基于机器学习的DOMS模式HiPIMS涂层力学性能回归预测模型研究及其工业应用价值

本研究针对高功率脉冲磁控溅射（HiPIMS）在深振荡磁控溅射（DOMS）模式下沉积涂层过程中多参数复杂耦合导致力学性能预测困难的问题，开发了支持向量机（SVM）、梯度提升树（GBT）和高斯过程回归（GPR）机器学习模型，实现了对涂层厚度、硬度和杨氏模量的精准预测。通过特征重要性分析揭示了沉积压力、靶材密度和沉积速率等关键影响因素，并利用钛涂层实验验证了模型对新材料的泛化能力，为航空航天、生物医学等领域的涂层性能优化提供了有效的数字化设计工具。

　　

在表面工程领域，高性能涂层的制备技术一直是学术界和工业界关注的焦点。高功率脉冲磁控溅射（HiPIMS）作为一种先进的物理气相沉积技术，通过其独特的等离子体特性能够制备出具有优异硬度、附着力和致密性的薄膜。而深振荡磁控溅片（DOMS）作为HiPIMS的一种创新模式，通过精确控制脉冲波形参数，进一步提升了沉积过程的调控精度。然而，DOMS工艺涉及多达十余个沉积参数（如峰值功率P_p、电压开启时间t_on、氮气含量N₂等）与靶材本征特性（硬度H_T、杨氏模量E_T等）的复杂交互作用，传统试错法难以有效预测涂层力学性能。这严重制约了新型涂层材料的开发效率和在航空航天、生物医学植入体等高端领域的应用。

为解决这一难题，来自葡萄牙科英布拉大学CEMMPRE研究中心的Takeru Omiya、Pooja Sharma、Albano Cavaleiro和Fabio Ferreira研究团队在《Surface and Coatings Technology》发表了创新性研究。他们首次将机器学习回归模型应用于DOMS模式HiPIMS涂层的多性能协同预测，通过系统分析沉积参数与靶材特性的耦合效应，建立了高精度预测模型，为涂层设计的数字化转型提供了重要支撑。

研究人员采用多项关键技术开展本研究：首先整合了来自12篇已发表研究的66组实验数据，涵盖Cr、CrN、AlN、Nb、Ta和DLC等6种涂层体系；通过扫描电子显微镜（SEM）测量涂层厚度，采用纳米压痕技术（最大载荷5mN）获取硬度和杨氏模量数据；选取12个特征参数（8个沉积参数和4个靶材参数）作为输入变量；采用支持向量机（SVM）、梯度提升树（GBT）和高斯过程回归（GPR）三种机器学习算法构建预测模型；使用5折交叉验证防止过拟合，并通过袋外数据（OOB）和沙普利值（Shapley value）分析特征重要性；最后采用钛涂层实验（未包含在训练集中）验证模型泛化能力。

3.1. Importance of features in predicting parameters

通过皮尔逊相关性分析发现，涂层杨氏模量与靶材杨氏模量（E_T）呈现强正相关（r=0.78），而其他参数间未发现高度线性相关性，表明涂层性能受多因素非线性耦合影响。

3.2. Comparison of regression prediction models

高斯过程回归（GPR）在三项性能预测中均表现最优：厚度预测R²达0.85，硬度预测R²为0.82，杨氏模量预测R²最高达0.93。这表明GPR特别适合处理DOMS工艺中的复杂非线性关系。

3.3. Interpretation of explanatory variables

3.3.1. Evaluation of features affecting film thickness

沉积压力、沉积时间和靶材密度是影响厚度的最关键因素。沙普利值分析显示压力与厚度呈正相关，较高压力导致溅射粒子动能降低，形成多孔粗柱状结构使厚度增加。

3.3.2. Evaluation of features affecting hardness

沉积速率取代沉积时间后成为最重要特征，与硬度呈负相关。较低沉积速率允许更充分的表面原子重排，形成致密结构从而提高硬度。氮含量通过形成氮化物相显著提升硬度。

3.3.3. Evaluation of features affecting Young's modulus

靶材杨氏模量（E_T）是预测涂层杨氏模量的最重要因素，呈现显著正相关性。沉积速率和峰值功率（P_p）通过影响薄膜致密度间接调控杨氏模量。

3.4. Validation of predictive models with titanium film deposition

钛涂层验证实验表明：GPR模型对硬度（RMSE=1.96GPa）和杨氏模量（RMSE=15.2GPa）预测精度与训练集相当，但厚度预测存在偏差（RMSE=261.7nm），主要因训练集中薄膜数据不足所致。

研究结论表明，高斯过程回归（GPR）模型能有效预测DOMS模式HiPIMS涂层的多项力学性能，其中沉积压力是影响所有性能的关键通用参数。靶材本征性能（特别是杨氏模量）对涂层性能预测具有显著贡献，这一发现突破了传统仅关注工艺参数的研究局限。通过钛涂层的成功验证，证实了模型对新材料的泛化预测能力，为未知体系涂层的性能预测提供了可靠工具。

该研究的重要意义在于首次建立了DOMS模式HiPIMS涂层的机器学习预测框架，实现了从"经验试错"到"数字孪生"的范式转变。所开发的预测模型不仅适用于现有涂层体系，更能指导新型高性能涂层的理性设计，在航空航天发动机叶片防护涂层、生物医学植入体功能涂层等高端领域具有广阔应用前景。未来通过扩充数据集特别是薄膜样本，可进一步优化模型预测精度，推动表面工程领域的智能化发展。