基于物理原理的机器学习方法在预测含有孔隙缺陷的增材制造WC-12Co刀片硬度中的应用

《International Journal of Refractory Metals and Hard Materials》：Physics-guided machine learning-based hardness prediction of additively manufactured WC-12Co inserts containing pore defects

　　基于WC的硬质合金是一种广泛应用于金属陶瓷领域的材料，由于工程部件的几何结构日益复杂，人们对近乎成品形状的先进制造技术的需求也在不断上升。然而，通过粘结剂喷射增材制造技术制备硬质合金时，常常会出现微观结构缺陷，如残留的微孔以及WC晶粒的异常生长，这些缺陷会显著影响材料的硬度。为弄清这些缺陷的影响，研究人员系统地研究了在不同加工条件下通过该技术制备的硬质合金的微观结构变化规律。他们建立了一个基于物理原理的基准模型，该模型纳入了Hall–Petch关系以及由孔隙引起的软化效应，再将该模型的预测结果与原始参数及通过物理方法推导出的参数相结合，形成了更为完善的特征集。通过皮尔逊相关系数分析，研究了七个初始输入参数之间的两两相关性以及潜在的多重共线性问题；同时运用Shapley加性解释方法，评估了各参数对硬度预测的贡献程度。研究结果表明，WC晶粒尺寸、钴含量和孔隙率是影响硬度最重要的因素。研究人员还采用了六种不同的算法——线性回归、反向传播神经网络、支持向量回归、随机森林、极端梯度提升和决策树——来构建基于物理原理的混合预测模型。在所有经过测试的模型与特征组合中，采用改进特征集的XGBoost模型在预测精度、物理一致性和可解释性之间取得了最佳平衡。在独立测试集中，该模型的R2值为0.85，而WC晶粒尺寸、钴含量和孔隙率的单调性评分则分别为0.94、1.00和1.00。这些结果充分展示了基于物理原理的机器学习技术在预测存在缺陷的增材制造硬质合金的硬度方面具有很大的应用潜力。