将机器学习与微观结构分析相结合，用于设计高性能陶瓷增强涂层

《Materials Characterization》：Integrating machine learning and microstructure analysis for the design of high-performance ceramic-reinforced cladding layers

等离子体熔覆陶瓷增强金属基涂层磨损性能预测与优化研究。通过建立随机森林（RF）、支持向量回归（SVR）、梯度提升（GB）和决策树（DT）四类非线性回归模型，结合实验数据验证，发现RF模型R2达0.84，可有效预测涂层磨损性能。实验表明Cr?C?-NbC/Fe多相协同效应显著优于单一陶瓷相，纳米级M??C?硬质相与α-Fe软基体形成的多尺度强化机制是耐磨性提升的关键，其中蜂窝状M??C?结构有效抑制α-Fe过度磨损，而纳米析出物进一步强化基体

　　陶瓷增强金属基熔覆堆焊钢表面的制备是提高盾构机刀盘耐磨性能的有效方法。然而，设计高性能的金属-陶瓷粉末面临诸多挑战，因其成分复杂，通常需要大量的实验工作。为了解决这一问题，本研究利用实验数据，通过机器学习预测陶瓷增强铁基等离子熔覆堆焊层的耐磨性能，以支持高性能金属-陶瓷粉末的设计。首先，建立了四种非线性回归模型。经过优化和比较后，选择了最优模型用于预测堆焊层的耐磨性能。随后，通过实验验证了预测模型的可靠性。最后，对模型进行解释，对堆焊层的微观结构进行分析，并进行热力学计算，以阐明粉末成分、微观结构与堆焊层性能之间的关系。研究结果表明，随机森林模型（RF）在优化后具有最佳的预测精度，其决定系数（R2）达到0.84。该模型能够有效预测堆焊层耐磨性能的变化趋势。基于预测结果，设计了一种金属-陶瓷粉末，并用于制备具有优异耐磨性能的等离子熔覆堆焊层。粉末成分之间的相互作用显著影响堆焊层的微观结构，从而影响其耐磨性能。特别是某些组合效应，如Cr?C?与NbC的耦合、Fe60与NbC的耦合，对耐磨性能的影响比单一成分更为显著。优化后的堆焊层优异的耐磨性能归因于多尺度增强机制。微米级的M?C?碳化物与基体良好结合，其细长的形态和高硬度有助于提升耐磨性能。堆焊层的基体由共晶结构组成，包含微米级的M??C?硬相和亚微米级的韧性α-Fe相。蜂窝状结构有助于防止α-Fe过度磨损以及M??C?的脱落，这对提升整体耐磨性能至关重要。纳米级析出物进一步增强α-Fe相，从而进一步提高熔覆堆焊的耐磨性能。

刀盘作为盾构机的核心部件，需要具备良好的耐磨性能和抗冲击韧性。目前，刀盘通常采用42CrMo或H13等钢材制造，这些材料在韧性与耐磨性能方面表现良好。然而，在典型的工作条件下，刀盘仍倾向于因过度磨损而失效，这表明其耐磨性能仍有待提升。在显著增强这些常用材料的耐磨性能的同时保持足够的韧性是一项挑战。因此，近年来研究人员开始探索表面熔覆技术，如等离子熔覆和激光熔覆，以强化刀盘表面。这种方法涉及在韧性基体上熔覆陶瓷增强金属基复合涂层，从而形成“硬外层、韧内层”的刀盘结构。大多数用于此类应用的熔覆材料是金属-陶瓷复合粉末，通常由金属和陶瓷粉末组成。常用的基体金属包括铁基、镍基和钴基粉末，而陶瓷粉末则通常由碳化物如Cr?C?、WC、TiC、SiC等构成。大量研究表明，使用多种陶瓷增强相相比单一增强相在熔覆堆焊层中提供更优的增强效果。这种提升主要归因于陶瓷相在熔覆堆焊过程中发生分解和再析出，促进形成多种类型的增强相，包括不同的形态和尺寸。这种多尺度增强机制使复合材料在保持良好韧性的同时，实现更高的强度。

陶瓷相的种类繁多，且在熔覆过程中与彼此及基体金属粉末之间存在复杂的相互作用，使得通过实验确定陶瓷增强相的最佳类型和含量变得极为困难。近年来，由于机器学习在多参数性能预测方面具有显著优势，其在新材料开发中的应用日益增加。机器学习为快速建立粉末成分与熔覆堆焊层耐磨性能之间的关系提供了新的途径。常见的机器学习方法包括神经网络模型（如高斯混合回归模型（GMR））、线性回归模型（如多元线性回归模型（MLR））和非线性回归模型（如决策树模型（DT）、随机森林模型（RF）和支持向量回归模型（SVR））。神经网络模型能够通过模拟人脑的连接方式，映射复杂的非线性关系。然而，要实现高预测精度，通常需要大量数据集。线性回归模型通过建立变量之间的线性关系来预测结果，但该模型要求输入和输出之间存在线性相关性。由于陶瓷增强相与熔覆堆焊层性能之间的关系通常是非线性的，因此在数据样本有限的情况下，非线性回归模型更为适用。

在本研究中，将不同种类和含量的增强相粉末（如NbC、Cr?C?、WC、B?C）添加到铁基粉末中，利用等离子熔覆设备制备相应的熔覆层。随后，通过系统测试样本的耐磨性能，建立了一组数据集。使用了四种非线性回归模型，包括决策树模型（DT）、随机森林模型（RF）、支持向量回归模型（SVR）和梯度提升模型（GB）。通过预测性能评估，确定了预测精度最高的模型。为了进一步解释模型，采用SHAP（Shapley Additive Explanations）方法分析不同因素对熔覆堆焊层耐磨性能的影响。预测模型的可靠性通过实验进行了验证。此外，通过相图计算和微观结构表征，研究了微观结构与耐磨性能之间的关系。研究结果为快速开发新型金属-陶瓷熔覆粉末提供了理论和实验依据。本研究在推动等离子熔覆技术在盾构机耐磨部件制造和再制造中的应用方面具有重要意义。

本研究中，共有十五个样本用于训练机器学习模型。这些样本通过制备不同成分的熔覆粉末，并在等离子熔覆后测试其耐磨性能获得。相关数据如表1所示。铁基粉末的成分列于表2中。所有样本均采用相同的等离子熔覆参数进行处理，具体参数如表3所示。熔覆层的厚度约为4毫米。通过这些样本，可以更全面地了解粉末成分与熔覆层性能之间的关系。模型的预测性能评估采用均方根误差（RMSE）和决定系数（R2）进行，如图2（a）所示。在四种非线性回归模型中，随机森林模型（RF）表现出最佳的预测性能。优化后的RF模型能够更准确地预测熔覆层的耐磨性能变化趋势，从而为高性能熔覆粉末的设计提供支持。

在熔覆过程中，增强相粉末的成分相互作用会改变熔覆层的微观结构，进而影响其耐磨性能。特别是某些组合效应，如Cr?C?与NbC的耦合、Fe60与NbC的耦合，对耐磨性能的影响比单一成分更为显著。这种组合效应可能通过改变微观结构的分布和形成方式，进一步增强熔覆层的综合性能。例如，某些增强相可能在熔覆过程中形成更稳定的界面结构，或者与其他成分相互作用产生新的强化相。这种多尺度增强机制不仅提高了熔覆层的强度，还确保了其良好的韧性。研究还发现，纳米级析出物对α-Fe相的增强作用显著，这有助于进一步提升熔覆层的耐磨性能。通过微观结构表征和热力学计算，可以更深入地理解粉末成分如何影响熔覆层的形成和性能。这些结果为未来在金属-陶瓷复合材料领域的研究提供了重要的参考价值。