冶金参数对双相钢磨损率及摩擦系数(COF)的影响——基于机器学习(ML)驱动方法的研究

《Results in Engineering》：Impact of Metallurgical Parameters on Wear Rate and COF of DP Steels Using ML-Driven Methods

　　

研究人员提出了一种数据驱动方法，结合销盘(pin-on-disk)干滑动磨损实验与机器学习(ML)以理解双相(Dual Phase, DP)钢的干滑动磨损行为，为材料设计提供实用见解。研究人员采用不同马氏体体积分数(Martensite Volume Fraction, MVF：55%、66%、79%)、纤维状马氏体形态及控制硬度水平的AISI 4340 DP钢试样，并汇总本实验与文献中含MVF、碳当量(Carbon Equivalent, Ceq)、硬度(Hardness, HV)、滑动速度、法向力、滑动距离及磨粒尺寸的超过320个数据点组成数据集；经对数(logarithmic)变换预处理后，采用皮尔逊(Pearson)相关系数与互信息(Mutual Information, MI)进行特征选择。研究人员训练了XGBoost、随机森林(Random Forest, RF)与支持向量机(Support Vector Machine, SVM)模型，其中XGBoost对磨损率预测表现最优(R2 = 0.987，RMSE = 7.3)，SVM对摩擦系数(Coefficient of Friction, COF)预测较优(R2 = 0.759，RMSE = 0.054)。通过分段线性回归(piecewise linear fitting)与PELT变点分析(PELT change-point analysis)等先进阈值检测技术，研究人员揭示了关键拐点：使磨损降至5.33×10?? mm3/Nm的最优Ceq范围为0.534–0.657；COF控制要求MVF低于23.3%；硬度阈值为280–340 HV；跑合(run-in)稳定化滑动距离里程碑为6700 m；滑动速度约0.6 m/s及法向力 > 88.9 N处存在非线性转变。多目标优化进一步识别出两种设计策略：摩擦导向设计(MVF > 60%，COF = 0.298–0.314)与磨损导向设计(MVF 44–55%，磨损率 = 0.7–1.5×10?? mm3/Nm)；综合性能平衡时推荐Ceq> 0.62、硬度 > 400 HV、磨粒尺寸 < 120 μm及速度低于0.5 m/s。上述发现阐明了微观组织—磨损间的非线性关系，并为耐磨DP钢设计建立了实用的数据驱动框架，超越纯预测而给出可操作的设计指南，助力工程师调控微观组织与工况参数以提升汽车及工业部件耐久性与性能。

论文解读：《Impact of Metallallurgical Parameters on Wear Rate and COF of DP Steels Using ML-Driven Methods》（发表于Results in Engineering）

研究背景与意义

摩擦学（Tribology）中磨损导致的构件失效是工业中能量损耗与材料浪费的重要来源。双相（Dual Phase, DP）钢由软铁素体基体与硬马氏体岛组成，兼具高强度与良好延展性，广泛用于汽车及重载机械，但其摩擦学行为——尤其是微观组织特征（马氏体体积分数MVF、形态、碳当量C_eq、硬度）与工况参数（滑动速度、法向力、滑动距离、磨粒尺寸）间非线性协同效应对磨损率（Wear Rate）与摩擦系数（Coefficient of Friction, COF）的影响——仍缺乏定量通用框架。现有文献多关注单一参数效应，且传统实验难以系统探索多维参数空间。本研究通过融合销盘干滑动磨损实验与机器学习（Machine Learning, ML）方法，建立可解释的预测模型并提取物理意义明确的临界阈值（threshold），为耐磨DP钢提供基于数据驱动的材料设计与工况优化指南。

主要关键技术方法

研究人员构建混合数据集（本实验制备的不同MVF之AISI 4340 DP钢销盘磨损数据 + 文献中多种成分DP钢干滑动磨损数据，共＞320样本点），输入特征含法向力(N)、滑动速度(m/s)、MVF(%)、维氏硬度(HV)、滑动距离(m)、C_eq、马氏体形态（纤维状Fibrous/中间晶团Intermediate Colonies/粗大晶团Coarse Colonies，数值编码）及磨粒尺寸(μm)，输出为磨损率(10?? mm3/Nm)与COF。数据预处理对目标变量做log(Y+ε)变换(ε=10??)并做IQR离群过滤；采用Pearson相关系数及归一化互信息（Mutual Information, MI）筛选特征；比较XGBoost、随机森林（Random Forest, RF）及带RBF核的支持向量回归（Support Vector Regression, SVR）三种监督算法，以5折交叉验证与RandomizedSearchCV调超参；用SHAP（SHapley Additive exPlanations）值解析特征重要性及交互作用；通过分段线性回归（Piecewise Linear Fitting, PWLF）与PELT（Pruned Exact Linear Time）变点检测算法识别连续特征临界阈值，分类特征用ANOVA与成对t检验；最后基于满意度函数（Desirability Function Approach）对XGBoost预测的磨损率与SVM预测的COF做双目标最小化优化，遍历10?组随机参数组合求Pareto前沿。

研究结果

3.1 Model Performance Evaluation（模型性能评估）

XGBoost预测磨损率取得R2 = 0.9870、RMSE = 7.3578×10?? mm3/Nm，SVM预测COF取得R2 = 0.7589、RMSE = 0.0541，RF表现居中。残差对称分布于零附近，说明两优选模型分别可有效捕捉磨损率与COF的非线性规律。

3.2 Feature Importance and Correlation Analysis（特征重要性与相关性分析）

置换重要性显示滑动距离对磨损率影响最大(1.6425)，法向力与C_eq对COF影响最大(分别为0.6475与0.4295)；MI得分中C_eq(MI=1.0)与硬度(MI=0.8745)对log(磨损率)信息量最高，硬度/法向力比(MI=1.0)与法向力(MI=0.7103)对log(COF)信息量最高。SHAP摘要图表明硬度与C_eq升高增加磨损率预测值的正SHAP值（反映抗塑性变形与抗穿透能力），法向力增大降低COF预测之SHAP值（反映接触剪应力增加）。Pearson线性相关较弱，证实非线性主导。

3.2.1 Feature Interaction Analysis（特征交互分析）

SHAP交互强度排序前三位为速度×距离(0.223)、硬度×距离(0.092)、MVF×距离(0.063)，表明滑动距离是调控磨损区制转换的核心，且多数交互呈负相关性，说明参数间存在补偿平衡效应，优化需考虑参数组合而非单因素。

3.3 Threshold Analysis（阈值分析）

通过分段拟合与PELT检测确认关键拐点：磨损率随法向力在36.32 N、57.37 N、88.95 N发生剧增（>350%跃升）；滑动速度≈0.61 m/s处磨损率骤降84%；滑动距离≈6671 m标志跑合结束进入稳态磨损（磨损率降88%）；马氏体形态由纤维状转中间晶团时磨损率剧增2545%；COF在MVF > 23.33%显著上升43.84%，法向力 > 88.95 N时COF上升约36%。所有阈值p < 0.001。

4.1 Effect of C_eq（碳当量影响）

敏感性分析显示C_eq在0.534–0.657区间磨损率最低(5.33×10?? mm3/Nm)，低于或高于此范围磨损率升高；COF随C_eq增大单调略降(0.584→0.490)。C_eq具最高MI值得分(1.0)，为最关键成分参数，该最优区间对应适宜淬透性与铁素体—马氏体应变分配最佳平衡。

4.2 Effect of MVF（马氏体体积分数影响）

磨损率在MVF 8–29%较稳(≈5.86)，30–42%略降(≈5.00)，72–78%有极小值，100%微升；COF随MVF增加近似线性升(0.463→0.513)。阈值MVF = 23.33%是COF显著增大起始点，建议摩擦敏感应用控制MVF < 23.3%，耐磨兼顾可取44–55%。

4.3 Effect of Martensite Morphology（马氏体形态影响）

纤维状(F)→中间晶团(IC)磨损率均值剧增2545%，IC→粗大晶团(CC)下降83.56%；COF依次为F(0.496)>IC(0.436)>CC(0.380)。纤维状形态配合高硬度与适中速度可获低磨损，粗大形态在高磨损工况有利。

4.4 Effect of Hardness（硬度影响）

磨损率于191–285 HV居高(14–16×10??)，285–340 HV骤降至稳定低值(5–9×10??)，>340 HV出现波动（最低≈3.17×10?? @502 HV）；COF随硬度升高持续缓降(0.647→0.450)。推荐硬度窗口285–340 HV获最小稳定磨损率且避过高硬度致脆。

4.5 Effect of Sliding Distance（滑动距离影响）

磨损率初值高，于≈6671 m、9337 m、13336 m三次陡降达稳态低值（降幅87–88%），对应跑合期结束与摩擦氧化层(tribolayer)形成；COF缓慢微升趋稳。说明需充分跑合方能获稳态摩擦学行为。

4.6 Effect of Force（法向力影响）

磨损率在<36 N缓变，36.3 N、57.4 N、88.9 N三处跃升，61–65 N附近有局部极小；COF随法向力增大单调降(0.618→0.376)。建议工况力控制在88.9 N以下延缓严重磨损发生。

4.7 Effect of Speed（滑动速度影响）

v < 0.6 m/s磨损率较低稳(0.54–1.57×10??)；v≈0.607 m/s处短暂峰值后于>1.0 m/s因摩擦热促氧化膜再降；COF随速度略升(0.436→0.517)。推荐低速(v < 0.5 m/s)获低磨损或中高速(0.8–1.0 m/s)获摩擦稳定性。

4.8 Effect of Abrasive Particle Size（磨粒尺寸影响）

磨损率于粒径<30 μm低稳(≈4.39×10??)，30–200 μm缓升至≈5.95×10??；COF随粒径增大微降(0.594→0.567)。粒径<120–150 μm可避免两体犁削(two-body plowing)剧增磨损。

4.11 Multi-Objective Optimization（多目标优化）

双目标（磨损率↓、COF↓）满意度分析得两类最优簇：摩擦导向(MVF > 60%，COF 0.298–0.314，磨损率略高)与磨损导向(MVF 44–55%，磨损率0.7–1.5×10?? mm3/Nm，COF略高)；综合高性能需C_eq> 0.62、硬度 > 400 HV、磨粒 < 120 μm、速度 < 0.5 m/s、法向力接近但不过度超出88.9 N上限。

讨论与结论翻译总结

研究表明XGBoost与SVM分别高精度预测DP钢磨损率(R2=0.987)与COF(R2=0.759)。单目标阈值含：最小磨损之C_eq为0.534–0.657；控COF需MVF < 23.3%；硬度过渡区285–340 HV；跑合完成距离≈6700 m；速度>0.8 m/s与力<88.9 N利于摩擦膜形成。多目标优化区分摩擦导向设计(MVF > 60%)与磨损导向设计(MVF 44–55%)，均衡性能推荐C_eq> 0.62、硬度 > 400 HV、磨粒 < 120 μm及速度 < 0.5 m/s。滑动距离与马氏体形态为关键主控因子，纤维状形态与充分滑动促稳定摩擦层。该工作不仅提供预测工具，更建立从ML阈值提取至可操作DP钢耐磨设计之数据驱动框架，对汽车及工业耐磨构件开发具直接工程指导价值。