使用多种可解释机器学习算法预测纳米粒子改性碳纤维/环氧复合材料的力学性能

《Materials & Design》：Prediction of mechanical properties of carbon fiber/epoxy composite modified by nanoparticles using multiple explainable machine learning algorithms

钛合金设计与性能优化：本研究通过机器学习（XGBoost）与改进穷举法结合，设计出低成本Ti-Al-Cr-Fe-Si系列近β型钛合金。实验表明，Ti-4.98Cr-1.89Fe-2.66Al-0.1Si合金屈服强度达1080 MPa，抗拉强度1280 MPa，延伸率18.6%，其α相呈针状分布于β基体中。

　　钛合金因其出色的比强度、优异的耐腐蚀性和良好的生物相容性，被广泛应用于航空航天、生物医学、船舶等关键领域。然而，钛合金的高成本限制了其在更多应用场景中的推广，尤其是在民用领域。因此，开发具有优异性能且成本较低的钛合金具有重要的现实意义。本文通过将机器学习（ML）与改进的穷举方法（IEM）相结合，探索了一种高效的合金设计策略，以准确确定合金成分与性能之间的关系，从而加速高性能、低成本钛合金的研发。

传统的合金设计方法往往依赖于试错法，不仅耗时耗力，而且难以满足现代工业对材料性能快速设计的需求。随着人工智能和计算技术的发展，机器学习作为一种智能且高效的计算方法，被广泛应用于合金设计领域，以提高设计效率并降低成本。在合金设计过程中，选择合适的合金元素及其含量是关键。本文通过综合考虑合金元素的经济性与对材料性能的积极影响，确定了Ti、Cr、Al、Fe和Si作为主要合金元素。其中，Fe具有较低的成本和良好的稳定性能，Cr与Mo相比具有相近的固溶强化效果但成本更低，Al是常见的α稳定剂，可有效提升合金的强度和热稳定性，而Si则有助于改善合金的热强性和抗高温性能。

为了提高预测模型的准确性和泛化能力，本文采用了一种改进的穷举方法，避免了传统穷举法在计算时间和存储空间上的浪费。通过随机匹配合金元素含量组合，生成具有不同元素比例的固定数量的合金成分组合，并利用机器学习模型进行预测。本文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（RF）和极端梯度提升（XGBoost）。通过比较两者的预测精度评价指标（R2、MAE和RMSE），最终确定XGBoost模型作为预测模型。该模型不仅能够有效捕捉合金元素含量与机械性能之间的复杂非线性关系，还具备较高的预测准确性和计算效率。

在模型训练和验证过程中，通过将数据集划分为训练集和验证集（比例为4:1），对两种模型的性能进行了评估。结果显示，XGBoost模型在预测精度方面优于RF模型，尤其在R2值和RMSE值上表现更佳。此外，通过主成分分析（PCA）对数据集进行了降维处理，将原始数据的维度从15降低至12，从而提升了模型的预测能力并减少了冗余特征的影响。PCA的使用不仅有助于保留数据的主要特征，还能够有效提升模型的泛化能力。

在合金设计阶段，基于训练后的预测模型，生成了5991种不同合金元素含量的组合，并通过实验验证了其机械性能。实验结果显示，1#合金和2#合金的机械性能较为优异，其中1#合金的屈服强度（YS）达到约1074.8 MPa，抗拉强度（UTS）约为1269.1 MPa，延伸率（EL）约为19.0%；而2#合金的YS为895.7 MPa，UTS为987.6 MPa，EL为18.4%。这些结果表明，所设计的合金不仅具有良好的机械性能，还实现了显著的成本降低。此外，通过XRD和SEM-EBSD等手段对合金的微观结构进行了表征，发现这些合金属于近β型钛合金，其β基体中分布着大量针状α相，这种结构有助于提升合金的强度和延展性。

近β型钛合金的典型特征是α相以针状形态均匀分布在β基体中，形成交错分布的“篮网”结构。这种微观结构不仅有助于提高合金的强度，还能保持良好的延展性。实验结果进一步表明，1#合金和2#合金的α相体积分数分别为46.9%和40.5%，β相体积分数分别为52.1%和53.7%。这种α相的分布模式与Burgers取向关系（BOR）密切相关，即{110}β与{0001}α平行，<111>β与<11–20>α平行。这种取向关系有助于提高合金的塑性和强度，是近β型钛合金性能优异的重要原因。

为了进一步验证所设计合金的性能，本文还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方面具有显著优势，同时在强度和延展性方面也表现出色。例如，Ti-4.98Cr-1.89Fe-2.66Al-0.1Si合金的YS为约1081.1 MPa，UTS为约1299.6 MPa，EL为约19.7%。这些数据表明，通过机器学习与改进穷举方法的结合，能够有效地设计出高性能、低成本的钛合金，为未来材料研发提供了新的思路和方法。

此外，本文还探讨了合金元素对性能的影响。例如，Fe含量在0至2 wt%范围内，有助于保持合金的塑性，而超过这一范围会导致性能下降。Cr和Al的添加有助于提高合金的强度和热稳定性，但需控制其含量以避免不利影响。Si的添加则有助于改善合金的热强性和抗高温性能，但其含量通常不超过0.5 wt%。这些发现为后续合金设计提供了重要的参考依据。

综上所述，本文通过机器学习与改进穷举方法的结合，成功设计出一种低成本、高性能的Ti-Al-Cr-Fe-Si系列钛合金。该合金属于近β型结构，具有良好的机械性能和微观组织特征。实验结果表明，该方法在合金设计中具有显著优势，能够有效降低研发成本并提高材料性能。未来的研究可以进一步优化模型参数，扩大合金元素范围，并探索更多应用场景，以推动钛合金在更多领域的应用。