Al-Zn-Mg基混合复合材料的硬度和延展性的人工神经网络预测与优化

《Next Materials》：Artificial neural network prediction and optimization of hardness and ductility for Al-Zn-Mg based hybrid composite

　　

本研究评估了以二氧化硅（SiO₂）和红泥颗粒（平均粒径分别为200 μm和340 μm）增强的Al–5.6Zn–2.5Mg（Al7075）基混合金属基复合材料的硬度和延展性。研究人员采用液态冶金技术制备了复合材料。实验基于标准L16正交阵列进行，并依据ASTM E18和ASTM E8标准，使用硬度计和万能试验机评估了力学性能。研究人员开发了一种数据驱动方法，采用前馈人工神经网络（ANN），其输入参数为两个（SiO₂和红泥含量），包含10个神经元的单隐藏层，以及两个输出响应（硬度和延展性），并使用Levenberg–Marquardt算法进行训练。此外，还采用了响应面分析、残差评估和粒子群优化（PSO）来进一步分析和优化实验结果。ANN模型表现出良好的预测能力，硬度和延展性的平均百分比误差分别为4.53%和1.41%。训练、测试和验证数据集的相关系数（R）分别为0.9999、0.9918和0.8958。优化结果表明，在3.9 wt% SiO₂和10 wt%红泥时达到最大硬度，而在1.5 wt% SiO₂和2.5 wt%红泥时获得最佳延展性。

**论文解读：Al-Zn-Mg基混合复合材料硬度和延展性的人工神经网络预测与优化**

**研究背景与问题**
现代工业对轻质高强且易于成形的材料需求日益增长。Al7075（Al–5.6Zn–2.5Mg）合金因其高比强度而被广泛使用，但单一强化相往往难以同时兼顾硬度与延展性。混合金属基复合材料通过引入两种或多种增强相，可协同提升力学性能。然而，传统试错法优化成分耗时且成本高，亟需高效的数据驱动方法来预测和优化复合材料性能。本文发表在《Next Materials》上，旨在通过人工神经网络（ANN）结合粒子群优化（PSO）算法，预测并优化Al7075基混合复合材料的硬度和延展性，为低成本、高性能复合材料的设计提供快速路径。

**主要技术方法**
研究人员采用液态冶金技术（搅拌铸造法）制备Al7075/SiO₂/红泥混合复合材料，基体材料购自印度班加罗尔Fenfe冶金公司。实验基于L16正交阵列设计，通过ASTM E18和ASTM E8标准测试硬度（RHN）和延展性（%）。核心建模方法为前馈ANN，包含2个输入（SiO₂和红泥含量）、10个神经元的单隐藏层及2个输出（硬度和延展性），采用Levenberg–Marquardt算法训练。此外，结合响应面分析、残差评估和PSO算法进行优化。

**研究结果**
**3.1 硬度和延展性预测**
通过L16正交阵列获取16组实验数据，ANN模型将数据随机分为训练集（60%）、测试集（20%）和验证集（20%）。模型预测精度高：硬度和延展性的平均百分比误差分别为4.53%和1.41%；训练、测试、验证集的相关系数（R）分别为0.9999、0.9918和0.8958，表明ANN能有效捕获非线性关系。

**3.2 3D表面图分析**
3D表面图显示，硬度随SiO₂含量增加而显著提升，高SiO₂（5–6 wt%）与中高红泥含量组合获得最高硬度；但中间区域存在硬度下降，可能与颗粒团聚有关。延展性则在低SiO₂、中等红泥时达到峰值，高SiO₂和高红泥组合导致延展性急剧下降，归因于硬质陶瓷颗粒增加脆性。

**3.3 硬度和延展性优化**
ANN-PSO模型确定最优成分：最大硬度（33.69 RHN）对应3.9 wt% SiO₂和10 wt%红泥；最佳延展性（4.44%）对应1.5 wt% SiO₂和2.5 wt%红泥。优化结果表明，平衡两种增强相含量是提升综合力学性能的关键。

**3.4 残差图分析**
残差分析验证了预测模型的可靠性：硬度残差随机分布于零线附近，无明显模式；延展性残差近似正态分布，方差恒定，模型可接受用于预测，但个别较大残差点提示可进一步改进。

**结论与讨论**
研究人员通过液态冶金法成功制备了Al7075/SiO₂/红泥混合复合材料，ANN模型在预测硬度和延展性方面表现优异，平均误差低于5%。PSO优化确定了兼顾硬度与延展性的最佳成分。研究意义在于：①验证了数据驱动方法在金属基复合材料成分优化中的有效性；②为低成本工业副产品（红泥）的再利用提供了技术依据；③为后续微观结构表征和机器学习模型扩展（如随机森林、支持向量回归）奠定了基础。论文结论部分总结如下：
- 采用液态冶金路线制备的混合复合材料表现出良好的增强体-基体结合。
- PSO优化获得最优硬度（33.69 RHN，3.9 wt% SiO₂和10 wt%红泥）和最优延展性（4.44%，1.5 wt% SiO₂和2.5 wt%红泥）。
- ANN模型预测硬度和延展性的平均百分比误差分别为4.53%和1.41%。
- 所有数据集的R值达99.99%，模型预测结果与实验数据吻合良好。
- 本文局限性在于未进行微观结构表征，未来工作将聚焦微观组织分析。
- 其他机器学习模型（如支持向量回归、随机森林、线性回归）也可用于预测和综合评估。