物理信息机器学习预测Al2O3–TiB2复合材料相组成与密度的研究：基于Al–TiO2–B2O3–H3BO3反应体系的激光点火合成

《Advanced Intelligent Systems》：Physics-Informed Machine Learning for Predicting Phases and Density of Al2O3–TiB2 Composites Synthesized via Laser Ignition From the Al–TiO2–B2O3–H3BO3 Reactive System

　　

在多组分、高放热反应体系中预测相变仍是一项挑战。化学计量比和加工参数的变化会影响原位制造复合材料的相纯度和密度。本研究提出了一种新颖的物理信息机器学习（PIML）模型，用于预测通过炉内自蔓延高温合成（SHS）和激光点火化学合成（LIChemS）从Al–TiO2–B2O3–H3BO3反应体系合成的Al2O3–TiB2复合材料的成分和体积密度。该PIML模型整合了跨多输出质量分数模型（模型1——V1、V2、V3）、体积密度模型（模型2）和成分-拓扑解释模型（模型3）的物理规则。模型1（V1、V2）的留出测试R2达到0.994，而无约束的V3产生了非物理解，包括负质量分数。LIChemS复合材料得到mAl2O3 = 0.69和mTiB2 = 0.22（纯度 = 0.91），模型偏差为3 wt%。模型2的测试R2 = 0.927，机器学习和实验密度分别为3.68和3.71 g/cc。帕累托优化确定了点火阈值附近的最佳加工窗口，目标为纯度 > 0.85和体积密度 > 3.5 g/cc。三元和四面体映射表明，LIChemS生成了Al2O3–TiB2产物。所开发的PIML模型为工业环境中优化反应体系输出提供了一种省时且节省材料的方法。

研究背景与问题

自蔓延高温合成（SHS）是一种高放热、节能的反应技术，能够原位合成超硬陶瓷复合材料如Al₂O₃–TiB₂。然而，在Al–TiO₂–B₂O₃–H₃BO₃反应体系中，反应物的处理方式和点火参数会直接影响陶瓷复合材料的相变和体积密度。B₂O₃易吸收大气水分转化为H₃BO₃，而H₃BO₃分解后仅有56 wt%转化为B₂O₃，这会破坏B₂O₃的化学计量比。快速脱气会在复合材料中引入孔隙。任何偏离优化加工条件的操作都可能导致副产物相的形成，如Ti–O或Al–B–O。传统的实验试错法耗时、资源密集且易出错，限制了工业规模下的优化效率。常规建模无法考察非平衡相互作用，如LIChemS过程中发生的情况。CALPHAD方法虽可模拟理想条件下的热力学性质和相稳定性，但无法考虑快速加热和SHS过程中的相变。动力学和SHS特定模型虽能描述反应前沿传播的物理化学过程，但需要大量校准，且未将反应物脱水分解、球磨、炉内或激光诱导SHS以及点火阈值纳入单一框架。数据驱动的机器学习虽然强大，但在应用于Al–TiO₂–B₂O₃反应体系时可能产生物理上不允许的输出，如负质量分数和质量不平衡。因此，研究人员开发了一种新型交互式物理信息机器学习（PIML）模型，用于预测从该反应体系通过炉内SHS或LIChemS合成的Al₂O₃–TiB₂复合材料的相纯度和体积密度。

研究内容与结论

研究人员利用包含3800个成分-加工通道的数据集，结合物理约束，开发了一个由三个独立组件组成的PIML模型。该模型实现了对多组分反应体系输出的高精度预测，并通过帕累托分析确定了最佳加工窗口。研究表明，PIML模型能够有效替代传统实验试错法，为工业环境中的反应体系设计和优化提供了省时且节省材料的新途径。

关键技术方法

研究人员采用的主要关键技术方法包括：1）物理信息特征工程，整合了H₃BO₃脱水动力学、有效B₂O₃计算、温度区间指示器、炉内和激光点火阈值指示器、化学计量描述符、产物描述符以及点火依赖的副产物偏向性等物理规则；2）多输出随机森林和梯度提升回归器用于质量分数预测（模型1），并对比了有无物理约束的三个版本（V1、V2、V3）；3）单输出随机森林回归器用于体积密度预测（模型2），并结合混合法则（RoM）基线密度和致密化因子进行校正；4）成分-拓扑解释模型（模型3）用于可视化反应路径和产物空间分布；5）多目标帕累托优化，用于同时优化相纯度和体积密度。

研究结果

3.1 留出精度、五折交叉验证和学习曲线

模型1——V1（随机森林）的留出测试R²为0.994，平均绝对误差（MAE）为±0.0035；五折交叉验证R²为0.989 ± 0.002，证明泛化稳定。V2的留出测试R²略降至0.993。无物理约束的V3虽也有0.993的留出精度，但频繁产生非物理解，包括负质量分数和总和不为1的成分。模型2的体积密度留出测试R²为0.927，MAE为0.1188 g/cc，均方根误差（RMSE）为0.1382 g/cc。学习曲线分析显示，V1早期验证性能较差，随数据集增大才收敛至0.483；V2表现出更快的验证收敛，R²超过0.98；V3验证R²仅为0.209。

3.2 特征重要性与物理可解释性

基于排列的特征重要性分析表明，点火时的激光强度（W/mm²）是实现高纯度产物的主导驱动力，其影响比其他所有加工变量高出一个数量级以上。排除该参数后，激光烧结时间（min）和激光烧结强度（W/mm²）成为主要贡献因素。对于体积密度，球磨和点火时的激光强度是最重要的影响因素。

3.3 相分数图谱

V1和V2的相分数图谱显示了与点火阈值对齐的从反应物到产物的急剧转变。最高纯度复合材料（Al₂O₃ 0.79 wt%–TiB₂ 0.21 wt%）预测出现在500–600°C的 pellet 烧结温度后经0.94 W/mm²激光点火条件下。V3的图谱则显示产物在远低于点火阈值的条件下形成。模型2的图谱表明，高于450°C的炉内烧结和175–375 MPa的冷压有助于提高体积密度。

3.4 案例研究：物理信息ML模型与纯ML模型

在化学计量点火条件下，V1和V2预测产物纯度为0.997，无未反应相，副产物质量分数低于0.003。V3则预测了负质量分数和违反质量守恒的输出。在非点火条件下，V1和V2正确预测了无Al₂O₃和TiB₂形成，而V3错误地预测了产物形成。体积密度预测方面，在化学计量点火下，ML密度为3.84 g/cc，混合法则（RoM）基线为4.14 g/cc，混合密度为3.86 g/cc。

3.5 案例研究：物理信息ML模型与实验数据

与实验合成的LIChemS复合材料相比，V1预测纯度为0.9316，V2为0.9471，两者均略微高估了产物纯度，偏差约4%。模型2预测的体积密度为3.68 g/cc，与实验值3.71 g/cc接近。RoM密度为4.01 g/cc，高于实验值，归因于模型假设了理想堆积和无孔隙。

3.6 帕累托分析

V1和V2均识别出3个帕累托最优解，位于狭窄的加工窗口内：pellet烧结温度501–586°C、激光强度0.97–1.14 W/mm²、压实压力110–452 MPa、炉内烧结时间0.86–2.24 h、粉末干燥温度300–374°C。所有最优解均高于硼酸分解温度阈值，并聚集在激光点火阈值（~0.94 W/mm²）附近。V3则产生了5个结构较不清晰的帕累托最优解，且未能像V1和V2那样区分物理可行与不可行的输出。

3.7 成分拓扑与产物空间映射

频率加权相优势图显示，主导预测相为Al₂O₃（n=1672）和TiB₂（n=986），分别聚集在富氧和富钛区域。Ti–B–Al三元投影表明，SHS产物集中在受约束的域内，而非任意的Ti–B–Al组合。化学计量-拓扑四面体图展示了不同温度区间内的反应路径演变，从低温区的氧富集反应到点火后的Al₂O₃–TiB₂复合材料形成，再到高温区的二次铝硼酸盐相生成。

讨论与结论

本研究开发的新型PIML模型通过将热化学约束集成到机器学习中，成功预测了从Al–TiO₂–B₂O₃–H₃BO₃体系原位合成的Al₂O₃–TiB₂复合材料的质量分数和体积密度。与纯统计方法不同，PIML以高精度预测了点火控制的相变，为反应扩散或CALPHAD方法提供了一种计算高效的替代方案。研究结果与Daskalakis等人的实验发现一致，证实了SHS是一个阈值驱动过程。PIML模型通过三种独立方式（热力图、特征重要性分析和帕累托分析）再现了这一行为。相比之下，无约束的V3模型尽管取得了相似的数值精度，但由于缺乏物理约束，产生了化学无效的预测。PIML模型预测与LIChemS条件下的实验数据吻合良好，成分偏差3-4%，密度预测值与实验值接近。帕累托优化确定的窄加工窗口与LIChemS优化参数一致。成分拓扑和产物空间映射表明，SHS产物分布在受约束的域内，而非任意组合。本研究的PIML模型能够在无需大量实验试错的情况下实现准确的预测输出，为工业环境中优化多组分反应体系提供了有力工具。