《Journal of Materials Science & Technology》：Efficient design of high-performance heat-resistant cast aluminum alloys via interpretable machine learning and multi-objective optimization strategies
编辑推荐：
摘要室温下的机械性能、高温下的机械性能以及铸造性能是耐热铸铝合金的三大核心指标，然而要同时优化这些性能需要多种合金元素和热处理的精细协同作用。本文提出了一种可解释的机器学习策略，结合了特征选择、SHapley Additive exPlanation（SHAP）分析和多目标优化方
摘要
室温下的机械性能、高温下的机械性能以及铸造性能是耐热铸铝合金的三大核心指标，然而要同时优化这些性能需要多种合金元素和热处理的精细协同作用。本文提出了一种可解释的机器学习策略，结合了特征选择、SHapley Additive exPlanation（SHAP）分析和多目标优化方法来应对这一长期存在的挑战。在该框架的指导下，开发出一种耐热铸铝合金（Al-8.4Si-3.9Cu-0.4Mg-0.3Zr-0.2Mn-0.15Ti），其室温抗拉强度为476.2 MPa，伸长率为5.12%；在250°C时的抗拉强度为298.8 MPa，伸长率为6.76%。这种合金的室温强度与铸铝铜合金相当，铸造性能则与传统的铸铝硅合金相当，且在250°C下的机械性能超过了之前报道的所有铸铝硅合金，标志着铸铝合金在高温应用能力方面的显著进步。机制研究表明，Zr、Mn和Ti的共同添加促进了热稳定的Al15(Fe, Mn)3Si2、(Al, Si)3ZrTi和Al3Zr沉淀物的形成，这些沉淀物在高温下有效阻碍了位错的运动，从而提升了合金的高温性能。同时，Zr和Ti引起的晶粒细化，结合Mn对有害的富铁金属间化合物的抑制作用，减少了延展性的损失并降低了热裂纹的敏感性。所提出的机器学习方法在先进铸合金系统的多目标设计和优化中表现出强大的可行性和可靠性。
引言
由于铸铝合金具有低密度、优良的铸造性能、卓越的耐腐蚀性和经济性，它们在汽车和航空航天等行业中不可或缺[[1], [2], [3]]。目前耐热铸铝合金的发展主要集中在三个关键属性上：高室温强度、强大的高温机械性能和良好的铸造性能。然而，同时实现这些性能仍然具有挑战性，因为它们之间存在本质上的权衡[[4], [5], [6]]。当前商业合金系统就体现了这一挑战。基于Al-Si的铸合金虽然具有良好的铸造性能，但室温强度不足；而基于Al-Cu的铸合金虽然具有较高的室温强度，但其较高的热裂纹敏感性严重限制了其在复杂几何形状部件中的应用。尽管新型的铸铝硅铜镁合金（Al-Si-Cu-Mg）结合了两种合金的优点，但主要强化沉淀物（如β′、Q′和θ′）在高温下会严重粗化，从而限制了其在200°C以上环境中的可靠使用。
微合金化添加为提高铝合金的热稳定性和高温强度提供了可行的途径。例如，高等人[7]报告指出，Sc在θ′-Al?Cu/ α-Al界面处的偏聚改善了θ′沉淀物的热稳定性；卢等人[8]证明，在Al-Cu-Mg-Ag-Si-Sc合金中，多界面结构能够协同抑制θ′的粗化。尽管有这些优势，但由于Sc的成本较高，人们仍在寻找更经济的替代品[9]。Fe的添加可以提高Al-Si合金的热稳定性，但会形成针状的富铁金属间化合物，从而降低延展性和铸造性能[10]；同样地，Mn、Zr、Cr和Ce可以增强高温强度，但它们的添加窗口较窄，过量添加可能会损害其他机械性能[[11], [12], [13], [14], [15], [16], [17]]。然而，它们对铸造性能的影响尚未得到充分理解。重要的是，尽管微合金化不可避免地通过改变凝固路径、相形成和抗热裂纹能力来影响铸造性能，但其对铸造性能的影响目前接受的系统研究远远少于对其高温机械性能的影响。这一差距限制了具有平衡性能的耐热铸铝合金的合理设计。
另一个关键挑战在于铸造性能和机械性能之间的内在权衡。作为核心强化元素，Cu和Mg会形成纳米级的θ-Al2Cu和Q相沉淀物，以确保室温和高温下的强度，但它们也会扩大凝固温度范围并显著增加铸造过程中的热裂纹倾向。通过增加Cu含量来提高高温强度必然会降低铸造性能，这是制约此类合金工业应用的核心瓶颈[18]。总体而言，对多种性能平衡需求的不断增加以及多组分成分设计的复杂性日益提升，使得传统的试错方法已不足以快速开发合金。
近年来，数据驱动的机器学习（ML）作为一种强大的工具，能够揭示复杂的成分-性能关系并加速多目标优化[[19], [20], [21], [22]]。通过从精选的数据集中预测性能，ML大大减少了实验工作量[[23], [24], [25]]。然而，其在耐热铸铝合金中的应用主要集中在高温性能上。例如，郝等人[26]开发了一种预测Al-Si合金高温性能的系统；黄等人[27]设计了一种无需热处理的合金，在300°C时仍能保持170 MPa的强度；朱等人[28]制备了一种Al-13Si-5Cu-0.6Mg-(2Ni)合金，在250°C时能达到241 MPa的强度。然而，大多数关于Al-Si-Cu-Mg合金的研究仅关注在实验室条件下的机械性能优化，而忽视了铸造性能的限制。许多在实验室表现优异的合金成分无法满足传统的铸造工艺要求，这使得实现工业化生产变得困难。因此，在机器学习驱动的合金设计中，同时考虑室温性能、高温性能和铸造性能——这三种铸铝合金的核心性能——已成为一个亟待解决的关键问题。
本研究提出了一种可解释的机器学习策略，结合了特征选择、SHAP分析和多目标优化方法，以解决Al-Si-Cu-Mg铸合金在室温强度、高温性能和铸造性能同时优化方面的长期挑战。该策略首先通过特征选择来确定影响机械性能和热裂纹敏感性的关键物理化学参数；随后利用基于博弈论的SHAP分析量化各元素贡献的重要性，为有利于性能同时提升的合金元素提供了筛选标准。然后，使用改进的多目标优化算法设计了这种新型耐热铸铝合金。该合金在室温和250°C时均表现出优异的机械性能，并显著降低了热裂纹敏感性。实验验证证实了设计的有效性，并阐明了背后的协同机制。总体而言，这项工作不仅提供了一种高性能的耐热铸铝合金，还为先进材料的加速发现建立了一种稳健的数据驱动范式。
章节摘录
可解释的机器学习策略
本工作中提出的耐热铝合金的可解释机器学习设计策略如图1所示，包括五个步骤：数据准备、特征选择、基于SHAP分析的合金元素选择、多目标优化模型设计以及实验验证。首先，利用Pandat软件根据文献中的成分计算裂纹敏感性指数（CSI），相关计算公式如下
通过关键物理化学特征因子识别有益元素
三个数据集中的元素类型和含量分布如图S2(a-c)所示。补充材料1.5展示了66个物理化学特征的皮尔逊相关性结果。通过设置|r| < 0.8来筛选出相关性较低的物理化学特征（PFFs），进一步通过RFE确定了影响Q1、Q2和CSI的物理化学特征，分别为7个、5个和4个，如图2(a-c)所示。
KPFFs的内在机制
本节分析了影响Q1、Q2和CSI的10个KPFFs的内在机制。如表2所示，ARD、VEO和ME与Q1呈正相关。ARD表示原子半径差[40]；溶质原子与Al原子之间的较大原子半径差会导致更强的固溶强化和更高的室温强度，但同时降低延展性。Mg、Cu和Si等元素在强度和延展性之间表现出良好的协同作用。
结论
本文提出了一种高效且可解释的机器学习设计策略，用于高性能耐热铸铝合金的开发，该策略结合了特征筛选、SHAP分析和多目标优化。明确了影响室温综合性能、高温综合性能和热裂纹敏感性的合金元素的内在因素和明确规则。成功开发出了一种高性能的耐热铝合金。
CRediT作者贡献声明
彭玉宸：撰写——原始草案、可视化、方法论、研究、正式分析。冯家文：研究、正式分析。李国栋：研究、正式分析。卢元媛：验证、方法论。郑瑞晓：资源、正式分析。马朝阳：撰写——审核与编辑、监督、资源。肖文龙：撰写——审核与编辑、监督、资源、项目管理、概念化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了国家自然科学基金（编号92360303）和浙江省重点研发计划（编号2024SSYS0078）的支持。
彭玉宸|冯家文|李国栋|卢元媛|郑瑞晓|马朝阳|肖文龙
