:10:10的比例将数据集划分为训练集、测试集和验证集，以确保模型的稳定性。通过对这些模型的性能评估，研究发现CatBoost、极端树（ET）、随机森林（RF）和K近邻（KNN）在预测UTS和YS方面表现突出，其R2值均超过95%。验证阶段的结果进一步证明了CatBoost模型的优越性，其预测值与实验数据高度吻合，表明该模型在处理复杂材料系统时具有良好的适应性和准确性。

为了进一步验证模型的可靠性，研究团队选取了六种新开发的镁合金进行预测测试。这些合金的成分在原始数据集中并未出现，因此可以作为模型泛化能力的评估对象。通过对比CatBoost和ET模型的预测结果与文献中报道的实验数据，研究团队发现模型的预测值与实际值非常接近，从而证明了其在实际应用中的有效性。这一结果表明，基于机器学习的预测方法能够有效替代传统的实验方法，显著降低研发成本和时间。

本研究的成果不仅为镁合金的开发提供了新的思路，也为其他轻量化材料的优化设计奠定了基础。通过机器学习技术，研究人员可以更快速地识别影响材料性能的关键元素，并根据这些信息进行有针对性的合金设计。此外，研究团队还强调了未来工作的方向，即通过实验合成和机械测试进一步验证模型的预测能力，从而推动高性能材料的产业化应用。

总体而言，本研究展示了机器学习在材料科学领域的巨大潜力。通过对镁合金组成和性能数据的深入分析，研究团队成功构建了一个高效且准确的预测模型，能够帮助研究人员在设计新材料时做出更加科学和精准的决策。随着机器学习技术的不断发展，其在材料设计中的应用将进一步扩大，为实现更轻、更强、更耐用的合金提供强有力的支持。这一研究不仅推动了镁合金的开发进程，也为其他金属材料的优化提供了可借鉴的经验和方法。