基于可解释方法的25CrMo4合金钢疲劳寿命预测

《Materials》：Fatigue Life Prediction of 25CrMo4 Alloy Steel Based on Interpretable Methods

　　

铁路车轴的疲劳失效直接关系到列车的运行安全。由于25CrMo4钢（亦称EA4T钢）常用于高速列车车轴制造，精确评估其疲劳寿命对交通运输可靠性至关重要。研究人员对比了六种机器学习模型，并利用微分进化(Differential Evolution, DE)算法进行超参数优化。经DE优化的高斯过程回归(DE-GPR)模型表现出最优预测性能，在最显著的外部测试折(outer test fold)上取得决定系数(R2)为0.8020、均方根误差(RMSE)为0.1250。此外，研究人员采用SHapley Additive exPlanations(SHAP)与偏依赖图(Partial Dependence Plots, PDP)相结合的可解释性分析方法阐明特征重要性。结果表明，施加应力水平(applied stress level)是影响疲劳寿命预测的主导特征，且其表面残余应力(surface residual stress)和半高全宽(Full Width at Half Maximum, FWHM)存在微弱交互作用进而影响预测疲劳寿命。本研究可为25CrMo4钢制件的疲劳寿命评估和工艺优化提供有价值的见解。

论文解读：基于可解释方法的25CrMo4合金钢疲劳寿命预测

高速列车车轴作为关键承重部件承受复杂循环载荷，25CrMo4合金钢（EA4T钢）因其优良力学性能被广泛用于车轴制造。车轴在制造及服役中产生的缺陷易引发疲劳裂纹萌生，威胁行车安全。现有基于物理理论的传统模型（如Chaboche疲劳损伤模型、Paris裂纹扩展定律、NASGRO模型）虽依托物理机制，但依赖经验假设与简化，常忽略实际服役中的多因素耦合效应（如微裂纹取向、应力比效应、载荷谱效应），导致预测偏差或过于保守。纯数据驱动的机器学习模型虽能克服理想化局限、处理多因子非线性关系，却面临"黑箱"决策不透明的问题，难以揭示输入特征与疲劳寿命间的物理关联机制。因此，研究人员开展本研究，旨在建立兼顾高精度与可解释性的机器学习框架，对经微喷丸(Micro-Shot Peening, MSP)处理的25CrMo4钢高周疲劳寿命进行预测，并利用SHAP-PDP联合框架量化特征贡献及交互效应。该论文发表于《Materials》。

主要关键技术方法

研究人员选用Li等提供的89组MSP及未处理25CrMo4缺口试样旋转弯曲疲劳实验数据，特征包括施加应力水平σ、表面残余应力σ_res、半高全宽(FWHM)、平均粗糙度R_a、等效缺口尺寸a_eq，目标量为疲劳寿命N。数据预处理中对输入特征做Z-score标准化，对疲劳寿命取对数(log N)变换以适应量级跨度，采用嵌套5折交叉验证(nested five-fold cross-validation)评估泛化性能。候选模型涵盖K近邻回归(K-Nearest Neighbor Regression, KNN)、随机森林回归(Random Forest Regression, RFR)、自适应增强回归(Adaptive Boosting Regression, ABR)、梯度提升回归(Gradient Boosting Regression, GBR)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)及高斯过程回归(Gaussian Process Regression, GPR)，以微分进化(Differential Evolution, DE)算法全局寻优各模型超参数。选取表现最优的DE-GPR模型，集成SHAP值计算特征重要性、单样本贡献及二阶纯交互效应，辅以偏依赖图(PDP)验证边际效应趋势。

研究结果

4.1. Model Prediction Results

六类模型经嵌套5折交叉验证外折平均性能比较，GPR模型平均R²为0.6630±0.1243、平均RMSE为0.1705±0.0375，优于其余五种模型，选定DE-GPR为基模型。最佳折测试集预测结果对比经典Paris定律显示：DE-GPR预测值均落于±2倍误差带内，而Paris定律对MSP及未处理试样均呈偏保守预测（低于理想线）且多数超出±2倍带，尤以前者离散度大、偏离显著，因Paris定律未考虑MSP引入的压缩残余应力和加工硬化等表面完整性要素。特征降维实验剔除σ_res、FWHM、R_a中高度共线的一对后模型性能略升（R²最大差0.0266），但因全特征输入保留更完整物理信息利于后续可解释分析，最终采用全特征DE-GPR模型。

4.2. Results of Interpretability Analysis

4.2.1. Feature Importance

对最优折DE-GPR模型计算平均绝对SHAP值，特征重要性排序为：施加应力水平σ(0.3033)＞等效缺口尺寸a_eq(0.1569)＞平均粗糙度R_a(0.0987)＞表面残余应力σ_res(0.0958)＞半高全宽FWHM(0.0669)。SHAP蜂群图(beeswarm plot)表明：高σ与高a_eq对应负SHAP值（降低预测寿命），低值对应正SHAP值；σ_res拉伸区集中于零轴左侧（不利），压缩区集中于右侧（有利）；R_a高值负贡献；FWHM高值对应正SHAP值（与位错密度√ρ正相关，提高塑性及疲劳抗力）。

4.2.2. Interpretation of the Prediction for a Single Sample

以第39号样本（文中图注误标为Sample 18）为例，基线预测log N为5.8091，该样本σ=460MPa高于均值获负修正?0.5392（高应力降低寿命），FWHM与a_eq分别给出正、负修正，最终预测log N为5.5270，演示SHAP值加和分解模型决策过程。

4.2.3. Feature Marginal Effects Based on PDP

PDP显示：施加应力水平由200 MPa升至550 MPa，预测寿命由3.25×10⁶次降至0.79×10⁵次，符合经典S-N曲线；R_a增大寿命降低（粗糙诱发裂纹闭合影响门槛值）；σ_res更负（压应力越大）寿命升高（抑制裂纹萌生与扩展）；FWHM增大寿命缓升；等效缺口尺寸a_eq增大寿命降低。各趋势与SHAP蜂群图一致，互为印证。

4.2.4. Interaction Effects Among Features

纯SHAP交互值分析显示：表面残余应力σ_res与σ的交互——高压区（MSP试样，≈?400 MPa）交互值在高低σ下略偏正或负，可能与长期循环下载荷诱发残余应力松弛有关；无/低压区（未处理，?50~35 MPa）交互弱。FWHM与σ的交互——低FWHM（未处理≈2.55）随σ升高交互值由正转负；高FWHM（MSP≈3.90）高σ对应正交互（加工硬化层延缓裂纹萌生），低σ下交互趋负或中性（加工硬化层贡献小）。交互效应量级远小于主效应但具规律分布。

讨论与结论翻译

基于89组25CrMo4合金钢疲劳试验数据，研究人员采用六种机器学习算法预测疲劳寿命并建立DE-GPR模型。为阐明模型决策机制，采用SHAP与PDP结合的可解释框架评估各特征对疲劳寿命预测的重要性及影响机制，并剖析特征间交互模式。主要结论如下：

(1) 基于平均绝对SHAP值的特征重要性排序表明，施加应力水平是对疲劳寿命预测影响最大的特征，其次为等效缺口尺寸、平均粗糙度、表面残余应力和半高全宽(FWHM)。其中施加应力水平、等效缺口尺寸和平均粗糙度与预测疲劳寿命呈负相关，FWHM呈正相关，表面残余应力影响较复杂。

(2) 边际效应分析证实预测疲劳寿命随施加应力水平的变化符合典型S-N曲线形态，各特征变化趋势与SHAP蜂群图一致，增强了可解释性结果的可靠性。

(3) 表面残余应力与FWHM在不同表面处理条件下与不同水平的施加应力呈现明显交互特征。对于高压缩残余应力区的MSP试样，交互值随施加应力水平降低由正转负，可能与长期循环载荷下残余应力松弛有关；对于高FWHM值的MSP试样，交互值随施加应力降低逐渐减小，表明25CrMo4合金钢中加工硬化层在低应力幅下贡献较小。

本研究成功建立了对25CrMo4合金钢疲劳寿命预测具有满意精度的DE-GPR模型，并利用SHAP-PDP可解释框架系统探讨了特征影响机制。局限性在于当前数据集仅89例，虽用嵌套5折交叉验证缓解过拟合，模型普适性尚需更大样本多样数据验证，目前仅适用于室温下MSP处理25CrMo4钢的高周疲劳寿命预测；观测到的交互效应物理机制需进一步针对性实验验证。