利用机器学习模型预测7075铝合金流动应力的研究

《Frontiers in Materials》：Research on predicting flow stress of 7075 aluminum alloy using machine learning models

铝合金热变形流应力预测中决策树、随机森林、支持向量回归与XGBoost模型性能对比研究。通过300组热压缩实验数据训练，模型在MAE（0.03-0.07）、AARE（0.4%-1.2%）、R2（0.99-0.999）等指标上均达到99.9%精度，较传统Arrhenius模型提升4.5-8.5个百分点，且无需复杂参数调节。

　　7075铝合金因其优异的综合性能，如高比强度、良好的断裂韧性和抗腐蚀性，广泛应用于航空航天和汽车工业的结构件制造中。在高温变形过程中，流变应力的准确预测对于优化加工参数、提升材料性能和实现高质量制造具有重要意义。然而，传统的流变应力预测模型在精度上存在局限，而人工神经网络（ANN）虽然能捕捉复杂的非线性关系，但通常需要复杂的网络结构设计和大量的计算资源，这在实际应用中存在一定的挑战。因此，研究者们开始探索其他机器学习方法，以期在保证预测精度的同时，简化模型构建流程并提高计算效率。

本研究通过高温压缩实验，对7075铝合金的流变应力行为进行了系统分析，并使用四种机器学习模型（决策树、随机森林、支持向量机和XGBoost）进行预测。实验在TA DIL805D热模拟仪上进行，覆盖了573–733 K的温度范围和0.001–1.0 s?1的应变速率区间。通过对实验数据的分析，研究团队发现，流变应力的变化受到多种微观机制的影响，包括动态回复、动态再结晶、析出和溶解等。这些机制在不同变形条件下表现出不同的主导作用，使得流变应力与温度、应变速率之间呈现出复杂的非线性关系。

实验过程中，样品的直径为10 mm，高度为5.0 mm。实验分为多个阶段：加热阶段、保温阶段、压缩阶段和冷却阶段。加热速度为5 K/s，保温时间为5分钟，以确保样品达到目标温度并实现均匀的温度分布。压缩停止条件为真应变达到0.8，随后样品以50 K/s的速度迅速冷却至室温，以固定其微观结构。实验过程中，采用了高精度的测量系统来获取应力和应变数据，确保数据的准确性和可靠性。通过系统的数据提取，研究团队获得了300组实验数据点，覆盖了不同温度和应变速率的组合，从而为模型训练和验证提供了充分的数据支持。

为了评估模型的性能，研究团队采用了多种统计指标，包括平均绝对误差（MAE）、均方误差（MSE）、平均绝对相对误差（AARE）、相关系数（R）和决定系数（R2）。这些指标能够全面反映模型预测的准确性、稳定性以及与实验数据的拟合程度。其中，MAE衡量预测值与实际值之间的平均绝对偏差，数值越小表示模型性能越好；MSE则通过平方误差来放大异常值的影响，更适合分析误差分布；AARE用于评估预测值与实际值之间的相对误差水平，有助于理解数据的整体偏差情况；R值反映实验值与预测值之间的线性关系强度，而R2值则表示模型对数据的解释能力，越接近1说明模型拟合效果越好。

实验结果显示，这四种机器学习模型在预测精度上与之前报道的ANN模型相当，最高可达99.9%的准确度。相比之下，传统的SCAM模型（应变补偿的Arrhenius模型）的预测误差较大，AARE通常在4.5%至8.5%之间。而ANN模型在某些研究中已实现低于1%的AARE，显示出其在复杂非线性问题上的优势。然而，ANN模型的构建过程通常涉及大量的网络结构调优和计算资源投入，这限制了其在实际工程中的应用。因此，本研究选择使用DT、RF、SVR和XGBoost等模型，这些模型在预测精度上接近ANN，同时具备更简单的构建流程和更低的计算成本。

在模型构建过程中，研究团队采用了分层抽样方法，将数据集划分为训练集（70%）和测试集（30%），以确保每个温度-应变速率组合在训练和测试集中都有合理的分布。这种做法有助于提高模型在不同工况下的泛化能力。对于DT模型，最大树深度被设置为12，以确保模型能够有效捕捉数据中的关键特征。RF模型则由100棵决策树组成，每棵树的最大深度为9，通过集成多个模型的预测结果来提高鲁棒性和泛化能力。SVR模型采用了RBF核函数，核系数设为20，正则化参数设为10,000，以平衡模型的复杂性和泛化能力。XGBoost模型则由100个弱学习器组成，最大深度为9，但其在本研究中表现较差，主要原因是未进行充分的超参数调优，导致模型在小数据集上容易出现过拟合现象。

在对模型的预测性能进行评估时，研究团队发现，SVR模型在所有模型中表现最佳，其预测误差最小，相关性最强。相比之下，XGBoost模型的预测误差较大，残差分布范围较广，显示出较差的泛化能力。这表明，在某些情况下，即使XGBoost在处理复杂数据集时表现出色，但在小数据集或特定工况下，其性能可能不如其他模型。此外，DT和RF模型的预测误差相对较大，但仍然在可接受范围内，且其构建过程更加简单，适合实际应用中的快速部署。

从残差分析来看，不同模型的预测结果与实验数据之间的偏差呈现出不同的分布特征。例如，SCAM模型的残差约为±8 MPa，表明其在预测流变应力时存在较大的误差。而BP-ANN模型的残差控制在±1 MPa，显示出极高的准确性。DT和RF模型的残差约为±2 MPa，SVR模型的残差控制在±1 MPa，而XGBoost模型的残差则约为±4 MPa。这些结果表明，基于ANN和SVR的模型在预测精度上优于基于树的模型，特别是在处理连续和光滑的应力-应变关系时表现更优。这可能与这些模型能够更好地拟合非线性关系，以及在处理复杂数据时具备更强的泛化能力有关。

此外，研究团队还发现，流变应力与应变速率之间存在显著的正相关关系。在低应变速率条件下（如0.001和0.01 s?1），流变应力的峰值不明显，且在变形过程中保持相对稳定的状态。这表明，在较低的变形速率下，材料的加工硬化和动态软化过程达到平衡，使得其在塑性变形过程中能够维持较为稳定的应力水平。而在高应变速率条件下（如0.1和1.0 s?1），流变应力呈现出明显的峰值，随后逐渐下降并趋于稳定。这一现象表明，在快速变形初期，加工硬化占主导地位，随着变形的进行，动态软化机制开始发挥作用，如位错的湮灭和重排，从而导致应力的降低。

温度对流变应力的影响同样显著。随着变形温度的升高，流变应力水平逐渐降低。这是因为在高温条件下，材料的原子热运动加剧，位错更容易滑移和重组，从而降低材料的强度。同时，高温还降低了合金的临界剪切应力，使得滑移系更容易被激活，进一步促进了位错滑移和动态软化过程。这种温度对流变应力的影响在不同应变速率条件下可能会有所不同，表明流变应力与温度和应变速率之间存在复杂的非线性关系。

研究还指出，这些机器学习模型虽然在预测精度上表现良好，但它们主要捕捉的是输入特征（应变、应变速率和温度）与流变应力之间的统计相关性，而未能明确反映材料内部的物理机制。因此，尽管这些模型在数值预测上具有优势，但它们在科学解释性和理论基础方面仍存在不足。相比之下，基于物理原理的本构方程能够提供更深入的机制理解，有助于指导实际加工参数的优化和材料性能的提升。

本研究的结果表明，机器学习方法在流变应力预测中具有广阔的应用前景。特别是在高温变形过程中，流变应力的变化受到多种微观机制的共同作用，而传统的本构模型往往难以准确描述这些复杂的相互作用。因此，采用机器学习方法，如DT、RF、SVR和XGBoost，能够为流变应力预测提供更高效和准确的解决方案。尽管这些模型在科学解释性方面存在局限，但它们在工程实践中的应用价值不可忽视，特别是在需要快速预测和优化加工参数的场景中。

此外，研究团队还强调，模型的构建过程需要充分考虑数据的特性和应用场景。例如，在小数据集中，某些模型可能表现不佳，而另一些模型则可能具有更好的泛化能力。因此，在实际应用中，应根据具体需求选择合适的模型，并进行适当的超参数调优，以提高预测精度和模型的适应性。同时，随着数据量的增加和计算资源的提升，某些模型（如XGBoost）可能在更大规模的数据集上表现出更优的性能，这为未来的研究提供了方向。

总的来说，本研究为7075铝合金在高温变形过程中的流变应力预测提供了新的思路和方法。通过引入多种机器学习模型，研究团队不仅验证了这些模型在预测精度上的可行性，还探讨了其在实际应用中的优势和局限性。这些模型的构建过程相对简单，计算效率较高，适合用于实际生产中的快速预测和参数优化。然而，由于它们主要依赖统计相关性，缺乏对材料内部物理机制的深入理解，因此在科学解释性和理论指导方面仍有待提升。未来的研究可以进一步结合物理机制和机器学习方法，开发更加精准和可解释的模型，以实现对材料行为的全面理解和优化。