基于可解释机器学习与NSGA-Ⅲ优化的AZ31镁合金轧制微观结构预测及强韧化机制研究

本研究针对AZ31镁合金轧制过程中工艺参数与微观结构非线性关系的难题，融合可解释机器学习(SHAP)与多目标优化算法(NSGA-Ⅲ)，建立了轧制温度、应变速率和压下率与平均晶粒尺寸(AGS)和孪晶密度(TD)的预测模型。通过强化机制指导优化，获得工艺参数窗口(398-409°C, 3.2-7.2 s-1, 72-76%)，实验验证强度达273MPa、延伸率20%，为高性能镁合金制备提供新范式。

　　

镁合金作为21世纪最具潜力的绿色工程材料，以其轻量化、高比强度和比刚度等优异特性，在汽车制造、航空航天等领域展现出广阔应用前景。然而，其较差的强塑性平衡和低成形效率严重制约了产业化应用进程。单道次高应变速率轧制技术虽能显著提升成形效率，但剧烈变形会导致多尺度异质微观结构的形成，包括细/超细动态再结晶晶粒与变形粗晶的共存，使得工艺参数与微观结构-性能响应呈现高度非线性关系，这对传统物理模型或经验模型提出了巨大挑战。

为突破这一瓶颈，研究人员在《Journal of Materials Research and Technology》发表了一项创新性研究，通过融合可解释机器学习、多目标遗传算法和强韧化机制，建立了轧制工艺参数与微观结构参数的智能预测模型，为快速优化轧制工艺提供了可靠方法。

本研究主要采用四大关键技术方法：1) 基于32组原始数据集和61组扩展数据集的机器学习建模，采用留一交叉验证(LOOCV)优化超参数；2) 运用支持向量回归(SVR)、随机森林(RF)、BP-改进粒子群优化(BP-IPSO)和K近邻(KNN)四种算法构建预测模型；3) 结合皮尔逊相关系数(PCC)和SHAP可解释性分析揭示参数间非线性关系；4) 采用NSGA-Ⅲ多目标优化算法结合强韧化机制进行工艺参数逆向优化。

3.1. AGS预测

通过比较四种机器学习模型发现，SVR模型在预测平均晶粒尺寸(AGS)方面表现最优，训练集决定系数达0.8767，测试集为0.8146，平均绝对误差仅0.97μm。这表明SVR能有效捕捉工艺参数与晶粒尺寸间的复杂非线性关系。

3.2. TD预测

对于孪晶密度(TD)预测，KNN模型在扩展数据集上展现最高精度(MAE=1.33)，但考虑到NSGA-Ⅲ优化需要连续梯度信息，最终选择精度次之的SVR模型进行多目标优化集成。

3.3. 相关性分析

3.3.1. PCC分析

热力图显示应变速率与AGS呈中等正相关(0.65)，温度与AGS呈负相关(-0.32)；应变速率和压下率与TD均呈负相关关系(-0.54和-0.47)。

3.3.2. SHAP分析

SHAP值分析表明应变速率是对AGS和TD影响最显著的因素。高应变速率促进位错增殖，抑制动态再结晶，导致晶粒粗化(正相关)；同时通过变形温升促进非基面滑移，抑制孪生形成(负相关)。

3.4. 多目标优化

3.4.1. 强韧化机制分析

根据Hall-Petch关系，晶粒细化(低AGS)提升强度但可能降低塑性；孪晶边界(TD)既能强化又改善塑性，通过协调变形提供额外滑移系。

3.4.2. 目标函数设置

以最大化强度和延伸率为目标，将多目标优化问题转化为通过NSGA-Ⅲ寻找AGS和TD的帕累托最优解，决策变量为温度(300-460°C)、应变速率(1.5-7.8 s^-1)和压下率(50-80%)。

3.4.3. 优化结果分析

获得12个满足强塑性协同的帕累托最优解，确定最优工艺窗口：温度398-409°C，应变速率3.2-7.2 s^-1，压下率72-76%。验证实验(405°C, 4.5 s^-1, 75%)获得抗拉强度273±5MPa，延伸率20±2%，AGS为8.34μm，TD为7.4%，与预测高度吻合。

该研究通过机器学习与多目标优化的深度融合，成功破解了镁合金轧制工艺参数优化的传统难题。所建立的SVR-NSGAⅢ模型不仅能准确预测微观结构演变，更重要的是提供了可解释的物理机制洞察——应变速率作为主导因素的双重作用机制。研究确定的工艺参数窗口为工业生产提供了明确指导，避免了传统试错法的高成本盲区。这项研究不仅推动了镁合金加工技术的智能化转型，更为其他金属材料的多目标工艺优化提供了可推广的范式，对促进轻量化材料在高端装备制造领域的应用具有重要实践意义。