可解释的机器学习方法用于预测纯镁中的拉伸孪生现象，并揭示微观结构对这一过程的影响

《Journal of Materials Science & Technology》：Interpretable machine learning for predicting tensile twinning and revealing microstructural influences in pure Mg

基于电子背散射衍射（EBSD）和机器学习，本研究建立了纯镁拉伸孪生成核预测模型，揭示了晶粒尺寸、形态、滑移和孪生Schmid因子及相邻晶界应变协调等34个微观结构参数的交互作用对孪生成核的影响规律。通过SHAP解释发现低Schmid因子晶粒仍可能发生孪生，因其周边晶界应变协调能力不足导致应力累积。模型在AZ31和GW93合金中验证，表现出良好的泛化能力。

　　

王天友|李千坤|金莉|刘传来|曾健|王福林|董帅|王凤华|董杰

上海交通大学材料科学与工程学院，国家轻合金网成形工程技术研究中心及金属基复合材料国家重点实验室，中国上海200240

摘要

拉伸孪生在镁合金的塑性变形中起着关键作用，其形核受到多种微观结构因素的耦合控制。以纯镁为例，我们结合电子背散射衍射（EBSD）和机器学习方法，开发了一个预测模型，用于捕捉控制拉伸孪生的多变量相互作用。提取了34个微观结构描述符，并使用极端梯度提升（XGBoost）分类器对5669个应变达到1%的晶粒进行了训练，随后通过Shapley加性解释（SHAP）对模型进行了解释。除了用于拉伸孪生的Schmid因子（SF）外，分析还表明晶粒尺寸、滑移的SF、晶粒形态以及邻近晶粒属性对拉伸孪生形核有显著影响。在较大且形状不规则的晶粒中，以及位于应变适应能力较差的晶粒邻域内的晶粒中，更容易发生拉伸孪生。此外，在低SF的晶粒中观察到拉伸孪生并不异常，这可以归因于应变适应能力不足以充分释放局部应力，导致应力在复杂晶界附近积聚，从而促进了孪生的形成。在AZ31和GW93合金上的外部验证证实了该模型的强预测性能和跨不同镁合金系统的适用性。本研究为镁合金中拉伸孪生的形核提供了数据驱动的见解，并为高性能镁合金的开发建立了实用的微观结构设计和变形控制框架。

引言

镁具有六方密排（HCP）晶体结构，其塑性变形主要依赖于基面?a?滑移，因为其临界解析剪切应力（CRSS）非常低，在纯镁中小于1 MPa [1]。然而，基面?a?滑移仅能在基面内释放应变，因此无法沿?c?轴释放应变，后者必须通过其他机制来适应。锥形II型?c?+?a?滑移的CRSS要高得多（在纯镁中约为40 MPa [2]），因此在变形早期阶段，?c?轴的塑性通常通过拉伸孪生来满足。与$10\bar{1}1\}〈10\bar{1}2〉压缩孪生相比，$拉伸孪生所需的解析剪切应力更低，因此在塑性变形过程中更容易被激活[[3], [4], [5], [6]]。鉴于镁合金中容易激活的滑移系统数量有限，以及拉伸孪生在适应?c?轴应变中的关键作用，理解拉伸孪生的形核行为及其背后的微观结构影响对于提高镁合金的成形性至关重要。

Schmid因子（SF）被广泛用于研究镁合金中拉伸孪生的形核，因为它通过一个几何参数量化了沿孪生方向在孪生平面上解析为剪切的宏观应力的比例[[7], [8], [9], [10]]。人们普遍认为较高的SF有利于孪生的激活。然而，在一些SF相对较低的晶粒中仍然观察到了拉伸孪生[[11], [12], [13], [14]]，这表明除了SF之外，微观结构属性也在孪生形核中起着重要作用。Ghaderi和Barnett [15]指出，在AZ31合金中，激活孪生所需的宏观应力随着晶粒尺寸的增加而减小。Guan等人[16]报告称，在WE43合金中，Luster–Morris几何兼容性因子（$m^{\prime }对孪生形核的影响比SF本身更强。Koike等人[17]进一步证明，在轧制的AZ31板材中，局部的晶内基面?a?滑移可以解释低SF甚至负SF下的异常拉伸孪生现象。这些观察结果突显了控制镁合金中拉伸孪生形核的因素存在显著差异。特别是，经常报告的低SF孪生行为通常可以通过以下两种方式解释：(i)\; 当存在次要应力分量或局部多轴性时，有效驱动应力的低估；(ii)\; 微观结构约束，如邻域兼容性、晶界约束和晶粒形态，这些因素促进了局部应变不均匀性，使得在单一SF之上也能发生拉伸孪生[18,19]。这种差异的一个关键原因是，基于单一类别实验数据或单变量比较的分析往往掩盖了多变量相互作用，从而导致经常提到的低SF孪生现象[[20],\; [21],\; [22],\; [23]]。虽然基于SF的孪生激活标准仍然有效，但阐明多种微观结构特征如何共同控制孪生并建立一个明确捕捉多因素相互作用的预测模型是必要且具有挑战性的[[24],\; [25],\; [26]]。$

除了基于SF的标准外，研究人员还采用了分子动力学（MD）、晶体塑性有限元（CPFEM）和相场（PF）模拟来研究在不同应力状态下孪生的形核和生长。Wang等人[27]利用MD表明，拉伸孪生的稳定形核需要多个孪生部分位错的聚合以及原子的重新排列。Kumar等人[28,29]使用三维弹塑性CPFEM框架将局部应力场与HCP材料（镁、钛、锆）中的孪生特性联系起来，发现孪生内的背应力与邻近晶粒的晶体取向和位错属性密切相关。在基于微观弹性的相场框架内，Liu等人[30]开发了一个多晶镁孪生模型，并研究了晶界处的孪生传递如何诱导新孪生的形核。然而，这些基于物理的模型通常只针对有限的微观结构属性，因此难以捕捉孪生形核的复杂多变量控制。基于物理的模拟和机器学习提供了对拉伸孪生形核的互补视角。虽然MD.CPFEM/PF在原子到介观尺度上提供了机制性见解，但它们依赖于有限的计算规模和模型假设。可解释的机器学习整合了多变量晶粒尺度描述符，提供了概率预测和特征归因，从真实微观结构中提取出统计上支持的结构和拉伸孪生关系。随着数据科学的迅速发展，机器学习已成为研究和预测材料行为的强大工具。与传统的参数模型不同，机器学习可以从大量异构数据中推断出潜在关系，从而减轻了手动参数选择的限制并提高了泛化性能。最近的研究在合金性能预测[31], [32], [33], [34]、加速相图计算[35], [36], [37]以及微观结构分析[38], [39], [40]方面展示了广泛的实用性，证明了其强大的建模和预测能力。

为了预测纯镁在变形过程中的拉伸孪生形核并阐明多种微观结构因素的复杂耦合影响，我们计算并整理了一个基于EBSD的拉伸孪生相关微观结构描述符数据集，并训练了一个XGBoost分类器来预测低宏观应变下的拉伸孪生形核。然后我们使用SHAP来解释模型并量化特征贡献，揭示了晶粒尺寸、晶体取向、滑移SF以及其他微观结构属性的系统性影响。对于那些尽管SF较低但仍表现出拉伸孪生的晶粒，我们基于晶粒形态和有限的局部应变适应能力提供了深入的机制解释。我们进一步通过将其应用于AZ31和GW93合金来评估模型的泛化能力，证实了其在不同镁合金系统中的强大预测性能。

材料与力学测试

高纯度镁锭（99.9%）在720°C下在钢坩埚中重新熔化，并在氩气氛围下铸造成板状钢模，以获得铸态纯镁。铸态材料的逆极图（IPF）和极图（PF）（图1(a和b)）显示了几乎随机的取向分布和弱的织构。晶粒尺寸分布（图1(c)）显示平均晶粒尺寸为50.8 μm，分布范围较广，包括一些粗晶粒（>150 μm）。

室温拉伸

数据集和特征描述符

为了构建用于预测拉伸孪生形核的机器学习模型，我们对变形至1%应变的纯镁样品的EBSD数据进行了特征提取处理。如图3(a)所示，我们首先在IPF图中识别了孪生和孪生界。基于HCP镁中拉伸孪生的特征取向关系（大约为86°关于$〈1\bar{2}10〉，使用MTEX识别了孪生。结果如图3(b)所示$

影响拉伸孪生的因素分析

大量研究已经探讨了控制镁合金中拉伸孪生形核的因素，包括晶体取向、晶粒尺寸和晶界错位[[48], [49], [50], [51]]。然而，大多数先前的工作仅隔离了单一因素的影响，缺乏在耦合多变量条件下的系统理解。鉴于塑造拉伸孪生形核的复杂微观结构相互作用，我们对训练好的机器模型进行了可解释性分析

结论

本研究开发了一个用于预测镁合金中拉伸孪生形核的机器学习模型。重点关注纯镁在小变形（1%）下的拉伸孪生激活过程，收集了拉伸变形样品的EBSD数据，并提取了34个微观结构描述符，包括晶粒取向、晶粒形态、滑移和拉伸孪生的SF以及晶界处的应变适应参数等，构建了一个包含5669个晶粒的数据集。

CRediT作者贡献声明

王天友：撰写——原始草案、可视化、软件、方法论、研究、正式分析、数据管理、概念化。李千坤：软件、数据管理。金莉：撰写——审稿与编辑、监督、资金获取。刘传来：监督、资源、方法论。曾健：监督、资源、方法论。王福林：监督、资源、方法论。董帅：监督、资源、方法论。王凤华：监督、资源、方法论。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。