基于多模型融合机器学习的含铁耐热铸造铝硅合金设计方法

《Journal of Materials Research and Technology》：A multi-model fusion machine learning approach for Fe-containing heat resistant cast Al-Si alloy design

　　

提出了一种基于多模型融合机器学习方法的投票模型，用于预测含铁耐热铸造铝硅合金的成分。结果表明，与单一算法模型相比，投票模型具有更高的预测精度（R² = 0.9289，MAE = 23.73）和鲁棒性（测试集R²/训练集R² = 0.95）。通过将该模型与遗传算法（GA）相结合，研究人员成功设计了一种新型耐热铸造Al-7.59Si-3.48Cu-2.48Mg-1.29Fe-0.54Mn-0.19Ti (wt.%)合金，并进行了实验验证。铸态合金表现出优异的拉伸性能，在300 °C下拉伸强度为138.6 MPa，经过T6热处理后提高至159.3 MPa。T6合金良好的耐热性主要归因于θ-Al₂Cu和β-Mg₂Si相溶解产生的固溶强化、颗粒/基体界面处应力集中的降低、共晶Si和Q-Al₅Cu₂Mg₈Si₆相球化引起的弥散强化，以及α-Al(Fe,Mn)Si相的圆化和粗化。所建立的框架也为其他复杂合金体系的高效且可解释的设计提供了有价值的参考。

**论文解读：基于多模型融合机器学习的高温耐热铸造铝硅合金设计**

**一、研究背景与问题**

铸造铝硅（Al-Si）合金因其优异的比强度、铸造成形性和可回收性，广泛应用于航空航天与汽车领域。随着对中高温（300~400 °C）性能要求的提升，开发高性能耐热Al-Si合金成为研究焦点。传统合金成分设计依赖试错法与经验积累，难以从庞杂的元素组合中筛选最优成分。Fe作为低成本合金元素，易形成有害的针状β-Fe相，降低力学性能，但通过合理成分设计可将其转化为热稳定性更高的α-Fe相，从而提升耐热性。近年来，机器学习辅助合金设计已展现出可行性，但多数研究采用单一算法模型，预测精度有限。为此，本研究提出一种基于多模型融合机器学习的投票模型，用于设计含铁耐热铸造Al-Si合金，并通过显微组织表征与力学性能测试阐明其影响机制。论文发表在《Journal of Materials Research and Technology》。

**二、主要关键技术方法**

研究人员采用如下关键技术方法：从公开文献收集307个重力铸造铝合金数据，建立包含化学成分、热处理状态、拉伸测试温度及抗拉强度（UTS）的数据集；对数据特征进行归一化处理，对热处理状态（铸态、T5、T6、T7、热暴露）进行序数编码；采用Bagging集成方法增强五种基础模型（自适应提升ADA、随机森林RF、极限梯度提升XGB、支持向量回归SVR、梯度提升回归GBR），通过网格搜索和10折交叉验证优化超参数，利用平均投票法融合性能最优的GBR、XGB和RF模型构建投票模型；使用SHAP（Shapley Additive Explanation）方法评估特征重要性以选择合金元素；结合遗传算法（GA）优化元素含量并预测性能，最终通过实验验证。

**三、研究结果**

**4.1 机器学习模型的选择与优化**
通过比较五种Bagging增强模型的性能，发现GBR、XGB和RF的测试集R²分别为0.9178、0.9209和0.9134，鲁棒性（测试R²/训练R²）均接近0.94。将三者融合得到的投票模型，测试集R²提升至0.9289，MAE降至23.73，鲁棒性升至0.95，表明融合模型能有效整合各学习器优势，提升预测精度与稳定性。

**4.2 合金元素的选择**
基于SHAP特征重要性排序，除测试温度和热处理状态外，Cu、Mg、Si、Fe、Ti、Mn对性能影响最大。进一步分析Fe和Mn的SHAP相关性：Fe含量在>0.9 wt.%的高区间对高温拉伸性能增益最大；Mn含量在0~0.8 wt.%范围内增益最优。因此选择Cu、Mg、Fe、Ti、Mn作为合金元素，并设定各元素含量范围。

**4.3 遗传算法成分输出与性能验证**
GA优化输出合金名义成分为Al-7.59Si-3.48Cu-2.48Mg-1.29Fe-0.54Mn-0.19Ti (wt.%)，实际成分与名义值接近。300 °C拉伸实验显示，铸态合金UTS为138.6 MPa，T6处理后为159.3 MPa，预测值与实验值误差均小于投票模型MAE（23.73），验证了模型的有效性。该合金性能显著优于数据集中大多数参考合金，且成本低廉。

**4.4 显微组织分析**
XRD和SEM/EDS分析表明，铸态合金由α-Al、共晶Si、θ-Al₂Cu、β-Mg₂Si、β-Al₅FeSi、Q-Al₅Cu₂Mg₈Si₆和α-Al(Fe,Mn)Si相组成。T6热处理后，θ-Al₂Cu和β-Mg₂Si相溶解进入基体，针状β-Al₅FeSi相断裂为短棒状，共晶Si和Q相球化，α-Al(Fe,Mn)Si相圆化粗化。定量分析显示第二相面积分数从14.95%降至10.29%，固溶强化是强度提升的主要贡献，弥散强化为次要贡献。

**4.5 断裂机制分析**
高温拉伸断口均呈现韧性断裂特征。T6态合金韧窝较浅小，但α-Al(Fe,Mn)Si相在韧窝底部数量更多，表明该相在拉伸中阻碍塑性变形，提升强度。横截面观察发现，T6态合金中Q相球化，裂纹扩展受阻，二次裂纹减少，增强了抗裂纹扩展能力。

**4.6 投票模型误差分析**
对三种不同成分合金（含不同元素数量）进行预测误差分析，所有合金的MAE均低于23.73，预测误差均在模型极限误差范围内，表明投票模型具有良好预测性能和通用性。

**四、讨论总结与结论翻译**

讨论部分综合分析了模型融合的贡献比例、各元素作用机制及微观结构演变，证实了多模型融合策略提升预测精度的有效性与可解释性，并指出该框架可推广至其他复杂合金体系。

**结论翻译**：本研究采用基于多模型融合机器学习方法的投票模型，开发了一种高性能含铁耐热铸造铝硅合金：Al-7.59Si-3.48Cu-2.48Mg-1.29Fe-0.54Mn-0.19Ti，并通过实验验证了其可行性。主要结论如下：
(1) 采用投票法融合GBR、XGB和RF算法，提高了模型的预测精度和鲁棒性。铸态和T6态合金在300 °C下的UTS分别为138.6 MPa和159.3 MPa，性能误差均在投票模型误差范围内。
(2) 铸态合金的显微组织由α-Al、共晶Si、θ-Al₂Cu、β-Mg₂Si、β-Al₅FeSi、Q-Al₅Cu₂Mg₈Si₆和α-Al(Fe,Mn)Si相组成。T6热处理后，θ-Al₂Cu和β-Mg₂Si相溶解到基体中，针状β-Al₅FeSi相断裂成短棒状，共晶Si和Q-Al₅Cu₂Mg₈Si₆相球化，α-Al(Fe,Mn)Si相圆化粗化。
(3) 铸态和T6态合金在高温下的断裂模式均为韧性断裂。T6态合金的高性能归因于θ-Al₂Cu和β-Mg₂Si相溶解产生的固溶强化、颗粒/基体界面处应力集中的降低、共晶Si和Q-Al₅Cu₂Mg₈Si₆相球化引起的弥散强化，以及α-Al(Fe,Mn)Si相的圆化和粗化。