解决深度学习中的数据稀缺问题：利用真实和人工数据集来预测复合材料的压实情况

《Materials & Design》：Addressing data scarcity in deep learning: Leveraging real and artificial datasets to predict compaction of composites

低成本钛合金设计结合机器学习与改进穷举法，通过Ti-Al-Cr-Fe-Si系列合金开发，实现高强度（UTS 1280 MPa）和良好延展性（EL 18.6%），验证ML模型的预测准确性及近β钛合金微观结构优势。

　　钛合金因其优异的强度重量比、出色的耐腐蚀性和良好的生物相容性，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，其高昂的成本严重限制了其在民用领域的拓展，尤其是在需要大量使用材料的行业。因此，开发低成本但具有高性能的钛合金材料成为当前材料科学领域的重要研究方向之一。为了应对这一挑战，研究者们尝试结合机器学习（Machine Learning, ML）与改进的穷举方法（Improved Exhaustion Method, IEM），以实现对钛合金成分与性能之间关系的精准预测，从而加速新型低成本钛合金的设计进程。本文提出了一种基于机器学习与改进穷举方法相结合的合金设计策略，成功设计出Ti-Al-Cr-Fe-Si系列钛合金，并重点研究了其机械性能和微观结构特性。

### 合金设计背景与目标

传统钛合金设计方法往往依赖于经验性的试错过程，不仅效率低下，而且成本高昂。随着材料科学的发展，特别是计算技术的进步，机器学习作为一种智能、高效的计算工具，逐渐成为合金设计的新途径。通过机器学习，可以快速建立成分与性能之间的非线性关系模型，从而在较短时间内筛选出具有潜在性能优势的合金组合。同时，改进的穷举方法可以有效减少计算资源的浪费，避免在穷举过程中因列出所有可能的合金成分组合而带来的冗余和低效问题。

本研究的目标是设计一种以低成本合金元素为主的钛合金，使其在保持良好机械性能的同时，显著降低原材料成本。具体而言，通过选择成本较低的合金元素，如Cr、Fe、Al和Si，并结合机器学习模型，预测这些元素在不同含量下的合金性能，从而筛选出性能优异的合金组合。研究还特别关注了近β型钛合金的结构特点，这类合金在β基体中包含大量针状α相，这种结构有利于提升材料的强度和塑性。

### 机器学习与改进穷举方法的结合

为了提高合金设计的效率，本文提出了一种基于机器学习与改进穷举方法的合金设计策略。该方法的核心在于通过机器学习模型，对钛合金的成分与性能之间的关系进行预测，从而减少对所有可能组合的穷举计算。具体步骤如下：

1. **数据收集与预处理**
研究团队从已有的文献和实验数据中收集了大量钛合金的数据，涵盖了不同合金元素的含量及其对应的机械性能。这些数据主要包括抗拉强度（UTS）、屈服强度（YS）和延伸率（EL）。由于这些数据在不同应变速率下存在一定的变化，因此在数据处理过程中，保留了应变速率范围在10??到10?3 s?1的数据，以确保模型的泛化能力。此外，为了消除数据中的冗余特征，研究团队采用了Spearman相关系数分析和主成分分析（PCA）方法，对数据进行筛选和降维处理。

2. **模型选择与训练**
在数据预处理完成后，研究团队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）。通过比较两种模型在预测精度方面的指标，如决定系数（R2）、平均绝对误差（MAE）和均方根误差（RMSE），最终选择了XGBoost作为本研究的预测模型。XGBoost模型不仅在计算效率上优于RF模型，还具备更强的泛化能力和更高的预测精度，特别是在处理复杂数据集时表现更为出色。

3. **改进穷举方法的实现**
传统穷举方法需要列出所有可能的合金成分组合，这不仅需要大量的计算资源，而且容易导致数据冗余。本文提出的改进穷举方法则是在确定每种合金元素的最大含量范围后，通过随机匹配不同元素的含量比例，生成固定数量的合金成分组合。这种方法不仅减少了计算时间，还提高了设计的灵活性和多样性。具体而言，研究团队设定了Fe的含量上限为2 wt%，Al的含量上限为6 wt%，Cr的含量上限为12 wt%，Si的含量上限为0.5 wt%，Ti作为平衡元素，确保合金成分的总和为100%。通过这种方法，共生成了5991种不同的合金成分组合，并将其作为输入特征，用于预测其机械性能。

### 实验与结果分析

在完成合金成分的预测后，研究团队通过实验验证了所设计合金的机械性能和微观结构特征。实验过程中，使用了高精度电子天平准确称量合金原料，并通过真空电弧熔炼炉在氩气保护下熔炼，随后进行炉内冷却以形成铸态合金。通过X射线衍射仪（XRD）分析了合金的相组成，确认了主要的β相和α相的存在。进一步的扫描电镜（SEM）和电子背散射衍射（EBSD）分析揭示了合金的微观结构特征，包括α相的针状分布和β相的晶粒排列方式。通过透射电镜（TEM）观察，研究团队进一步确认了α相与β相之间的取向关系，这有助于理解合金的力学行为。

实验结果显示，所设计的合金在机械性能方面表现出色。例如，Ti-4.98Cr-1.89Fe-2.66Al-0.1Si合金的屈服强度（YS）达到了约1080 MPa，抗拉强度（UTS）约为1280 MPa，延伸率（EL）约为18.6%。这些数据表明，该合金在保持良好塑性的同时，具备较高的强度，符合近β型钛合金的典型性能特征。此外，通过与现有低合金成本钛合金的对比，研究团队发现所设计的合金不仅在成本上具有优势，而且在强度和塑性之间取得了较好的平衡。

### 微观结构与性能的关系

在微观结构方面，研究团队发现所设计的合金属于近β型结构，其特征是β基体中分布着大量针状α相。这种结构有利于提升合金的强度，因为α相的存在可以起到弥散强化的作用。然而，过量的α相可能会影响合金的塑性，因此需要在合金设计中合理控制α相的含量。通过XRD和EBSD分析，研究团队发现所设计的合金中α相和β相的体积分数分别为46.9%和52.1%（对于1#合金），以及40.5%和53.7%（对于2#合金）。这些数据表明，两种合金均符合近β型钛合金的结构特征，且在β相含量上保持了一定的相似性。

此外，研究团队还发现，α相的取向关系与β相的晶格结构密切相关。在1#和2#合金中，α相的取向遵循典型的Burgers取向关系（BOR），即{110}β // {0001}α，<111>β // <11–20>α。这种取向关系有助于形成有序的α相分布，从而提升合金的强度和韧性。通过进一步的微观结构分析，研究团队确认了α相在β基体中的密集分布模式，这为理解合金的力学性能提供了重要的结构依据。

### 实际应用价值与研究意义

本研究的成果为低成本、高性能钛合金的设计提供了一种新的思路和方法。通过机器学习与改进穷举方法的结合，研究团队不仅提高了合金设计的效率，还实现了对合金性能的精准预测。这种基于数据驱动的设计策略，使得研究人员能够在有限的实验条件下，快速筛选出具有潜力的合金成分组合，从而节省了大量的时间和资源。

此外，研究团队发现，所设计的合金在成本控制方面具有显著优势。例如，通过将部分昂贵的合金元素（如Mo、V）替换为成本较低的Cr、Fe和Al，合金的原材料成本得到了有效降低。这种替换不仅不会影响合金的性能，反而可能在某些情况下提升其综合性能。因此，本研究为钛合金的工业应用提供了重要的理论和技术支持，特别是在航空航天和生物医学等对材料性能要求较高的领域。

### 结论

综上所述，本文提出了一种基于机器学习与改进穷举方法相结合的钛合金设计策略，成功开发出Ti-Al-Cr-Fe-Si系列低成本钛合金。通过实验验证，所设计的合金在机械性能方面表现出色，特别是在屈服强度和抗拉强度方面，达到了较高的水平，同时保持了良好的延伸率。此外，通过微观结构分析，研究团队揭示了合金的近β型结构特征，并探讨了其对机械性能的影响机制。这些成果不仅为钛合金的高效设计提供了新的方法，也为相关领域的材料研发提供了重要的参考依据。未来，随着机器学习技术的进一步发展，这种基于数据驱动的合金设计策略有望在更多金属材料的开发中得到应用，推动材料科学的进步。