基于响应面方法的AI辅助反向工程与工艺优化：钛基混合合金（Ti–Al–Nb复合材料）涡轮叶片的优化设计

《Advanced Composites and Hybrid Materials》：AI-assisted reverse engineering and process optimization of a titanium-based hybrid alloy (Ti–Al–Nb Composite) turbine blade using response surface methodology

　　

摘要

随着对能够承受极端热机械条件的高性能涡轮叶片材料需求的增加，有必要优化具有优异机械性能和抗氧化性的Ti–Al-Nb混合合金。因此，本研究的主要目的是探讨并优化可用于先进涡轮叶片材料的Ti–Al-Nb混合合金的热机械行为、机械性能及氧化反应特性。研究重点在于那些可应用于先进涡轮叶片的Ti–Al-Nb混合合金的热机械行为、机械性能及氧化反应特性。有限元分析显示，叶片内部存在明显的温度梯度与应力集中现象，这表明具备高热稳定性、优异机械性能及良好抗氧化性的材料至关重要。通过实验分析了不同铝和铌含量、热处理温度以及冷却速率下材料的抗拉强度、断裂韧性、硬度以及氧化增重情况。研究采用响应面法量化各因素的影响，并运用专门的人工智能模型PNBM-SHAP-ZOA提升预测精度。与传统的人工神经网络遗传算法、卷积神经网络粒子群算法以及传统响应面法相比，该人工智能模型具有更高的预测精度，各指标的预测误差均处于最低水平。通过响应面法进行多目标优化后，得到了最优的合金成分：26.3%的铝、11.9%的铌，最高加热温度为850℃，冷却速率为9.93℃/秒。这些参数使得合金具备出色的机械性能、良好的机械稳定性，且氧化增重极低。优化后的合金抗拉强度可达1098.39 MPa，断裂韧性为24.13 MPa√m，硬度为380.52 HV，氧化增重则为0.16 mg/cm2。总体而言，研究结果表明Ti–Al–Nb合金是用于承受高温负荷的先进涡轮部件的理想材料，而这种新的智能分析框架则展现了在处理具有多种性能要求的材料时进行预测与优化的能力。