解码铝基合金中的工艺效应：一种使用可解释人工智能的数据驱动方法

《Applied Mechanics》：Decoding Processing Effects in Al Alloys: A Data-Driven Approach Using Explainable Artificial Intelligence

　　

理解铝基合金中工艺条件与力学性能之间的复杂关系仍然是材料科学中的一个关键挑战。本研究提出了一种使用可解释人工智能（Explainable Artificial Intelligence, XAI）的数据驱动框架，用于量化和解释不同工艺路线如何影响铝基合金中的强度-延展性权衡。研究人员利用包含1154个铝基合金样本并具有10种不同工艺条件的综合数据集，通过贝叶斯超参数调优（Bayesian Hyperparameter Tuning）开发了优化的XGBoost模型，用于预测屈服强度（R² = 0.9392）、抗拉强度（R² = 0.9491）和伸长率（R² = 0.6767）。强度模型显示出高预测精度，而伸长率则表现出较低且非均匀的可靠性，在0–5%伸长率范围内相对误差最大。SHAP（SHapley Additive exPlanations）分析揭示，工艺条件是屈服强度预测中最具影响力的特征，而Cu主导抗拉强度预测。真实SHAP交互作用分析识别出Processing_encoded与Cu的交互作用是工艺耦合贡献中最强的，其次是Mg和Al，而Zn、Si和Li则表现出较小但不可忽略的交互作用贡献。决策树代理模型被提出作为一种探索性规则提取工具，而非独立的工艺选择分类器。这些发现表明，当明确考虑预测局限性、类别不平衡以及SHAP解释的关联性本质时，可解释机器学习（Machine Learning, ML）能够支持对铝基合金中工艺-性能关系的解释。

**论文解读：解码铝基合金中的工艺效应——基于可解释人工智能的数据驱动方法**

**1. 研究背景与问题**
铝基合金因其优异的比强度、耐腐蚀性和可回收性，在航空航天、汽车、国防和建筑等领域具有广泛的应用。然而，实现铝基合金最优力学性能需要对化学成分和热机械加工进行精确控制，这构成了一个复杂、多维的设计空间。传统实验方法基于成熟的物理冶金学原理，但受限于可能的工艺路线数量庞大以及系统实验成本高昂。此外，强度-延展性权衡是核心挑战：通过沉淀硬化最大化强度的工艺条件往往因促进应变局域化而降低延展性。尽管对铝基合金冶金学已有数十年研究，但预测特定工艺路线如何影响不同合金成分下的强度-延展性平衡的定量框架仍不完善。现有经验准则仅适用于个别合金系列（2xxx、6xxx、7xxx），缺乏能够捕捉成分-工艺交互作用的通用数据驱动模型。这一空白限制了材料工程师理性选择新合金成分的工艺条件或优化现有合金以满足特定性能目标的能力。因此，开展本研究旨在利用可解释机器学习（XAI）量化并解释工艺条件对铝基合金力学性能的影响，特别是通过SHAP分析揭示工艺-成分交互作用，从而为工艺路线选择提供可操作见解。该论文发表在《Applied Mechanics》。

**2. 主要技术方法**
研究人员采用以下关键技术方法：(1) **数据集构建**：使用来自Bhat等人公开数据库的1154个铝基合金样本，涵盖25种元素成分变量（以重量百分比表示）和10种工艺条件类别（包括固溶处理、自然时效、人工时效、应变硬化等），以及三个力学性能目标（屈服强度、抗拉强度、伸长率）。样本来源明确为开放获取数据库。(2) **XGBoost回归模型**：选择XGBoost作为主要建模算法，并通过Optuna库结合树结构Parzen估计器（TPE）进行贝叶斯超参数调优，优化目标为均方根误差（RMSE）。(3) **可解释性分析**：采用TreeExplainer算法计算SHAP值，包括主效应分析和真实SHAP交互作用分析，以量化特征贡献和工艺-成分耦合。(4) **决策树代理模型**：训练一个最大深度为4的决策树分类器，作为探索性规则提取工具，用于总结成分-工艺关联，并评估其类别不平衡下的可靠性。

**3. 结果与讨论**

**3.1 模型性能**
研究人员通过优化后的XGBoost模型获得：屈服强度预测R² = 0.9392（95%置信区间[0.9103, 0.9603]），RMSE = 36.68 MPa；抗拉强度预测R² = 0.9491（95%置信区间[0.9255, 0.9676]），RMSE = 32.94 MPa；伸长率预测R² = 0.6767（95%置信区间[0.3699, 0.8429]），RMSE = 4.07%。伸长率模型在0–5%低伸长率区间表现出最大误差（MAPE = 175.46%），表明该模型在低延展性区域可靠性较低，这与延展性受微观结构、缺陷和测试取向等未在数据集中体现的变量影响有关。强度模型的预测性能与现有文献中的先进模型相当。

**3.2 特征重要性分析**
SHAP分析显示：对于屈服强度，工艺条件是最重要的特征（平均|SHAP| = 54.81），其次为Cu（45.50）、Zn（30.94）、Al（14.82）和Mg（11.56）；对于抗拉强度，Cu成为主导特征（平均|SHAP| = 69.57），其次为工艺条件（40.07）、Zn（21.94）、Al（21.14）和Mg（15.22）。工艺条件对屈服强度的高贡献量化了热处理对强度水平的显著影响，超过任何单一成分变量。Cu在抗拉强度中的主导地位反映了Al-Cu系合金中富铜成分的沉淀硬化潜力。对于伸长率，工艺条件仍为重要特征（平均|SHAP| = 3.47），但贡献幅度显著减小，表明延展性更受固溶效应影响，而非仅由沉淀硬化状态决定。

**3.3 工艺条件对强度-延展性权衡的影响**
通过分析强度-延展性关系，研究人员发现不同工艺条件形成了明显聚类：峰时效状态（Solutionized + Artificially peak aged）处于高强低延展区域（平均屈服强度356 ± 138 MPa，伸长率10.4 ± 5.2%）；自然时效状态表现出中等强度（平均屈服强度239 ± 107 MPa）和较高延展性（平均伸长率16.9 ± 5.8%）；未处理状态则具有最低强度（平均屈服强度85 ± 45 MPa）和最高延展性（平均伸长率22.0 ± 9.8%）。单因素方差分析（ANOVA）确认工艺组间力学性能差异显著（屈服强度F = 238.28，p < 0.001），Bonferroni校正后成对比较显示最大效应量出现在未处理与过时效之间（d = 3.34）。SHAP瀑布图进一步展示了典型样本中工艺条件对单个预测的贡献。

**3.4 工艺-成分交互作用**
研究人员通过真实SHAP交互作用分析（基于测试集）量化了工艺变量与元素特征之间的耦合。Cu表现出最强的工艺耦合贡献（平均|交互作用| = 8.92），其次为Mg（3.54）和Al（3.48），而Zn（2.56）、Si（2.41）和Li（1.96）贡献较小但不可忽略。这些交互作用与已知的沉淀硬化机制一致：在Al-Cu合金中，人工时效促进共格θ″和半共格θ′析出相的形成，从而放大Cu的强化效果。该发现为合金-工艺协同设计提供了数据驱动依据，即通过合理选择工艺路线可在较瘦成分下实现目标性能。

**3.5 决策树代理模型**
决策树代理模型作为探索性规则提取工具，在分层五折交叉验证下总体准确率为59.6%，平衡准确率为52.3%。各工艺类别表现不均：应变硬化类别分类最可靠（F1 = 0.781），而“未处理”类别召回率极低（0.026），表明该模型仅能捕捉宽泛的成分-工艺关联，不适用于独立工艺选择。

**4. 总结与讨论**
研究结论部分原文翻译如下：本研究展示了可解释机器学习在解码铝基合金工艺效应中的应用。主要发现如下：优化的XGBoost模型对屈服强度（R² = 0.9392）和抗拉强度（R² = 0.9491）具有强预测性能，而伸长率在延展性范围内预测可靠性较低且非均匀（R² = 0.6767）。最大误差出现在低伸长率区域，其中小的绝对偏差产生大的相对误差，且延展性受微观结构、缺陷相关和测试取向变量（未在数据集中体现）的强烈影响。SHAP分析表明，工艺条件对屈服强度预测影响最大，而Cu是抗拉强度预测的主导特征。对于伸长率，工艺条件仍重要，但较低的模型可靠性表明仅靠成分和分类工艺描述符不足以完全捕捉延展性控制机制。强度-延展性权衡在不同工艺条件下被映射：峰时效状态与较高强度和较低延展性相关，而自然时效和最少处理倾向于保留更高延展性。真实SHAP交互作用分析通过量化工艺变量与元素特征之间的交互作用，完善了工艺-成分解释：Cu显示出最强的工艺耦合贡献，其次为Mg和Al，Zn、Si和Li贡献较小但不可忽略。决策树代理模型提供了成分-工艺关联的探索性规则提取总结，但由于类别不平衡和中等的分类性能，不应作为独立的工艺选择工具使用。总体而言，结果表明，当可解释人工智能的输出被视为关联性模型解释而非因果证明时，它能够支持对铝基合金中工艺-性能关系的解释。该框架在强度预测和工艺-成分解释方面最为强大，而可靠的延展性预测需要额外的微观结构、缺陷状态和测试描述符。