基于机器学习的多尺度成分-组织-性能映射方法实现高强度高韧性球墨铸铁的设计

《Materials & Design》：A machine learning-mediated composition-microstructure-property multiscale mapping approach for the design of high-strength and high-toughness ductile cast iron

　　

球墨铸铁作为一种重要的工程结构材料，凭借其优异的力学性能、良好的铸造性、出色的阻尼能力以及相对低廉的成本，已被广泛应用于汽车制造、风电设备、轨道交通、工程机械和管道运输等诸多领域。随着现代装备制造向轻量化、高可靠性、长寿命和绿色可持续方向持续发展，对球墨铸铁的力学性能提出了日益严苛的要求。特别是在高端结构件应用中，材料不仅需要具备高抗拉强度以满足承载需求，还需保持足够的塑性变形能力和服役性能，即实现高强度与高韧性的协同匹配。然而，在传统球墨铸铁体系中，强度与塑性通常呈现此消彼长的权衡关系：提高珠光体含量或添加合金强化元素虽可提升强度，但往往伴随塑性的显著下降。因此，如何突破强度-塑性权衡瓶颈，实现高强度高韧性球墨铸铁的高效设计与制备，已成为材料科学领域的关键研究课题。 球墨铸铁的力学性能主要受基体组织和石墨形态的调控。在基体组成中，珠光体凭借其高硬度与高强度成为提升抗拉强度的关键相，而铁素体则通过良好的塑性变形能力赋予材料优异的延伸率。在石墨形态方面，球化率直接影响石墨-基体界面处的应力集中程度，高球化率可有效延缓裂纹的萌生与扩展。此外，珠光体片层间距对强度也有一定影响。上述微观组织特征的调控最终依赖于合金成分的合理设计。研究表明，碳、硅等基础元素在石墨化过程中发挥重要作用，而铜、锰、镍、锡、钼、镁、铋等合金元素通过固溶强化及促进或抑制珠光体转变等方式，对珠光体含量、铁素体含量、球化率及珠光体片层间距产生显著而复杂的调控作用。然而，在多元素交互作用条件下，成分-组织-性能之间的定量关系极为复杂，呈现高度非线性特征，不同元素之间可能存在协同或拮抗效应。基于经验公式或线性统计的传统方法在处理此类高维、非线性、小样本问题时已逐渐显现明显局限。同时，依赖试错实验的传统合金开发路径周期长、成本高、效率低，难以在高维成分空间中系统探索最优组合。因此，亟需寻求新的技术路径以加速高强度高韧性球墨铸铁的研发。 近年来，随着材料基因组计划的推进与数据驱动科学的发展，机器学习已逐渐成为加速新材料发现的重要工具。在材料科学领域，梯度提升回归树（GBRT）和随机森林（RF）等集成学习模型凭借强大的非线性映射能力和良好的泛化性能，在合金设计、工艺优化和性能预测等方面展现出广阔的应用前景。其中，GBRT通过迭代拟合前序模型的残差，能够有效捕捉合金元素与微观组织参数之间的复杂交互作用，在挖掘非线性规律方面表现尤为突出；RF基于Bagging集成框架，通过并行训练多棵决策树并借助投票或平均机制抑制模型方差，在小样本条件下表现出良好的抗过拟合能力。此外，SHAP等模型可解释性方法能够定量评估各输入特征对预测输出的贡献方向、大小及分布特征，为揭示内在物理冶金机制和指导后续实验设计提供了理论依据。然而，现有研究大多集中于从成分到性能的正向预测范式，即建立单向的"成分→组织→性能"映射关系。尽管该范式能够对未知样品的力学性能进行预估，但在直接应对逆向设计问题时面临困难：当工程应用对强度和塑性目标提出明确要求时，如何快速准确地反推实现这些目标性能所需的微观组织特征和具体合金成分，仍是一个具有挑战性的活跃研究课题。因此，构建完整的"性能→组织→成分"逆向设计技术链，是突破高强度高韧性球墨铸铁研发效率瓶颈、实现按需材料设计的关键。 在此背景下，本研究提出一种基于机器学习的球墨铸铁逆向设计框架。以实验数据为驱动，该框架首先通过系统的数据预处理流程确保数据质量，随后建立从合金成分到微观组织参数以及从微观组织参数到力学性能的正向预测模型，旨在揭示并量化成分、组织与性能之间的定量映射关系。在此基础上，进一步构建两阶段逆向预测框架：第一阶段以力学性能为输入、输出微观组织参数，第二阶段以微观组织参数为输入、输出合金成分，从而形成完整的"力学性能→微观组织→合金成分"逆向设计技术链。通过正向建模与逆向设计相结合的整体策略，本研究旨在为高强度高韧性球墨铸铁的高效精准开发提供数据驱动的解决方案。

基于机器学习的球墨铸铁成分-组织-性能多尺度映射与逆向设计研究解读

一、研究背景与问题提出

球墨铸铁作为一种重要的工程结构材料，凭借优异的力学性能、良好的铸造性、出色的阻尼能力及相对低廉的成本，在汽车制造、风电设备、轨道交通、工程机械和管道运输等领域获得广泛应用。随着现代装备制造向轻量化、高可靠性、长寿命和绿色可持续方向发展，对球墨铸铁的力学性能提出了更高要求，特别是在高端结构件应用中，材料需要同时具备高抗拉强度（UTS）以满足承载需求，并保持足够的塑性变形能力，即实现高强度与高韧性的协同匹配。然而，传统球墨铸铁体系中强度与塑性通常呈现权衡关系：提高珠光体含量或添加合金强化元素虽可提升强度，但往往伴随塑性显著下降。球墨铸铁的力学性能主要受基体组织（珠光体、铁素体）和石墨形态（球化率）的调控，而这些微观组织特征最终依赖于合金成分的合理设计。在多元素交互作用条件下，成分-组织-性能之间的定量关系极为复杂，呈现高度非线性特征。传统基于经验公式或线性统计的方法在处理高维、非线性、小样本问题时已显现明显局限，而依赖试错实验的传统合金开发路径周期长、成本高、效率低。因此，亟需构建从目标性能逆向推导合金成分的完整设计框架，以突破高强度高韧性球墨铸铁研发的效率瓶颈。

二、研究内容与结论

研究人员提出了一种基于机器学习的球墨铸铁逆向设计框架，旨在打破强度-塑性权衡瓶颈。该框架以336组来自球墨铸铁制造企业系统生产记录的实验数据为基础，涵盖合金成分、微观组织特征和力学性能三大类信息。通过数据预处理、正向建模、逆向建模和合金设计实验验证四个步骤，建立了完整的"力学性能→微观组织→合金成分"逆向设计技术链。研究结果表明，所构建的GBRT-RF集成逆向模型对UTS和延伸率（EL）的预测误差均控制在5%以内，展现出高可靠性。通过帕累托多目标优化筛选出三种新型球墨铸铁合金，其中最优样品达到970 MPa的UTS和5.1%的EL，显著突破了传统球墨铸铁的强度-塑性权衡限制。研究还系统揭示了超细晶粒、强<111>织构及Mo₂C-Mn₇C₃-Fe₃C三元复合碳化物网络的协同强化机制，为高强度高韧性球墨铸铁的合金设计提供了理论依据。

三、关键技术方法

研究人员采用的主要技术方法包括：第一，数据预处理流程，采用四分位距（IQR）方法识别并剔除异常值，利用K近邻（KNN）插补方法填补缺失值，确保数据质量；第二，正向建模，构建梯度提升回归树（GBRT）模型，分别建立合金成分→微观组织参数和微观组织参数→力学性能的映射关系；第三，逆向建模，采用GBRT与随机森林（RF）集成建模策略，构建两阶段逆向预测模型，实现从力学性能到微观组织参数再到合金成分的反向推断；第四，帕累托多目标优化与实验验证，在UTS-EL空间进行网格采样，通过非支配排序识别帕累托前沿解集，筛选候选合金成分并进行实验验证。样本数据来源于球墨铸铁制造企业的系统生产记录，共336组实验数据，经预处理后保留334组有效样本。

四、研究结果

3.1 数据预处理结果：通过IQR方法检测并剔除两组异常数据样本，有效样本量从336组减少至334组。进一步检查发现，324组为无缺失值的完整样本，其余样本中共存在24个缺失值，其中合金成分部分13个、微观组织部分8个、力学性能部分3个。

3.2 正向建模结果：研究人员通过皮尔逊相关性热图分析了各变量间的线性相关关系，揭示了合金元素与微观组织参数之间、微观组织参数与力学性能之间的相关性结构。基于GBRT模型的正向预测结果显示，模型能够有效捕捉合金元素与微观组织参数之间的非线性映射关系，以及微观组织参数对力学性能的定量影响规律，为逆向建模奠定了坚实基础。

3.3 逆向建模结果：两阶段逆向预测模型采用GBRT与RF集成策略，第一阶段以UTS和EL为输入预测四种微观组织参数（球化率、珠光体含量、铁素体含量、珠光体片层间距），第二阶段以微观组织参数为输入预测十种合金元素含量。模型评估结果显示，GBRT-RF集成逆向模型对UTS和EL的预测误差均控制在5%以内，表明该逆向设计框架具有高可靠性和良好的泛化能力。

3.4 新成分设计与实验验证结果：基于建立的两阶段逆向预测模型，研究人员采用帕累托多目标优化方法在UTS-EL空间进行网格采样，通过非支配排序识别帕累托前沿解集，筛选出三种新型球墨铸铁合金成分。实验验证中，铸件经900℃保温3小时的常化处理后加工成板状拉伸试样进行力学测试。结果显示，最优样品的UTS达到970 MPa，EL达到5.1%，验证了逆向设计框架的有效性。

五、讨论与结论

研究人员通过微观组织表征和机理分析，系统揭示了所设计合金的协同强化机制。超细晶粒通过晶界强化提升强度，强<111>织构有利于塑性变形协调，Mo₂C-Mn₇C₃-Fe₃C三元复合碳化物网络通过第二相强化和载荷传递机制进一步增强材料强度，三者协同作用实现了高强度与高韧性的同步提升。该研究提出的机器学习介导的两阶段多尺度逆向设计框架，成功打破了球墨铸铁的强度-塑性权衡瓶颈，为高强度高韧性球墨铸铁的高效精准开发提供了数据驱动的解决方案，同时也为其他结构材料的逆向设计提供了可借鉴的技术范式。