物理约束深度学习用于预测基于CaF?的多组分熔体的电导率:一种组合-微观结构-性能的关系范式
《Materials Today Communications》:Physics-Constrained Deep Learning for Predicting Electrical Conductivity of CaF?-Based Multicomponent Melts: A Composition–Microstructure–Property Paradigm
【字体:
大
中
小
】
时间:2026年04月28日
来源:Materials Today Communications? 3.7
编辑推荐:
西晨 | 周华江 | 王敖 | 安胜成
东北大学冶金学院,中国辽宁省沈阳市110819
摘要
对于基于CaF?的多组分熔体的电导率进行准确预测受到传统“组成 → 性能”直接映射方法的阻碍,这些方法忽略了微观结构的机械作用。本研究提出了一个“组成 → 微观结构 → 电
西晨 | 周华江 | 王敖 | 安胜成
东北大学冶金学院,中国辽宁省沈阳市110819
摘要
对于基于CaF?的多组分熔体的电导率进行准确预测受到传统“组成 → 性能”直接映射方法的阻碍,这些方法忽略了微观结构的机械作用。本研究提出了一个“组成 → 微观结构 → 电导率”的范式,明确地将微观结构作为连接组成与传输性能的物理桥梁。该框架整合了以下内容:
(1) 基于分类的混合采样策略,仅通过62次分子动力学模拟就实现了96.5%的组成空间覆盖率;
(2) 逐步的微观结构预测流程,迭代地预测22个结构描述符(平均R2 = 0.924);
(3) 物理约束的神经网络,将阿伦尼乌斯温度依赖性和网络形成剂/改性剂效应作为正则化约束。该模型在电导率预测方面的准确率为R2 = 0.810,MAPE = 9.71%,在工业关键的1.5–4.0 S/cm范围内平均误差为6.2%。SHAP可解释性分析表明,CaF?通过两种平衡机制影响电导率:57.5%的直接载流子效应和42.5%的间接微观结构修改,这些通过分子动力学模拟得到了独立验证。该范式可推广到其他氧化物-氟化物熔体系统。
1. 引言
随着先进制造技术对材料质量要求的提高,二次精炼过程已成为现代钢铁冶金中的关键技术途径,其中电渣重熔(ESR)因其出色的脱硫、脱氧、去除非金属夹杂物以及改善铸锭微观结构均匀性的能力而成为生产高质量特种钢的核心技术[1]、[2]、[3]。尽管环境法规推动了低氟或无氟熔剂系统的研究[4]、[5],但基于CaF?的熔剂由于其独特的物理化学性质(包括适宜的熔点、优异的流动性、强大的脱硫能力和对难熔金属的高溶解度[6]、[7],在ESR中仍然不可替代。
电导率作为表征熔融炉渣离子传输能力的关键物理参数,直接影响焦耳热生成、温度分布、熔池形态,最终影响ESR过程中最终产品的质量[8]、[9],因此对基于CaF?的炉渣系统的电导率进行准确预测对于优化工艺参数、降低能耗和建立精确工艺控制的理论基础至关重要[10]、[11]。
传统的电导率预测方法主要依赖于经验模型和理论相关性——一些研究人员对CaF?–Al?O?和CaF?–Al?O?–CaO精炼炉渣的电导率进行了系统研究[12]、[13],Chou等人[14]基于几何建模开发了CaF?–Al?O?–CaO三元炉渣系统的电导率预测模型,Themelis等人[15]提出了基于光学碱度的电导率相关理论——然而,这些传统模型在处理复杂多组分炉渣系统时存在固有局限,如数据来源受限、组成覆盖范围有限以及难以捕捉非线性关系。计算材料科学的最新进展开辟了新途径:分子动力学(MD)模拟在揭示炉渣微观结构与宏观性能之间的联系方面展现了巨大潜力[16]、[17]、[18],Gong等人[19]系统研究了CaO–MgO–Al?O?–SiO?炉渣的结构性能与电导率之间的关系,Mongalo等人[20]证实了MD预测的电导率与实验测量结果的高度一致性。
与此同时,机器学习在材料科学[21]、[22]、[23]中得到了迅速应用,物理信息神经网络(PINNs)的出现将控制物理方程直接嵌入神经网络[24]、[25]、[26]、[27],并在复合材料建模[28]、数字材料设计[29]和微观结构-性能关系预测[30]中取得了成功应用。当前材料研究的前沿趋势是朝着微观结构引导的智能建模发展,旨在从组成到微观结构,最终到宏观性能建立完整的预测链[30]、[31],新兴技术如基于视觉变换器的微观结构表示[32]、主动学习驱动的样本优化[33]、[34]和多尺度集成建模框架[35]提供了强大的工具。特别是,类似的数据驱动策略(包括可解释的机器学习、迁移学习和多任务学习)在相关工程领域(如腐蚀结构的疲劳寿命预测[36]、建筑材料的退化建模[37]、[38]和腐蚀钢筋混凝土的粘结强度预测[39])取得了显著进展,证明了物理信息驱动和可解释方法在复杂性能预测问题中的广泛应用性。
然而,现有方法存在一个根本性局限:它们主要采用“组成 → 性能”的直接映射范式,将预测视为一个黑箱,忽略了微观结构作为组成与宏观性能之间物理桥梁的关键作用——这导致物理可解释性较差,以及对于训练域之外的组成进行外推时性能较弱。此外,高氟含量的CaF?基炉渣的实验数据仍然稀缺,现有的ML模型在处理复杂多组分系统时往往忽略必要的物理约束[40]、[41]。
为了解决这些挑战,本研究提出了一个“组成 → 微观结构 → 电导率”的全链预测范式,明确将微观结构作为中间层,包括:
(1) 基于分类的混合采样策略结合主动学习,仅通过62次分子动力学模拟就覆盖了五元CaF?–SiO?–CaO–MgO–Al?O?组成空间;
(2) 逐步的微观结构预测流程,从组成输入迭代预测22个结构描述符(平均R2 = 0.924);
(3) 物理约束的深度神经网络,将阿伦尼乌斯型温度依赖性和网络形成剂/改性剂机制作为正则化约束;
(4) SHAP可解释性分析,用于量化特征贡献并阐明氟化物导电机制。
2. 方法论
2.1. 数据集构建和采样策略
2.1.1. 数据收集和预处理
从同行评审的文献中收集了144个五元CaF?–SiO?–CaO–MgO–Al?O?炉渣系统的电导率测量值。质量控制程序包括:
(a) 组分归一化,确保质量分数总和为100%;
(b) 温度范围限制在1473–2173 K;
(c) 使用3σ标准去除异常值;
(d) 验证所有样本的数据完整性。
2.1.2. 基于分类的混合采样策略
采用活性组分数量(质量分数 > 0.1%)作为分类标准,将144个样本分类为三元、四元和五元子系统。采用分层配额分配,分别为43%–38%–19%,得到18个、16个和8个样本(总计42个)用于分子动力学模拟。
针对子系统实现了不同的采样算法:
• 三元系统:结合Kennard–Stone(K–S)算法的组合覆盖。列举所有C(5,3) = 10的三元组合,然后根据欧几里得距离进行K–S选择,以最大化样本分散度。
• 四元系统:D最优设计并施加边界约束。最大化信息矩阵det(X′X)的行列式,以提高参数可识别性,边界约束确保在组成极端值附近的覆盖。
• 五元系统:优先选择具有极端组分值的样本以及位于中心的组成。
2.1.3. 主动学习增强
采用基于不确定性量化的主动学习框架,选择20个高价值样本。通过自助重采样和参数扰动生成异构子模型集合,预测方差作为采样得分。基于欧几里得距离的空间约束防止高不确定性样本的聚集。批量贪婪选择并迭代重新训练,得到最终包含62个样本的微观结构数据库。
2.2. 分子动力学模拟
使用LAMMPS软件包进行分子动力学(MD)模拟,获得CaF?–SiO?–CaO–MgO–Al?O?五元炉渣系统的微观结构数据。构建了一个包含5,000个原子(Ca2?、F?、Al3?、O2?、Si??和Mg2?)的立方模拟单元,其离子电荷分别为+2、?1、+3、?2、+4和+2。初始原子配置是随机生成的,盒尺寸根据实验或经验密度数据确定。
2.2.1. 原子间势
采用Born–Mayer–Huggins(BMH)势结合Ewald求和进行长程电静力计算:
Uijr = qiqjrij + Aijexp?rijρij?Cijrij?,
其中第一项表示库仑相互作用,第二项描述短程排斥,第三项考虑范德华分散。势参数列在表1中。
表1. 用于CaF?基五元炉渣系统MD模拟的Born–Mayer–Huggins(BMH)势的参数[42]、[43]、[44]。
2.2.2. 模拟协议
模拟方案包括三个阶段:
1. 初始混合:将系统加热至5000 K并平衡30 ps,以确保原子充分混合并消除初始配置依赖性。
2. 控制冷却:从5000 K线性冷却至目标温度,然后平衡50 ps。
3. 生产运行:在目标温度下进行NVT集合模拟1 ns,每1 ps记录原子坐标。
2.2.3. 结构分析
从平衡配置中提取了24个微观结构参数,分为四组:
a. 基本结构描述符:光学碱度(Duffy模型)、自由体积分数、原子堆积分数、盒子体积和数密度。使用的离子半径为:Ca2? (1.00 ?)、F? (1.33 ?)、Al3? (0.54 ?)、O2? (1.40 ?)、Si?? (0.40 ?)、Mg2? (0.72 ?)。
b. 网络聚合描述符:聚合度、桥接氧(BO)和非桥接氧(NBO)百分比、Q?–Q?分布和平均Q?值。
c. 配位描述符:Si–O(截止2.0 ?)、Ca–O(3.0 ?)、Mg–O(2.5 ?)和Ca–F(2.8 ?)对的配位数。
d. 键合几何描述符:Si–O、Ca–F、Mg–O的平均键长和Si–O–Si键角统计(平均值和标准差)。
计算径向分布函数(RDF)和均方位移(MSD)轮廓,以验证平衡并提取动态信息。所有分析均采用周期性边界条件,并采用最小图像约定。
2.3. 逐步微观结构预测链
2.3.1. 迭代预测框架
开发了一个逐步微观结构预测链,以解决从组成输入到24个微观结构参数的高维映射挑战,仅使用62个MD样本。该框架通过递归知识传递机制从六个基本特征(CaF?、SiO?、CaO、MgO、Al?O?、温度)逐步扩展到完整的24参数特征空间,成功预测的参数作为后续预测的输入。动态特征池管理系统自动将满足质量阈值的参数纳入可用特征集。集成了十一种异构机器学习算法:基于树的集成方法(随机森林、XGBoost、梯度提升树、极端随机树、决策树、AdaBoost)、神经网络(多层感知器)、线性模型(Ridge、Lasso、Elastic Net)和基于实例的学习(k-最近邻)。
质量控制标准要求同时满足:R2 ≥ 0.70、MAPE ≤ 15%、相对MAE ≤ 0.15和相对RMSE ≤ 0.20。
2.3.2. 特征工程和优化
智能特征选择算法系统性地探索了从6到17维的特征组合,以确定每个目标参数的最佳预测子集。该算法优先保留基本特征,同时根据重要性排名逐步引入预测参数。
通过五折交叉验证进行超参数优化。实现了三层策略的层次化自适应预测系统:
• 标准层:直接从原始特征建模强线性相关参数。
• 特征工程层:引入相互作用项和多项式特征以处理非线性耦合效应。
• 逐步层:在物理约束下放宽阈值以处理具有挑战性的参数。
2.3.3. 质量控制
建立了多层次验证机制,包括:
• 数值稳定性:预测值的分布分析和异常值检测。
• 物理合理性:针对材料科学约束进行验证(例如,配位数界限、键长区间、组成依赖趋势)。
• 模型一致性:跨算法的交叉验证和独立测试集评估。
满足所有标准的参数被选为物理约束神经网络的输入。
2.4. 物理约束的深度神经网络
为了实现跨尺度和可解释的炉渣电导率建模,通过结合冶金力学知识和数据驱动学习开发了一个增强的物理约束深度神经网络(EPC-DNN)。多尺度物理约束贯穿整个建模流程。整体架构如图1所示。
图1. 增强的物理约束深度神经网络架构示意图,用于跨尺度和可解释的炉渣电导率预测,集成了残差主干网络、自适应特征融合、增强型多头注意力和改进的图卷积模块,在热力学、组成和微观结构约束下工作。
2.4.1. 网络架构
该架构采用模块化、分层设计,包含四个核心模块:
• 残差主干网络:具有批量归一化和非线性激活的多层残差连接。身份映射快捷方式缓解梯度消失问题,并实现跨层特征融合。
• 自适应特征融合:可学习权重矩阵动态调节来自不同物理约束分支的贡献。
• 多头注意力:多个并行注意力头捕捉28维输入空间中的多级特征交互。
• 图卷积层:每种熔体组成表示为一个无向图G = (V, E),其中节点代表六种离子物种(Ca2?、F?、Si??、O2?、Mg2?、Al3?),8维特征向量(原子序数、形式电荷、离子半径、电负性),边表示六种成对相互作用类型(Ca–F、Ca–O、Si–O、Al–O、Mg–O、O–O),6维特征向量(原子间距离、键强度、键类型指示器)。4层消息传递神经网络(MPNN)与残差连接和LayerNorm更新节点表示,三层池化输出(平均值、最大值、注意力加权总和)产生固定维度的图嵌入,在进入预测层之前与组成-温度特征连接。3.2. 分子动力学验证
3.2.1. MD方法验证
通过MD预测的离子电导率与实验数据进行了比较:平均误差为15.4%,其中三元系统的准确率最高(7.2%-7.3%),而随着系统复杂性的增加,误差也系统性上升——四元系统的平均误差为17.0%,五元系统的误差为20.2%。值得注意的是,在8次比较中,有6次出现了电导率的系统性高估(正偏差),这需要详细讨论其根本原因。
这种系统性高估可以归因于三个主要因素:
(1)BMH势中的刚性离子近似。Born–Mayer–Huggins势将离子视为不可极化的点电荷,忽略了对于像F?(极化率α = 1.04 ?3)和O2?(α = 2.40 ?3)这样的大而高度极化的阴离子来说尤其重要的电子极化效应。诱导偶极相互作用增加了有效的离子-离子摩擦,并降低了离子迁移率。因此,BMH模型中缺乏极化导致通过Nernst–Einstein关系计算出的扩散系数和电导率被高估。这种效应在富氟化物的熔体中尤为明显,因为F?的极化对短程相互作用有显著贡献。
(2)交叉势参数的累积不确定性。BMH势参数(表1)来自三个不同的来源,每个参数都是为不同的二元或三元子系统配置的。当这些参数在五元系统中结合时,交叉相互作用参数(例如Mg2?–F?、Al3?–F?)可能无法准确捕捉多组分熔体中存在的多体屏蔽效应。这解释了从三元系统(7.2%)到五元系统(20.2%)误差的系统性增加。
(3)有限尺寸和平衡效应。模拟单元包含5,000个原子,虽然对于简单熔体的批量属性收敛是足够的,但对于多组分系统来说,当组成异质性与盒子尺寸相当时,这可能会导致有限尺寸的伪影。此外,1纳秒的生产运行时间虽然是熔盐模拟的标准时间,但对于低温下铝酸盐/硅酸盐网络的缓慢协同重排可能不足以进行充分采样,从而导致离子迁移率的高估。
尽管存在这些限制,MD结果仍然在经典力场模拟的熔盐和氧化物-氟化物系统[19]、[20]接受的准确度范围内(10%-20%)。偏差(高估)的一致方向对机器学习框架是有利的,因为数据驱动的模型比随机错误更容易纠正系统错误。此外,本工作中分子动力学(MD)模拟的主要目的是生成微观结构描述符(配位数、键长、Q?分布),而不是绝对导电率值——这些结构参数对上述讨论的极化和有限尺寸效应不太敏感,因为它们主要依赖于BMH势能能够很好地捕捉到的短程相互作用。
3.2.2. 离子传输机制
Ca2?的扩散系数在所有组成中始终高于其他离子(DCa2?:5.4–302 × 10?? cm2/s;DF?:2.1–156 × 10?? cm2/s;DO2?:0.8–45 × 10?? cm2/s)。Nernst–Einstein分析表明Ca2?贡献了总导电率的65–75%,使其成为主要的电荷载体。Ca2?的高迁移率源于其适中的离子半径(1.00 ?)、在去聚化的富氟化物熔体中的弱结合以及多个配位位点的可用性(Ca–O和Ca–F)。CaF?70-Al?O?20-CaO10的Ca2?扩散系数和离子导电率随温度变化。Arrhenius拟合得出E_a = 42.3 kJ/mol,落在离子熔体报告的40–80 kJ/mol范围内,证实了热激活跳跃是主要的传输机制。
3.2.3. 对CaF?含量的结构响应
MD结构分析揭示了关键微观结构参数的组成依赖性(表5):
表5. 来自MD模拟的关键微观结构参数的组成依赖性。
参数 低CaF?(<40%) 高CaF?(>60%)
物理含义
CNAl–O 4.05–4.15 3.85–3.95
[AlO?]?网络破坏
O–Al–O角度 109.2° 108.1°
四面体畸变 45–55% 70–85%
去聚合 Q?分数 5–10% 0%
完全网络消除 0.52–0.53 0.53–0.56
离子迁移通道形成 CNCa–F 2.8–3.0 3.2–3.6
F?配位增强 BondCa–F 2.44–2.45 ? 2.43–2.44 ?
在高CaF?含量下,Q?占主导(70–85%),Q? = 0%,表明氟化物有效地阻止了三维硅酸盐/铝酸盐网络的形成。自由体积分数的增加(0.52 → 0.56)创造了连续的离子迁移通道。这些结构变化构成了CaF?导电率提高的微观结构媒介途径,超出了其直接的载流子浓度效应。
3.3. 逐步微观结构预测性能
经过17轮迭代后,逐步预测链成功预测了24个微观结构参数中的22个(Q?和NOB-Pre-T因准确性阈值失败而排除)。总体平均R2 = 0.924,MAPE = 4.84%。按参数类别划分的预测性能总结在表6中。
表6. 按参数类别划分的预测性能。
类别 代表性参数 R2范围 MAPE范围
键长/角度 BondSi–O, Angle_Si–O–Si 0.998–1.000 0.02–0.12%
网络拓扑 Polymerization_Degree, BO%, NBO% 0.995–0.998 0.60–2.87%
体积/密度 Free_Volume_Fraction, Density_estimate 0.750–0.893 1.19–1.33%
Q?分布 Q?, Q1, Q2, Q3 0.976–0.998 2.42–11.41%
配位 CNCa–O, CNMg–O 0.853–0.996 2.90–23.14%
键长和键角参数实现了近乎完美的预测(R2 ≈ 1.000),反映了它们对组成和温度的强确定性依赖。网络拓扑参数表现出一致的高稳定性(R2 > 0.995)。配位环境参数最具挑战性(CNCa–O:R2 = 0.853,MAPE = 23.14%),这归因于多金属配位对细微组成变化的内在敏感性和这些高维空间中强烈的非线性特征相互依赖性。
一个自然的担忧是某些参数的相对较高预测误差——特别是CNCa–O(MAPE = 23.14%)和CNMg–O(MAPE = 17.70%)——是否会影响最终的导电率预测。通过用与其预测MAPE成比例的噪声扰动每个微观结构参数,并测量由此产生的导电率MAPE变化(每个参数50次独立试验)进行了误差传播分析。结果表明,这些高MAPE参数对导电率预测精度的影响可以忽略不计。具体来说,CNCa–O–O、Q3和CNMg–O——这三个预测误差最大的参数——对导电率的综合SHAP特征重要性仅为0.96%,它们的扰动共同使导电率MAPE仅增加了0.10个百分点。相比之下,主导导电率预测的参数——BondSi–O(重要性强8.83%)和Atomic_Packing_Fraction(重要性强4.06%)的MAPE值分别为0.12%和1.19%。这种预测难度与特征重要性之间的反比关系是物理原理的自然结果:配位数取决于多体热力学竞争,本质上难以预测,但它们对宏观离子传输只有间接的、微弱的影响;而键长和堆积参数受确定性短程化学的支配,因此既高度可预测又与导电率强烈耦合。
为了验证高R2值不是由于过拟合造成的,提供了三个独立的证据。首先,所有报告的指标都是通过五折交叉验证获得的,而不是训练集评估;各折的标准差对于R2低于0.03,对于MAPE低于1.5%,表明泛化能力稳定。其次,预测准确性遵循一个物理上可解释的层次结构——键长(短程,确定性)> 网络拓扑(中等范围,化学计量)> 配位数(多体,统计)——而不是从记忆小数据集所期望的统一高精度。第三,两个未能通过质量阈值的参数(Q?和NOB-Pre-T)被明确排除而不是强制拟合,表明当潜在的信噪比不足时,框架会拒绝预测。总体而言,这些观察结果确认了逐步预测链捕捉到了真实的组成-结构关系,而不是拟合噪声。
关于高特征与样本比例的进一步担忧值得明确讨论。使用62个MD样本来预测22个微观结构参数以及5个组成变量和温度,这可能会导致过拟合的担忧。然而,框架的几个设计特点有效地缓解了这一风险:
首先,逐步预测链不会同时模拟所有22个参数。相反,它将问题分解为17轮顺序迭代,每次只预测1-4个参数。在每次迭代中,有效的特征与样本比例远低于总体比例所暗示的。例如,在第一次迭代中,仅使用6个输入特征(5个组成+温度)来预测光学碱性——这是一个条件良好的6:62比例。即使在最后一次迭代(第17轮)中,有27个累积的特征可用,特征选择算法也仅为每个目标参数选择7-12个特征,保持有效的比例为7:62到12:62。
其次,质量控制机制(第2.3.3节)强制执行四个独立标准的同时满足(R2 ≥ 0.70,MAPE ≤ 15%,相对MAE ≤ 0.15,相对RMSE ≤ 0.20),这比单一的R2阈值严格得多。未能满足这些标准的参数——Q?和NOB-Pre-T——被明确排除而不是强制拟合,表明框架会自我调节以防止过拟合。
第三,学习曲线分析(图5)确认验证R2在超过16个特征后趋于平稳,而不是随着维度的增加而继续改善,表明模型已经收敛到真实模式,而不是记忆噪声。
下载:下载高分辨率图像(470KB)
下载:下载全尺寸图像
图5. 随着特征维度逐渐增加的导电率预测的学习曲线分析。(a) 6个特征(5个组成+温度);(b) 10个特征(添加基本结构参数:光学碱性、自由体积分数和盒子体积);(c) 16个特征(添加网络拓扑参数:聚合程度、BO/NBO百分比和Qn种类);(d) 22个特征(添加配位数和键长);(e) 28个特征(包括所有微观结构参数的完整特征集);(f) 作为特征维度函数的交叉验证R2总结,显示在16个特征后性能趋于平稳。阴影区域代表五折交叉验证的±1标准偏差。
逐步策略通过利用递归知识转移优于传统的单步预测(典型R2约为0.65,MAPE > 20%)——每次迭代都会将预测准确的参数作为额外的输入特征,逐步丰富后续更具挑战性的预测的信息。
3.4. EPC-DNN模型性能和消融分析
3.4.1. 模型性能
EPC-DNN实现了R2 = 0.810,MAE = 0.235 S/cm,RMSE = 0.356 S/cm,MAPE = 9.71%。在工业关键的1.5–4.0 S/cm导电率区间内,平均相对误差降低到6.2%。残差符合正态分布,没有系统偏差,95%的预测误差在±0.4 S/cm范围内。预测值与测量值在图6中显示,与基线模型的比较在表7中呈现。
下载:下载高分辨率图像(235KB)
下载:下载全尺寸图像
图6. 使用优化的EPC-DNN模型预测的多组分CaF?基熔渣系统的预测与测量导电率,展示了在整个范围内及工业关键区间(1.5–4.0 S/cm)的一致性。
表7. 与基线模型的比较。
模型 R2 MAE (S/cm) MAPE (%)
Traditional optical basicity—6.87 11 26.7
Modified optical basicity—0.87 17 6.7
Ridge Regression 0.70 0.23 12.26
XGBoost 0.70 10.33 21.34
Residual Neural Network 0.70 33 3% 13.77
CatBoost 0.69 90.34 11.39
Pure ML (CatBoost, original data) 0.79 10.75 28.87
EPC-DNN 0.81 0.23 9.71
与最佳传统ML模型相比,EPC-DNN将MAPE降低了大约15个百分点(Ridge: 12.26%,XGBoost: 13.46%),并且在没有物理约束的情况下,相比纯ML(88.7% → 9.71%)提高了9倍。在三元、四元和五元系统中,平均MAPE分别为8.1%,9.8%和11.2%,显示出出色的泛化能力。
对于训练中未包含的五种外部组成,EPC-DNN保持预测误差低于10%(平均约5%),而决策树模型产生49%的平均误差,岭回归产生27%的误差(图7)。这种外推稳定性源于嵌入的物理约束,防止预测违反热力学和电化学原理。
3.4.2. 消融研究结果
通过系统消融实验量化了每个架构组件的贡献(表8)。
表8. 消融研究结果。
配置 R2 MAE (S/cm) RMSE (S/cm) MAPE (%)
ΔR2 ΔMAPE
Full Model (EPC-DNN) 0.81 0.23 0.35 9.71
——无物理约束 ?0.18 30.67 0.88 92.59
——无微观结构 ?0.34 40.73 0.94 26.38
——无逐步预测 0.65 92 5% 0.47 10.78
——无GNN 0.69 0.26 40.45 10.94
——ΔR2 ?0.15 11.07 11.23
表9. 基于SHAP的特征重要性排名(前10个特征)。
排名 特征 平均SHAP 分类 贡献 (%)
1 CaF? 0.49 6 组成 33
2 Al?O? 0.27 3 组成 18.23
3 温度 0.20 0 温度 13.34
4 BondSi–O 0.09 7 微观结构 6.55
5 Optical basicity 0.04 6 微观结构 3.16
6 Atomic packing fraction 0.04 6 微观结构 3.17
7 BondCa–F 0.03 8 微观结构 2.58
8 CaO 0.03 6 组成 2.49
9 Polymerization degree 0.03 2 微观结构 2.11
10 SiO? 0.03 2 组成 2.1
消融层次结构显示,微观结构特征是最关键的组件(ΔR2 = 1.154):移除它们会导致R2降至?0.344,表明没有微观结构的模型的性能比常数均值预测器差。这定量验证了组成→微观结构→导电率路径捕获了直接组成→导电率映射所缺乏的基本物理信息。物理约束排在第二位(ΔR2 = 0.993)。没有它们,R2降至?0.183,表明无约束的深度网络严重过拟合了有限的训练数据(62个MD样本)。逐步预测链(ΔR2 = 0.151)和GNN架构(ΔR2 = 0.121)提供了渐进但有意义的改进。逐步链通过迭代细化增强了微观结构特征的质量,而GNN捕获了全连接层无法表示的结构化原子间关系。
3.5. 基于SHAP的机制分析
3.5.1. 全局特征重要性
类别级别的贡献为:组成57.5%,微观结构29.2%,温度13.3%(图8,图9)。CaF?的主导地位(SHAP = 0.496,是温度的2.5倍)证实了其作为离子导电率主要决定因素的角色。值得注意的是,前十个特征中有四个是微观结构描述符,表明组成→微观结构→导电率路径捕获了直接组成模型无法获取的信息。Bond_Si–O的高SHAP排名(第三,SHAP = 0.098)反映了其作为整体网络连接性敏感代理的角色。Si–O键长随着网络去聚化的程度系统变化:较短的键(约1.60 ?)表示完全聚合的Q?四面体,而较长的键(约1.64–1.66 ?)表示具有可用离子迁移通道的去聚化Q?/Q1单元。与单个Q?分数不同,Bond_Si–O整合了所有修改网络的反应的累积效应——包括F?引起的网络破坏——为单个连续变量,使其成为比任何单个结构描述符更具信息量的离子传输预测器。
3.5.2. CaF?的双重机制:直接与间接效应
因果路径分解量化了每个组成变量如何通过直接和间接路径影响导电率(表10):
表10. 组成变量的效应分解。
组件 直接效应 间接效应 总效应 直接比 间接效应
CaF? 0.43 70.50 % 42.5%
Al?O? ?0.43 8 ?0.24 %
SiO? ?0.40 6 ?0.13 %
CaO ?0.25 7 ?0.29 %
MgO 0.37 5 ?0.01 %
CaF?表现出独特的双重平衡机制:57.5%的直接效应(F?和Ca2?载流子浓度)和42.5%的间接效应(微观结构修改)。这与SiO?(75.7%直接)、MgO(97.5%直接)和温度(87.5%直接)形成鲜明对比,后者主要通过单一路径操作。
这种区别的物理基础很清晰。CaF?的解离同时释放了移动相比之下,MgO几乎完全通过直接的Mg2?–O2?键断裂来作为网络修饰剂,而不会显著改变配位拓扑结构,温度加速了现有的离子跳跃,但不会重组熔体。间接途径通过六个微观结构通道起作用,按贡献强度排序如下:
• 配位途径(0.997):CaF?改变了Ca–O和Ca–F的配位环境,这与分子动力学观察到的CN_Ca–F从2.8–3.0增加到3.2–3.6是一致的。
• 几何途径(0.758):Si–O–Si键角分布变窄,反映了网络连通性的降低。
• 光学碱性途径(0.660):F?(碱性低于O2?)降低了整个熔体的碱性,减弱了阳离子-阴离子的相互作用。
• 键合途径(0.582):优化了Ca–F和Si–O的键长。
• 体积/密度途径(0.346):自由体积膨胀(0.52 → 0.56)创造了离子迁移通道。
• 网络结构途径(0.207):Q?从45%增加到85%,消除了三维网络连通性。
配位途径(0.997)对网络结构途径(0.207)的主导性值得注意。这表明CaF?的间接效应主要是通过局部配位环境的改变来实现的,而不是通过长距离网络解聚——这一机制洞察挑战了传统上强调NBO/BO比率作为导电性主要结构描述符的观点。效应分解在图10中进行了说明。
图10:成分变量对电导率的直接(载流子浓度)和间接(微观结构介导)贡献的效应分解。CaF?表现出一种独特平衡的双重机制(57.5%直接,42.5%间接)。
计算了SHAP交互值以识别特征对之间的协同效应。表11总结了与氟化物相关的顶级交互作用。
表11:与氟化物相关的顶级特征交互作用。
排名 交互对 强度
1 CaF? × Al?O? 0.054
2 CaF? × 温度 0.039
3 CaF? × CaO 0.018
4 CaF? × 光学碱性 0.016
5 CaF? × 体积 0.013
6 Al?O? × 键合_Ca–F 0.011
7 Al?O? × CN_Ca–F 0.008
最强的交互作用(CaF? × Al?O? = 0.054)反映了氟化物介导的离子传导与矾土网络形成之间的竞争。在高CaF?浓度下,F?离子优先破坏[AlO?]?四面体网络,释放出可移动的Ca2?离子。这种协同机制在不含氟的替代品中是不存在的,这解释了基于CaF?的ESR熔剂具有更好的导电性。CaF? × 温度交互作用(0.039)捕捉到了氟化物离子移动性的阿伦尼乌斯型热激活,与分子动力学得出的E_a = 42.3 kJ/mol一致。
跨尺度交互作用(Al?O? × 键合_Ca–F = 0.010;Al?O? × CN_Ca–F = 0.008)表明,矾土含量不仅通过网络形成调节氟化物的导电性,还通过改变局部Ca–F的配位环境来调节——这是纯成分模型无法捕捉的耦合效应。完整的特征交互结构显示在图11中。
图11:前15个特征的SHAP交互热图,揭示了成分、热学和微观结构变量之间的协同和对抗性耦合模式。
3.5.3 非线性和阈值效应
每个关键特征的非线性程度被量化,并在表12中总结。
表12:SHAP分析中关键特征的非线性评估。
特征 相关性 非线性 效应类型
CaF? 0.946 非线性
Al?O? ?0.812 非线性
温度 0.835 非线性
键合_Si–O ?0.418 91%(高度非线性)
键合_Ca–F 0.329 高度非线性
键合_Ca–F表现出最高的非线性(0.944),表明明显的阈值效应:键长低于约2.40 ?时,通过紧密的Ca–F键合强烈限制了F?的移动性;而超过这个阈值后,效应饱和。从物理上讲,这个阈值对应于F?在第一配位壳层内的局部捕获和在相邻Ca2?位点之间的离域跳跃之间的转变。CaF?在约70 wt%以上显示出饱和,此时额外的氟化物提供的导电性回报减少——这与分子动力学观察一致,即在该成分下Q?已经超过85%,没有进一步的网络可以解聚。
成分特征(非线性0.32–0.58)与微观结构特征(非线性0.91–0.94)之间的对比是显著的。成分变量表现出中等程度的非线性,因为它们的效应通过成分→微观结构映射部分线性化。然而,微观结构描述符通过依赖于阈值的机制(渗透、配位饱和)直接与离子传输相互作用,产生强烈的非线性SHAP响应。图12显示了前六个特征的SHAP依赖性图。
图12:前六个特征(CaF?、Al?O?、温度、键合_Si–O、光学碱性、键合_Ca–F)的SHAP依赖性图,说明了它们对导电性预测的非线性关系、阈值效应和饱和行为。
3.6 SHAP–MD交叉验证
通过将SHAP得出的机制结论与分子动力学模拟结果进行比较,独立评估了这些结论的可靠性。交叉验证结果总结在表13中。
表13:SHAP–MD交叉验证的关键机制发现。
SHAP发现 MD验证
一致性
CaF?主导地位(SHAP = 0.496) 确认
Ca2?贡献65–75%的σ 确认
键合_Ca–F的重要性(排名7) 2.43–2.44 ?(观察值) 确认
温度效应(SHAP = 0.200) Ea = 42.3 kJ/mol(阿伦尼乌斯) 确认
通过微观结构的间接效应 42.5% 确认
高CaF?下Q? = 70–85% 确认
配位途径主导地位(0.997) CNCa–F:2.8→3.6 确认
CaF? × Al?O?交互作用(0.054) [AlO?]?破坏 确认
所有六个关键的SHAP发现都通过独立的分子动力学模拟得到了定量确认。这种数据驱动的可解释方法与第一性原理模拟之间的相互验证具有重要意义,原因有三:首先,SHAP分析仅基于统计贡献就将CaF?识别为关键特征(0.496),而分子动力学独立地揭示了Ca2?通过能斯特-爱因斯坦分析贡献了总导电性的65–75%——两种完全不同的方法得出了相同的结论。其次,间接途径的贡献(42.5%)是熔渣导电性文献中以前未报道的新定量发现;其通过分子动力学观察到的结构变化(Q?:45% → 85%,CN_Ca–F:2.8 → 3.6)得到了物理基础,这是SHAP单独无法提供的。第三,SHAP识别的CaF? × Al?O?交互作用(0.054)与分子动力学观察到的[AlO?]?四面体破坏(CN_Al–O:4.15 → 3.85)完全吻合,建立了统计交互项与特定结构机制之间的直接联系。
这六个发现的一致性——涵盖了载流子识别、激活能、网络拓扑、配位化学和成分相互作用——表明EPC-DNN学习了具有物理意义的表示,而不是虚假的相关性,从而为本工作中提出的机制结论和设计指南提供了坚实的基础。
4. 讨论
所提出的成分→微观结构→导电性范式将一个复杂的多变量预测问题分解为两个物理上可解释的阶段。逐步预测链(第3.3节)揭示了微观结构参数遵循一个由物理长度尺度支配的可预测性层次结构:键长和角度(R2 ≈ 1.000)由最近邻离子化学决定,网络拓扑(R2 > 0.995)由中等范围的化学计量约束决定,配位数(R2 = 0.85–0.92)由多体热力学竞争决定。这种层次结构不是建模的产物,而是反映了熔体结构的根本物理特性,逐步预测链通过按复杂性递增的顺序预测参数——有效地将一个条件较差的6→22维映射分解为一系列条件良好的低维映射。
在微观结构→导电性方面,SHAP分析(第3.5节)确定了聚合程度的一个关键渗透阈值约为0.3:低于这个值时,孤立的结构单元(Q?/Q1)占主导地位,离子迁移通道保持开放;高于这个值时,形成的硅酸盐/矾土网络阻碍了长距离离子传输。这种基于阈值的结构标准比经验成分规则更具物理意义,因为它通过成分→微观结构映射直接限制了可接受的成分空间,而不是依赖独立的成分限制。
基于SHAP的因果途径分解(第3.5.2节,表10)揭示了CaF?通过一种独特平衡的双重机制起作用——57.5%直接(载流子浓度)和42.5%间接(微观结构修改)——这使其区别于所有其他组分。与CaO的比较特别有启发性:两者都释放Ca2?并且都修改网络结构,但CaO的间接效应(53.3%)主要由O2?插入桥接键形成NBO来主导,而CaF?的间接效应主要通过配位途径(贡献0.997)起作用,而不是通过网络结构途径(0.207)。这意味着F?修改了Ca2?的局部配位环境——用较弱的Ca–F键替换Ca–O键,从而增强了Ca2?的移动性——而不是解聚硅酸盐网络。这种由配位介导的机制在先前的工作中尚未得到定量确立,并挑战了传统上强调NBO/BO比率作为导电性主要结构描述符的观点。
最强的特征交互作用(CaF? × Al?O? = 0.054,表11)反映了基于CaF?的ESR熔剂中的一个基本竞争:Al?O?形成[AlO?]?四面体网络,阻碍了离子传输,而CaF?通过F?取代O2?在配位壳层中破坏这些网络。从SHAP分析中得出一个关键的CaF?/Al?O?比率约为2.0,低于这个比率时矾土网络占主导,高于这个比率时氟化物破坏占主导。这个基于比率的标准提供了一个比独立成分限制更具有物理基础的设计规则。微观结构特征的高非线性指数(键合_Ca–F:0.944;键合_Si–O:0.908)与成分特征(CaF?:0.324;Al?O?:0.584)进一步证明了两阶段范式的合理性:逐步预测链处理中等程度的非线性成分→微观结构映射,而物理约束的神经网络捕捉到了高度非线性的微观结构→导电性关系。
从方法论的角度来看,消融研究(第3.4.2节,表8)表明,物理约束具有双重作用:一方面强制热力学一致性,另一方面在数据稀缺的情况下充当强大的正则化器。如果没有约束,R2会崩溃到?0.183,尽管网络容量足够,这证实了62个样本训练集的严重过拟合。这一发现具有更广泛的意义——对于实验成本高的材料属性,当训练数据本质有限时,将特定领域的物理定律嵌入损失函数可以替代大量的训练数据。EPC-DNN在准确性(R2 = 0.810,MAPE = 9.71%)、计算效率(毫秒级推理 vs. 每个MD样本约500 CPU小时)和可解释性(完整的SHAP分析)之间实现了有利的权衡,使得该框架适用于计算数据获取成本高的系统。
综合的SHAP–MD分析为ESR熔剂的优化提供了定量设计指南:CaF? 50–65 wt%以最大化载流子效应,同时避免饱和度超过70%;Al?O? <25 wt%以限制[AlO?]?网络的形成;CaF?/Al?O?比率 >2.0以确保氟化物破坏占主导;聚合程度 <0.15以保持在渗透阈值以下;以及键合_Ca–F 2.42–2.45 ?以实现最佳的F?移动性。CaF? × 温度交互作用(SHAP = 0.039)表明,较高的CaF?含量降低了表观激活能,可能在没有牺牲导电性的情况下将操作温度降低30–50 K——这对工业ESR操作具有直接的节能意义。
应注意的是三个限制。首先,该框架仅针对CaF?–SiO?–CaO–MgO–Al?O?五元系统进行了验证;扩展到包含TiO?、B?O?或稀土氧化物的系统需要新的分子动力学模拟和BMH势的重新参数化。其次,在CaF?含量低于约10 wt%时,导电机制可能会从氟化物主导转变为氧化物主导的传输,可能使当前的物理约束失效。第三,训练范围(1473–2173 K)没有涵盖接近液相线的条件,在这些条件下部分结晶可能会改变传输机制。
展望未来,有几个有前景的方向可以进一步扩展所提出框架的影响。首先,成分→微观结构→属性范式可以推广到更广泛的氧化物-氟化物系统——包括那些包含TiO?、B?O?或稀土氧化物的系统——通过重新参数化BMH势和优化物理约束系数;模块化架构确保只有输入层和约束项需要适应,而核心预测流程保持不变。其次,将框架扩展到多属性联合预测——在统一的多任务学习架构中同时模拟导电性、粘度和熔点——将实现全面的ESR熔剂优化,而不仅仅是单一属性的调整。第三,迁移学习策略提供了降低新系统计算成本的实际途径:在当前的基于CaF?的数据集上进行预训练,然后用少量目标系统的分子动力学模拟进行微调,可以大幅降低数据需求,同时保持预测准确性。第四,用贝叶斯神经网络或MC-Dropout集合替换确定性EPC-DNN将提供校准的预测不确定性范围,这对于风险意识的工业决策至关重要。第五,将模型与主动学习指导的实验活动相结合,将建立一种闭环的“计算–预测–实验”范式,以资源高效的方式迭代改进训练数据和模型。
5. 结论
本研究通过整合分子动力学模拟、逐步微观结构预测和物理约束的深度学习,建立了一种基于CaF?的电熔渣熔剂的成分→微观结构→导电性预测范式。主要结论如下:
(1) 增强的物理约束深度神经网络(EPC-DNN)在电导率预测方面实现了R2 = 0.810和MAPE = 9.71%,相对于传统的机器学习模型,预测误差减少了大约15个百分点。在工业上关键的1.5–4.0 S/cm导电率范围内,平均相对误差为6.2%。对于训练中未包括的五种外部成分,预测误差保持在5%以下,显示出嵌入式物理约束所赋予的强大外推能力。
(2) 消融实验定量验证了两阶段范式。微观结构特征是最关键的模型组成部分(ΔR2 = 1.154),其次是物理约束(ΔR2 = 0.993)、逐步预测链(ΔR2 = 0.151)以及图神经网络(GNN)架构(ΔR2 = 0.121)。当移除微观结构特征后,R2值下降到-0.344,这证实了从化学成分到微观结构再到电导率的路径能够捕获直接从化学成分到电导率映射所无法获得的关键物理信息。基于SHAP的因果路径分解显示,CaF?通过一种独特平衡的双重机制影响电导率:57.5%的直接影响(F?和Ca2?载流子浓度)和42.5%的间接影响(微观结构改变)。这种间接影响主要通过改变配位环境来实现(贡献度为0.997),而不是通过网络解聚(贡献度为0.207),这挑战了传统上将NBO/BO比率作为主要结构描述符的观点。这种双重机制使CaF?与其他所有组分(SiO?:75.7%直接影响;MgO:97.5%直接影响)区分开来,并通过分子动力学(MD)模拟得到了独立验证,这些模拟显示Ca2?主导了电导率(总电导率的65–75%),符合阿伦尼乌斯激活能(E_a = 42.3 kJ/mol)和逐步网络解聚的现象(Q?从45%增加到85%)。综合SHAP和MD分析为ESR熔渣的优化提供了定量设计指南:CaF?含量为50–65 wt%,Al?O?含量不超过25 wt%,CaF?/Al?O?比例大于2.0,聚合度小于0.15,以及Ca-F键长为2.42–2.45 ?。CaF?与温度的相互作用(SHAP = 0.039)表明,较高的CaF?含量可以降低表观活化能,从而可能在不牺牲电导率的情况下实现更低的操作温度。所提出的框架包括22个微观结构描述符、三层物理约束、逐步预测链和SHAP可解释性分析,可以应用于其他氧化物-氟化物系统。只有BMH势参数和约束系数需要针对新系统进行重新优化,为复杂熔盐特性的智能设计提供了一个可扩展的平台。未来的发展方向包括多属性协同预测、跨熔体系统的迁移学习、考虑不确定性的贝叶斯扩展,以及与工业数字孪生平台的整合,这些都将进一步增强这一 Paradigm 在智能ESR工艺设计和优化中的实际应用价值。
**缩写说明:**
ID参数 全称
1 optical_basicity 光学碱度
2 Free_Volume_Fraction 自由体积分数
3 Atomic_Packing_Fraction 原子堆积分数
4 Box_Volume 箱体体积
5 Density_estimate 密度估计
6 NBO_per_T 每个四面体中的非桥接氧原子数
7 Polymerization_Degree 聚合度
8 BO_percentage 桥接氧原子百分比
9 NBO_percentage 非桥接氧原子百分比
10 CN_Si-O Si-O的配位数
11 Bond_Si-O Si-O键长
12 Angle_Si-O-Si_mean 平均Si-O-Si键角
13 Angle_Si-O-Si_std Si-O-Si键角的标准差
14 Q0 Q0物种浓度
15 Q1 Q1物种浓度
16 Q2 Q2物种浓度
17 Average_Qn 平均Qn物种浓度
18 Bond_Ca-F Ca-F键长
19 Q3 Q3物种浓度
20 CN_Ca-O Ca-O的配位数
21 CN_Mg-O Mg-O的配位数
22 Bond_Mg-O Mg-O键长
23 Q4 Q4物种浓度
C Redi 作者贡献声明
**贡献者名单:**
Xi Chen:撰写–审稿与编辑、撰写–原始草稿、软件开发、方法论、数据分析、数据管理、概念构建
Shengcheng An:数据分析
Wang AO:软件开发、资源提供
Zhouhua Jiang:可视化处理、结果验证、项目监督、资金筹集、数据分析
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号