机器学习驱动的碳钢和低合金钢TTT图相变区域预测：基于高性能提升方法

《Journal of Alloys and Metallurgical Systems》：Machine learning-driven prediction of phase transformation regions of TTT diagram for carbon and low alloy steels via high-throughput boosting methods

　　

时间-温度-转变（TTT）图对于描述碳钢和低合金钢的等温相变动力学以及设计热处理工艺至关重要。然而，其实验构建需要在宽温度-时间域内进行大量的金相表征，限制了快速成分筛选。本研究系统评估了集成提升算法在预测四个关键相变边界方面的性能：珠光体开始（Ps）、珠光体结束（Pe）、贝氏体开始（Bs）和贝氏体结束（Be）。研究团队对包含93个实验报道的TTT图的数据集进行了数字化，并通过严格的相关性过滤和归一化流程进行预处理。研究人员开发了独立的回归模型，采用10折交叉验证，并使用传统的随机划分和更严格的按钢种成分划分策略进行评估，以检验模型对未见钢种成分的泛化能力。在所研究的模型中，包括AdaBoost、梯度提升（Gradient Boosting）、LightGBM、XGBoost和CatBoost，CatBoost模型表现出最一致的性能，珠光体转变的R²≥0.97（RMSE低至12 ℃），贝氏体区域的精度稳定（RMSE≈22 ℃）。SHAP分析确定转变时间、碳和镍为主要预测因子，与既有转变理论一致。该模型进一步通过按钢种成分划分进行验证，并预测了15种独立（未见）钢种成分的TTT曲线。与实验报道的TTT图对比验证表明，重构的TTT曲线与报道的TTT曲线高度一致，包括转变鼻部的准确预测。这些结果表明，基于提升方法的模型为快速估算TTT图提供了准确且可解释的框架，有助于减少实验工作量，并支持合金设计和热处理工艺设计。

论文解读：基于提升算法的碳钢与低合金钢TTT图相变区域预测研究

一、研究背景与问题

钢作为最重要的工程材料之一，其微观结构可通过固态相变进行调控，从而获得广泛的力学和功能性能。碳钢和低合金钢的热处理工艺设计高度依赖于相变动力学的精确描述。时间-温度-转变（Time-Temperature-Transformation, TTT）图是描述等温相变动力学和优化热处理制度的核心工具。然而，实验构建TTT图通常需要在多个温度下进行大量测试，传统的金相表征方法需要在不同保温时间和中间淬火条件下采集大量数据，过程耗时且成本高昂，严重限制了可研究的成分范围。早期预测方法主要依赖经典形核理论、唯象方程和物理基模型，但此类方法在多组元、非线性相变动力学和复杂成分-工艺交互作用下的适用性受限。近年来，机器学习（Machine Learning, ML）方法被引入TTT行为预测，但已有研究仍面临数据集多样性不足、模型泛化能力弱以及可解释性差等挑战。因此，本研究旨在开发一种稳健且可泛化的机器学习框架，能够在宽成分范围内准确预测多个相变边界（Ps、Pe、Bs、Be），同时解决现有方法在数据冗余、模型泛化和物理可解释性方面的不足。

二、研究内容与主要技术方法

研究团队从《Steel Handbook》中收集了93个碳钢、低合金钢及部分工具钢的实验TTT图，使用“Web plot digitizer”工具对实验曲线进行数字化，构建了包含化学成分（C、Mn、S、P、Ni、Cr、Mo、Cu、V、W）、奥氏体化温度（AT）、等温转变温度（T）和转变时间（t）的数据集。数据集样本量从4182到6024不等。在预处理阶段，采用严格的皮尔逊相关系数阈值（|R|>0.95）过滤高度共线的输入变量，以消除特征间冗余。随后，研究团队系统评估了五种提升（Boosting）算法——AdaBoost、梯度提升（GBM）、LightGBM、XGBoost和CatBoost——在预测四个相变边界温度中的表现。模型采用80:20的训练-测试划分，并利用10折交叉验证和GridSearchCV进行超参数优化。除常规随机划分外，还实施了更严格的按钢种成分划分（steel-wise compositional split）策略，即将同一钢种成分的所有数据完全分配到训练集或测试集，以评估模型对未见钢种成分的泛化能力。最终，CatBoost因其对称树结构、有序提升（ordered boosting）策略以及对异构特征交互的有效处理而被选为最终预测模型。模型可解释性通过SHAP（SHapley Additive exPlanations）分析实现。

三、研究结果

（1）模型性能比较

在五种提升算法的对比中，CatBoost在珠光体开始（Ps）和贝氏体结束（Be）边界表现出最低的RMSE值，分别达到13℃和22℃，优于XGBoost、GBM、LightGBM和AdaBoost最多达4℃。CatBoost和LightGBM在Ps和Be边界均获得R²≥0.97且相关系数（CC）接近1.0的性能。相比之下，GBM和AdaBoost在Be边界的RMSE高达26℃，表明其学习算法在建模贝氏体转变的非线性方面效率较低。所有模型的R²≥0.96，表明预测与实验温度之间存在强线性关系。贝氏体转变（Bs和Be）在所有模型中均产生最高误差（RMSE范围为22-26℃），这归因于贝氏体反应同时涉及扩散型和非扩散型机制的固有复杂性。珠光体转变（Ps和Pe）的RMSE较低（Pe最低至12℃），这表明高温扩散控制机制更适合用提升算法建模。

（2）散点图验证

散点图展示了CatBoost模型在四个相变区域（Ps、Pe、Bs、Be）的预测与实验温度对比，采用80/20训练-测试划分。所有数据点紧密围绕拟合线分布，其中Pe相预测性能最优，测试集RMSE为12℃、R²为0.97；Ps和Be的RMSE分别为13℃和22℃，相应R²分别为0.98和0.97；Bs的RMSE为22℃但相关系数仍达0.98。这些结果证实了CatBoost模型在不同相变边界的稳健性和泛化能力。

（3）钢种成分划分验证

在更严格的钢种成分划分条件下，最大预测性能（Pe相）的R²降至约0.86，反映了跨不同成分泛化复杂性的增加。尽管如此，模型仍能捕捉整体转变趋势。

（4）SHAP特征重要性分析

SHAP分析显示，转变时间（t）、镍含量（Ni）和碳含量（C）是影响转变温度预测的主要特征。较高的碳和铬含量与预测的Bs显著降低相关，这与既有冶金学行为一致。工程化特征和对数变换特征提供了细微的贡献，增强了模型的可解释性。

（5）独立钢种验证

利用十五种完全未参与训练的独立钢种成分进行验证。所选验证钢涵盖低、中、高碳钢以及含Ni、Cr、Cu、Mo的合金钢。在250℃-900℃温度区间和1-10⁵秒的转变时间范围内，预测的相变边界与实验曲线高度一致。模型成功再现了扩散控制形核和生长机制的特征C形曲线，尤其是在600-650℃、中间孕育期（约10-100秒）的转变鼻部区域被高精度捕捉。拟合优度图显示，Ps和Bs边界的预测与实验值吻合较好，而Pe和Be边界表现出较大离散，反映了在未见成分下外推转变结束边界的更大难度。

四、研究结论与意义

本研究表明，提升算法尤其是CatBoost能够准确有效地预测所有相变边界的转变温度。CatBoost通过降低RMSE（特别是对珠光体开始和贝氏体结束）同时保持高相关系数（R²≥0.97，CC=1.0），展现出最一致的总体预测性能。这些改进归因于CatBoost的有序提升机制、对称树构建和原生特征处理能力，它们相比传统梯度提升方法具有更好的泛化性和更低的过拟合风险。此外，钢种成分划分验证表明，在严格外推到未见钢种成分时预测性能会有所下降，反映了跨不同合金类别泛化相变动力学的复杂性增加，但该框架仍能捕捉整体转变趋势和相变边界行为。总体上，该框架为在宽范围的碳钢和低合金钢中估算实验报道的TTT转变边界提供了一种准确且可解释的数据驱动方法。未来工作将集中于扩展到更复杂的转变行为，包括采用分支感知（branch-aware）学习策略处理具有分离双C曲线的钢种，并扩充实验数据集。该研究发表在《Journal of Alloys and Metallurgical Systems》上，其意义在于为快速估算TTT图提供了可靠的计算工具，有助于减少繁重的实验工作，并支持合金成分设计与热处理工艺优化。