用于优化强度与延展性平衡的铝镁硅合金设计的主动学习方法
《Journal of Alloys and Compounds》:Active learning for the design of Al-Mg-Si alloys with optimized strength-ductility balance
【字体:
大
中
小
】
时间:2026年06月14日
来源:Journal of Alloys and Compounds 6.3
编辑推荐:
李军|邓浩天|刘昊|刘洋|唐建国|邹国通|叶玲玲中国长沙,中南大学材料科学与工程学院,410083摘要为解决传统数据驱动合金设计中探索效率低和数据稀疏的问题,本研究开发了一种迭代式主动学习框架。该框架将上置信界获取函数与非支配排序遗传算法II相结合,以平衡探索与利用。经过四次迭代
李军|邓浩天|刘昊|刘洋|唐建国|邹国通|叶玲玲
中国长沙,中南大学材料科学与工程学院,410083
摘要
为解决传统数据驱动合金设计中探索效率低和数据稀疏的问题,本研究开发了一种迭代式主动学习框架。该框架将上置信界获取函数与非支配排序遗传算法II相结合,以平衡探索与利用。经过四次迭代后,共制备出八种合金,这些合金的性能均有提升,其中两种高强度合金的强度超过了400兆帕。此外,还发现了一种新的Al-0.8Mg-1.4Si-0.2Mn-0.6Cu-0.2Cr-0.1Zr合金(命名为3-1)。3-1合金在T5状态下的抗拉强度为421.7 ± 2.1兆帕,延伸率为12.3 ± 0.6%,相比用于铁路运输的传统Al-Mg-Si合金,其强度提升了30%。微观结构分析表明,密集的β''、Q'和L相的同步形成以及相对均匀的晶粒结构,共同提升了合金的强度和延展性。动力学分析进一步证实,较高的硅含量显著降低了成核障碍。在研究的Mg-Cu成分范围内,硅含量超过1.4重量%后,其带来的热力学优势会减弱,且更容易形成粗大的初生相。这些研究结果证明了主动学习在解决复杂元素竞争问题、加速高性能铝合金研发方面的有效性。
引言
由于具有优异的成形性、耐腐蚀性和成本效益,Al-Mg-Si合金被广泛用于铁路运输领域,其典型强度约为300兆帕[1]。随着对更轻便、更安全的高速铁路结构需求的增加,这一强度水平已无法满足高端应用的需求[2]、[3]。因此,研发强度高于400兆帕的Al-Mg-Si合金仍然是材料设计领域的重要目标[4]、[5]。
传统上,新合金的开发依赖于反复试验的实验方法[6]、[7]。然而,这种方法难以在庞大的成分空间中找到突破性成果。尽管数据驱动方法在优化合金成分和工艺设计方面展现出巨大潜力[8]、[9],例如冯等人[10]就利用基于成分的模型和非支配排序遗传算法成功研发出了强度为400兆帕的Al-Mg-Si合金。但高强度合金的设计往往受到高合金化水平的限制,这可能会降低合金的挤压加工性能[4]、[11]、[12]。此外,由于现有数据集中高强度样品较少,基于成分的模型往往缺乏良好的泛化能力[13]、[14]。为克服这些缺陷,人们通过均值和方差等统计特征将成分与物理化学参数建立关联[15]、[16]。例如,江等人[17]通过筛选132个特征因子,实现了Al-Zn-Mg-Cu合金在强度、韧性和耐腐蚀性方面的协同提升。不过,当初始数据无法覆盖完整的成分空间时,这些方法可能会导致搜索陷入局部最优解[18]、[19]。
主动学习通过迭代反馈机制解决了这些问题,能够智能地探索未知的材料领域[20]、[21]。通过引入多目标获取函数,这种方法可以有效处理强度与延展性等相互矛盾的属性之间的权衡问题[22]、[23]。例如,李等人[24]利用帕累托主动学习框架优化了激光粉末床熔融制备Ti-6Al-4V合金的工艺,在最小化实验成本的同时实现了性能的更好平衡。此外,将物理描述符和领域知识纳入主动学习流程,还能显著加快最优材料的发现速度。例如,索海尔等人[25]在高温熵合金设计中采用了物理引导型主动学习策略,仅经过4次迭代就自主发现了高性能合金区域。这种迭代优化过程能够不断纠正模型偏差,避免搜索陷入局部最优解[26]、[27]。
受上述研究成果的启发,本研究构建了一种结合上置信界获取函数与非支配排序遗传算法的主动学习框架,用于优化合金成分和挤压工艺。为应对复杂合金化带来的数据稀疏问题,本研究建立了66个物理化学描述符,同时通过特征筛选确定了最具影响力的因素。此外,还采用了电子背散射衍射、高角环形暗场扫描透射电子显微镜和原子探针层析等技术,对合金的多尺度微观结构进行了分析。
内容节选
机器学习框架
图1展示了本研究中采用的主动学习工作流程。
数据收集。初始数据集是通过从文献中提取223种已报道的T5状态Al-Mg-Si合金案例构建的。每条记录包括合金成分、拉伸性能以及挤压加工参数,如挤压温度、挤压速度和挤压比。为弥补仅依赖元素含量的不足,本研究还引入了66个元素物理化学描述符。
数据分布
图2a展示了输入特征和输出目标的整体分布情况。该数据集主要涉及镁、硅、锰和铜这四种元素,其中镁和硅的浓度范围最广(约为0.3-2.7重量%)。挤压温度的范围为500-570摄氏度,而挤压速度和挤压比则分别介于2-10米/分钟和5-45之间。这些数据范围为虚拟搜索空间的合理设定提供了依据,有助于提高算法的收敛速度[32]、[33]。由此得到的抗拉强度和延伸率的范围分别为240-390兆帕和2-32%,如图所示。
主动学习的有效性与收敛性分析
本研究将遗传算法与基于不确定性的效用函数相结合,用于设计高强度Al-Mg-Si合金。这种策略通过平衡利用与探索,有效缓解了数据稀疏的问题[26]。图10a展示了NSGA-II优化过程中积分上置信界得分的变化趋势。随着迭代次数的增加,上置信界得分持续上升。该算法能够在庞大的成分搜索空间中识别出具有高潜力的候选区域[28]。值得注意的是,
结论
本研究采用迭代式主动学习框架进行合金设计。通过将上置信界获取函数与NSGA-II算法相结合,优化出了强度与延展性更好的Al-Mg-Si合金。同时,还通过微观结构分析和沉淀动力学研究,验证了合金设计的合理性。主要结论如下:
- 1)
本研究采用了迭代式主动学习框架,用于构建Al-Mg-Si合金的预测模型,
CRediT作者贡献说明
刘洋:论文撰写——审阅与编辑。刘昊:实验研究。邹国通:论文撰写——审阅与编辑。唐建国:论文撰写——审阅与编辑。邓浩天:实验研究。李军:论文撰写——初稿撰写、实验研究、数据整理、概念构思。叶玲玲:论文撰写——审阅与编辑、项目监督、概念构思。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划的支持(项目编号:2023YFB3710401)。
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