基于机器学习的合金成分优化技术：提升Al-Mg-Si-Zr-Er合金的强度与延展性

《Journal of Alloys and Compounds》：Machine Learning-Driven Composition Optimization for High Strength and Ductility in Al-Mg-Si-Zr-Er Alloys

Al-Mg-Si合金通过机器学习与实验验证协同设计，开发出高强度高韧性新型合金。随机森林回归模型（R2>0.8）成功预测抗拉强度（404.3±20.2MPa）、屈服强度（339.1±16.9MPa）和延伸率（11.9±0.6%），其性能显著优于传统6xxx系列铝合金。微观结构分析揭示多机制协同强化：纳米β'、Q相及Al3(Zr,Er)析出相分别贡献沉淀强化、晶界钉扎及析散强化，同时发现独特的“晶格状Mg2Si相”包覆结构。

　　

王腾飞|李少红|袁杰|李俊|周烈星|李俊万|布恒勇|齐华荣|李梦妮

中国云南省昆明市昆明科技大学材料科学与工程学院

摘要

本研究通过整合机器学习（ML）和实验验证，开发出一种具有优异综合力学性能的新型高强度Al-Mg-Si（A2）合金。通过系统收集和预处理Al-Mg-Si合金系统的成分-工艺-性能数据，构建了一个随机森林回归（RFR）模型。该模型对极限抗拉强度（UTS）、屈服强度（YS）和伸长率（EL）的预测决定系数（R2）均超过了0.8。基于模型预测，设计并制备了一种微合金化（Zr, Er）的A2合金。实验结果表明，经过T6峰值时效处理后，该A2合金的UTS、YS和EL分别为404.3±20.2 MPa、339.1±16.9 MPa和11.9±0.6%。其强度显著优于传统的6xxx系列铝合金，同时保持了优异的延展性。微观结构分析表明，强化机制源于多种因素的协同作用：机器学习指导的成分设计有效抑制了有害粗相的形成；纳米级的β?和Q相提供了显著的沉淀强化作用；Al?(Zr,Er)等分散相促进了分散强化和晶界钉扎。此外，微观结构分析还发现了一种“类晶格的Mg?Si相，其中心富含Er，外层富含Cu”的结构，进一步优化了合金的性能。本研究成功展示了数据驱动策略在加速高性能铝合金开发方面的有效性和巨大潜力。

引言

Al-Mg-Si合金是一类重要的轻质结构材料[1]。由于其优异的成形性、耐腐蚀性和可焊性，以及较低的原材料成本，它们被广泛应用于汽车、船舶和建筑结构等对重量、耐腐蚀性和制造工艺有严格要求的行业。这些合金已成为一种平衡性能和经济的理想轻质结构材料[1]、[2]、[3]、[4]。随着“节能减排”政策的实施，汽车制造业正朝着轻量化方向发展，并用铝合金替代钢材。因此，开发高强度、高韧性的铝合金已成为必然趋势[5]、[6]。6xxx系列铝合金的典型加工步骤包括铸造、均匀化、热变形、固溶处理和峰值时效（T6）。这些合金通常具有210-300 MPa的屈服强度（YS）和260-350 MPa的极限抗拉强度（UTS）[7]、[8]、[9]、[10]。这些合金的强度来源于时效过程中细小β″（Mg?Si?）强化相的沉淀，使其成为可热处理的铝合金。然而，与高强度Al-Cu（2xxx系列）和Al-Zn-Mg（7xxx系列）合金相比，Al-Mg-Si合金的强度通常较低[11]、[12]、[13]。

6xxx系列铝合金主要由铝基体与Mg和Si等元素组成。微合金化显著提高了其强度和韧性。研究表明，特定的元素微合金化和热处理工艺可以在Al-Mg-Si合金中实现强度和韧性的动态平衡[14]、[15]、[16]、[17]、[18]。添加稀土元素（如Sc）可以有效改善Al-Mg-Si合金的微观结构并提升其整体力学性能。例如，Yu等人[19]采用Al?(Sc, Zr)纳米粒子沉淀强化策略处理Al-Mg-Si-Sc-Zr合金，成功实现了晶粒细化并显著提高了室温下的拉伸性能和高温蠕变抗力。在另一项研究中，Wang等人[20]向Al-Mg-Si合金中添加了Ce、Sc、Y和Zr元素，有效优化了微观结构并提高了耐腐蚀性和耐热性。Chen等人[21]通过三步均匀化工艺优化了Al-Mg-Si-Cu-Mn合金中分散相的沉淀，增强了再结晶抗力，从而提高了力学性能。此外，Chen等人[22]通过优化溶质和相的分布，在Al-Mg-Si-Cu-Zn-Fe-Mn合金片中实现了晶粒细化和随机纹理的形成，显著提高了强度、延展性和成形性。然而，随着对Al-Mg-Si合金性能（尤其是强度和韧性）要求的提高，基于经验和试错方法的传统合金设计方法周期长且实验成本高，越来越无法满足现代工业对高性能材料的迫切需求[23]。

近年来，机器学习（ML）方法在材料设计领域取得了显著进展[23]、[24]。它们强大的数据分析和预测能力为新型材料的开发提供了新的见解[24]。例如，Jiang等人[25]利用ML设计系统成功开发出一种具有优异强度和韧性的新型铝合金，该合金的UTS达到700 MPa，伸长率为8%至10%，断裂韧性为32.2至33.9 MPa·m1/2，与先进的AA7136铝合金相当。类似地，Feng等人[26]利用非支配排序遗传算法（NSGA-II）优化了化学成分，开发出三种低Mg、Si和Cu含量的高性能Al-Mg-Si合金，这些合金的YS为375–380 MPa，UTS为410–416 MPa，伸长率为13.7%–15.2%。与高Cu含量的6013合金相比，这种合金的YS和UTS分别高出约60 MPa，并且具有显著改善的晶间耐腐蚀性，展示了机器学习在材料设计中的实际应用。此外，Park等人[27]利用AI技术设计了具有高强度（YS=712 MPa）和良好延展性（19%）的新型铝合金。他们使用贝叶斯超参数优化算法（BO）高精度预测了7xxx系列铝合金的性能。研究团队还开发了一个可解释的AI系统，揭示了输入参数和输出参数之间的内在关系，加快了高性能铝合金的筛选速度。在另一项研究中，Zou等人[28]结合数据挖掘和机器学习探索了提高钛合金强度和延展性的新方法。通过高通量计算和电子性能数据分析，他们建立了一种超越传统方法的合金设计方法，得到了强度为1239 MPa、伸长率为8.2%的高强度钛合金。Jiang等人[29]提出了一种可解释的机器学习设计策略，能够同时优化高端铝合金的强度、韧性和应力腐蚀抗性。通过分析关键元素的作用，他们设计了一种新型铝合金，其UTS为760±4 MPa，YS为753±7 MPa，断裂韧性为34.9±0.3 MPa·m1/2，应力腐蚀敏感性因子为13.3%。目前，机器学习在材料研发中的应用范围广泛，包括合成预测[30]、性能优化[31]和多尺度设计[32]，具体应用于化学结构表征[33]、合金建模[24]和超硬材料筛选[34]。通过精确摩擦辅助连接过程温度预测[35]和核磁共振位移分析[33]等案例研究，深入探讨了化学特征表示、数据集质量和算法选择之间的协同效应。ML方法不仅显著提高了材料发现周期的效率[30]、[32]，还与自动化机器人技术结合，优化了实验工作流程[30]，从而支持多目标设计和机械材料的个性化工程定制[36]。然而，当前的研究挑战主要集中在数据预处理、有限实验数据的建模[34]以及复杂材料系统中的跨尺度相关性[24]、[31]、[32]、[33]、[34]、[35]、[36]上。通过建立材料性能与成分/结构之间的内在联系，机器学习技术可以高效预测具有优异性能的合金成分，大幅缩短材料研发周期并降低研发成本[37]。

本研究旨在利用ML技术辅助设计高强度、高韧性的Al-Mg-Si合金，以满足现代工业对先进结构材料日益增长的需求。首先收集并整合了公开的铝合金实验数据以及材料数据库中的相关合金数据。经过必要的数据清洗和缩放后，选择了适当的ML算法来训练和验证Al-Mg-Si合金的成分、工艺和性能，从而得到了一个高度准确的ML模型。然后利用该模型预测具有优异力学性能的合金成分[25]、[29]。根据这些预测，优化了Al-Mg-Si合金的化学成分以提高其强度和韧性。随后通过实验验证了优化合金的微观结构和力学性能。研究结果为新型高强度、高韧性铝合金的开发提供了科学基础和技术参考。

数据收集与预处理

本文提出的高强度、高韧性铝合金的设计过程如图1所示，包括三个部分：数据收集与处理、机器学习（ML）模型的建立以及实验验证。使用标准化的高强度、高韧性铝合金数据集来制定ML模型设计策略。该策略通过ML模型识别出满足更高性能要求的合金成分。

RF模型的性能

通过对元素特征和力学性能进行皮尔逊相关性分析，可以快速识别与目标变量相关性较低的特征，并保留与目标变量相关性较高的特征，以避免信息重复，如图2(a)所示。粉色表示正相关（最大值为1），蓝色表示负相关（最小值为-1）。结果表明，Mg、Si、Cu、Mn和Zr具有很强的相关性

合金的强度增强机制

A2合金的强化机制主要包括固溶强化、晶粒细化强化、位错强化、沉淀强化和分散强化。考虑到在特定条件下对这些强化机制的贡献，并假设这些贡献在应力空间中可以线性叠加，宏观屈服应力${\sigma }_y$

结论

本研究采用数据驱动的合金设计策略，有效缩短了新型Al-Mg-Si合金的研发周期，并显著提高了其力学性能。实验结果表明，机器学习方法推荐的合金成分可以有效优化沉淀相特性，从而增强材料性能。主要发现总结如下：

• (1)
  适用于小样本数据集的随机森林回归模型

CRediT作者贡献声明

周烈星：验证、资源提供、概念构思。李俊：监督、资源提供。袁杰：研究调查、数据管理、概念构思。李少红：撰写 – 审稿与编辑、监督、资源提供、项目管理、资金获取。王腾飞：撰写 – 原始草稿、可视化、验证、软件开发、方法论研究、调查、数据分析、概念构思。李梦妮：验证、资源提供。李俊万：监督。

利益冲突声明

本手稿的提交过程中不存在利益冲突，所有作者均同意发表。我代表我的合作者声明，所描述的工作是原创研究，未曾以任何形式在其他地方发表或考虑发表。所有列出的作者均已批准附上的手稿。

致谢

本工作得到了云南省青年人才支持计划的支持。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。