机器学习与改进的穷举法辅助设计相结合，用于低成本Ti-Al-Cr-Fe-Si系列钛合金的研发

《Materials & Design》：Machine learning coupled with an improved exhaustive method-assisted design of a low cost Ti-Al-Cr-Fe-Si series titanium alloy

机器学习耦合改进穷举法成功设计出低成本高性能钛合金系列，Ti-4.98Cr-1.89Fe-2.66Al-0.1Si合金屈服强度达1080MPa，延伸率18.6%。通过特征筛选和主成分分析优化模型，XGBoost算法预测精度优于随机森林。实验验证合金微观组织为近β型，含大量针状α相分布于β基体中，兼具高强度与良好塑性。

　　钛合金因其出色的比强度、耐腐蚀性和生物相容性，在航空航天、生物医学、船舶等关键领域得到了广泛应用。然而，传统钛合金设计方法存在成本高、效率低等问题，限制了其在民用领域的推广。为了解决这一问题，本文提出了一种结合机器学习（ML）与改进的穷举方法（IEM）的合金设计策略，旨在高效地开发出具有高性能且低成本的钛合金材料。

### 合金设计的核心目标

本研究的核心目标是通过优化合金成分，设计出一种性能优异的钛合金。具体而言，希望通过降低合金中昂贵元素的使用比例，提高材料的性价比，同时保持良好的机械性能。钛合金的机械性能通常包括屈服强度（YS）、抗拉强度（UTS）和延伸率（EL），这些性能指标对于合金的实际应用至关重要。传统的合金设计方法通常依赖于实验试错，不仅耗时耗力，而且难以满足现代工业对高效设计的需求。因此，引入机器学习技术成为一种重要的解决方案。

### 机器学习与改进穷举方法的结合

本文提出了一种创新的合金设计方法，将机器学习与改进的穷举方法相结合。传统的穷举方法需要列出所有可能的合金成分组合，计算量巨大，不仅占用大量计算资源，还可能导致数据冗余。改进的穷举方法则通过设定关键元素的最大含量范围，并以固定步长随机生成合金成分组合，从而减少计算资源的浪费，同时保证成分多样性。这种改进方法能够生成大量的合金组合，用于后续的性能预测和筛选。

在机器学习模型的构建过程中，选择了两种在回归分析中表现优异的集成学习算法：随机森林（Random Forest, RF）和极端梯度提升（Extreme Gradient Boosting, XGBoost）。通过对收集的钛合金数据集进行训练，构建了合金成分与机械性能之间的非线性关系模型。为了评估模型的预测能力，本文采用了三种常用指标：决定系数（R2）、平均绝对误差（MAE）和均方根误差（RMSE）。通过对比两种模型的预测结果，最终选择了XGBoost作为最终的预测模型，因其在实际应用中展现出更高的预测精度和泛化能力。

### 合金成分的筛选

在合金成分的筛选过程中，本文基于预测模型生成了5991种不同的合金成分组合，并对这些组合进行了分析。为了确保合金的可加工性和机械性能，Fe的含量被限制在0–2 wt%之间，因为过高的Fe含量会降低合金的塑性。同时，Al的含量被控制在0–6 wt%，以避免脆性相的析出。此外，Si作为微量合金元素，其含量通常不超过0.5 wt%，以提升合金的热稳定性和强度。Cr作为β相稳定元素，其含量被设定在0–12 wt%，以确保合金具有良好的强度和塑性平衡。

通过上述筛选标准，最终确定了七组目标合金成分。其中，1#合金（Ti-4.983Cr-1.888Fe-2.659Al-0.1Si）和2#合金（Ti-6.439Cr-1.805Fe-3.143Al-0.243Si）的机械性能尤为突出。1#合金的屈服强度约为1074.8 MPa，抗拉强度约为1269.1 MPa，延伸率约为19.0%；2#合金的屈服强度约为895.7 MPa，抗拉强度约为987.6 MPa，延伸率约为18.4%。这些数据表明，通过机器学习与改进穷举方法的结合，可以有效地筛选出性能优异的合金成分。

### 实验验证与性能分析

为了验证预测结果的准确性，本文对目标合金进行了实验测试。通过电子天平精确称量原料，并在非自耗真空电弧熔炼炉中进行熔炼，最终获得了合金铸锭。随后，从铸锭中切割出拉伸试样，并在Zwick Roell-Z100测试机上进行拉伸试验，试验条件为室温下的应变速率1×10?3 s?1。实验结果显示，1#合金和2#合金的机械性能与预测结果高度一致，进一步证明了所提出方法的有效性。

在微观结构分析方面，本文采用了X射线衍射（XRD）、扫描电子显微镜（SEM）和透射电子显微镜（TEM）等多种技术手段。XRD分析表明，1#合金和2#合金主要由β相和α相组成。SEM和EBSD分析显示，α相以针状形态分布在β基体中，形成类似“篮网”的分布模式。这种微观结构特征是近β钛合金的典型表现，有助于提升合金的强度和塑性。TEM分析进一步揭示了α相与β相之间的取向关系，表明它们遵循Burgers取向关系（{110}β // {0001}α，<111>β // <11–20>α），这种结构关系对于合金的变形行为和力学性能具有重要意义。

### 合金性能的比较分析

为了进一步评估所设计合金的性能，本文将其与文献中报道的其他低成本钛合金进行了对比。结果表明，所设计的合金不仅在成本上有明显优势，同时在强度和延展性方面也表现出良好的平衡。例如，Ti-4.98Cr-1.89Fe-2.66Al-0.1Si合金的屈服强度达到约1081.1 MPa，抗拉强度约为1299.6 MPa，延伸率约为19.7%。这些数据表明，所设计的合金在性能上具有竞争力，特别是在需要高强度和良好塑性的应用场景中。

### 微观结构与性能的关系

合金的机械性能与其微观结构密切相关。在近β钛合金中，α相的分布密度和形态对合金的强度和塑性有显著影响。α相通过分散强化作用提升合金的强度，而β相则因其体心立方（BCC）晶体结构，为合金提供了良好的塑性。因此，α相的含量越高，合金的强度越强，但塑性可能略有下降。相反，α相含量较低的合金则表现出更好的延展性。在本文所设计的合金中，1#合金的α相含量较高，因此其强度优于2#合金，但延展性稍低。这种性能的差异与α相的分布密度和形态密切相关。

此外，α相的变体选择对合金的性能也有重要影响。通过SEM和EBSD分析，可以观察到α相在β基体中的分布方式，不同变体的α相可能呈现出不同的取向和形态。这种变体的分布方式不仅影响合金的强度，还可能对延展性和断裂行为产生影响。因此，在合金设计过程中，需要综合考虑α相的分布密度、形态和变体选择，以实现最佳的性能平衡。

### 未来研究方向与应用前景

本文的研究结果表明，机器学习与改进穷举方法的结合为钛合金的高效设计提供了一条新的途径。通过这种方法，可以在不依赖大量实验的情况下，快速筛选出具有优异性能的合金成分，从而降低研发成本并提高设计效率。然而，当前的研究仍存在一些局限性，例如模型的泛化能力、数据的覆盖范围以及对复杂合金体系的适应性。未来的研究可以进一步优化机器学习模型，扩大数据集的多样性，并探索更多合金元素的组合，以提升合金的性能和适用范围。

此外，本文所设计的合金在某些特定应用场景中可能具有优势，例如航空航天领域的关键部件、生物医学植入物等。这些领域对材料的强度、耐腐蚀性和生物相容性有较高要求，而本文所设计的合金恰好具备这些特性。因此，未来的研究可以进一步探索该合金在实际应用中的表现，并进行更广泛的性能测试，以验证其在不同环境下的适用性。

总之，本文提出了一种基于机器学习和改进穷举方法的钛合金设计策略，成功开发出具有高性能和低成本的Ti-Al-Cr-Fe-Si系列合金。该方法不仅提高了合金设计的效率，还为未来材料研发提供了新的思路和技术手段。通过结合机器学习的预测能力和改进穷举方法的高效性，可以实现对复杂合金体系的精准设计，推动钛合金在更多领域的应用。