预测搅拌摩擦焊AA6064铝合金拉伸行为的混合机器学习框架：与有限元分析的比较研究

《Next Materials》：A hybrid machine learning framework for predicting the tensile behaviour of friction-stir-welded AA6064 aluminium alloy: A comparative study with finite element analysis

　　

本研究评估了数据驱动的机器学习模型能否比经过校准的基于物理的有限元分析（FEA）替代模型更准确地预测搅拌摩擦焊AA6064接头的力学性能，并确定了最大化接头效率的最佳参数设置。采用L9 Taguchi实验设计，使用H13锥形螺纹工具对8 mm厚AA6064板材进行焊接，转速范围为650–1000 rpm，前进速度为20–40 mm/min，轴向力为200–300 N，工具倾角恒定为2°。所得焊缝的屈服强度为125–153 MPa，极限抗拉强度（UTS）为179–216 MPa，伸长率为2.19%–5.90%，相对于母材达到81.8%的峰值接头效率。为对这些结果进行建模，研究人员在实验数据集上训练了一个4–6–3人工神经网络（ANN）和一个500树随机森林回归器，并使用平均绝对百分比误差（MAPE）、均方根误差（RMSE）、决定系数（R²）和留一交叉验证（LOO-CV）将其与FEA替代模型进行基准比较。ANN总体上实现了最高精度，UTS的训练MAPE为0.84%，R²为0.974，而随机森林的MAPE为1.46%，R²为0.943。在LOO-CV下，UTS的预测误差ANN为4.50%，随机森林为4.30%，均显著优于FEA模型的9.06%误差率。在更广泛的评估中，ANN将总体预测误差从40.82%（FEA）降低至8.97%，精度提高了约4.6倍。在最优Taguchi工艺条件（900 rpm、30 mm/min、250 N轴向力和2°倾角）下，ANN模型预测的UTS为211.76 MPa，而实验值为216 MPa，预测误差仅为1.96%，而FEA模型的误差为8.89%。前进速度是焊缝性能的主要决定因素，归一化Gini重要性为0.450，其次是轴向力和转速，分别为0.373和0.177。工具倾角保持恒定，因此无法估计。由于实验矩阵中前进速度和轴向力同时变化，这两个因素完全混杂，无法区分其各自贡献，因此将其合并报告为0.823。方差分析证实了该混杂对对于极限抗拉强度（UTS）（p = 0.019）和伸长率（p = 0.001）具有统计学显著性，而转速对任何响应均不显著（p ≥ 0.40）。另外五种算法，即XGBoost、Light GBM、Cat Boost、支持向量回归和高斯过程回归，也使用相同的留一协议进行了训练。在测试的七种模型中，ANN和随机森林模型仍然是最准确的。在所考察的九条件设计内，所提出的AI/ML框架与用于基准测试的降阶物理替代模型（在单个CPU核心上训练耗时25 ms，每次查询149 μs）相比，以显著更低的计算成本实现了更高的预测精度。鉴于模型仅基于九个实验条件进行训练，并通过留一交叉验证、y随机化和单次确认试验而非独立测试集进行验证，所报告的精度应被视为在所研究工艺窗口（650–1000 rpm、20–40 mm·min^-1、200–300 N）内的性能指标，而非通用外推能力的证据。交叉验证误差的Bootstrap 95%置信区间跨度约为±1.5个百分点，且学习曲线在八个训练点处尚未饱和，表明该框架受数据限制而非能力限制。

论文解读：预测搅拌摩擦焊AA6064铝合金拉伸行为的混合机器学习框架

搅拌摩擦焊（Friction Stir Welding, FSW）是一种固态连接工艺，利用非消耗性旋转工具产生摩擦热与塑性变形，从而实现冶金结合。由于峰值温度低于母材熔点，FSW可避免气孔、热裂纹、凝固收缩等熔化焊缺陷，在航空航天、船舶、轨道交通、国防与汽车工业中具有重要地位。AA6064铝合金因其中等强度、可热处理强化、高比强度及良好耐蚀性而被广泛用于结构应用，但与其他6xxx系合金类似，在焊接热循环中热影响区（Heat-Affected Zone, HAZ）和热机影响区（Thermo-Mechanically Affected Zone, TMAZ）会发生沉淀相溶解与过时效，导致材料软化。因此，转速、前进速度、轴向力与倾角等工艺参数直接决定接头力学性能。传统有限元分析（Finite Element Analysis, FEA）虽能模拟热生成、温度场与材料流动，但计算成本高，且对拉伸强度与延展性的预测精度常不足。数据驱动的机器学习模型提供了快速替代方案，但现有研究多集中于单一预测方法、验证方案有限，或未能在相同实验数据集上直接对比FEA与数据驱动模型。为此，本研究针对AA6064合金，构建并验证了一种混合机器学习框架，以高效、准确地预测搅拌摩擦焊接头的拉伸行为。该论文发表在《Next Materials》。

研究人员采用L9 Taguchi正交实验设计，使用H13锥形螺纹工具对8 mm厚AA6064-T6板材进行对接焊，转速范围650–1000 rpm，前进速度20–40 mm·min^-1，轴向力200–300 N，倾角固定为2°。焊后按ASTM E8M-21标准切取拉伸试样，获得屈服强度、极限抗拉强度与伸长率数据。建模方面，训练了4–6–3结构的人工神经网络（Artificial Neural Network, ANN）与500树随机森林（Random Forest, RF）回归器，并构建了基于Schmidt热输入公式的降阶物理替代模型作为基准。使用平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）、均方根误差（Root Mean Square Error, RMSE）、决定系数（R²）及留一交叉验证（Leave-One-Out Cross-Validation, LOO-CV）进行统一评估。此外，还训练了XGBoost、Light GBM、Cat Boost、支持向量回归和高斯过程回归五种算法，并进行了方差分析（Analysis of Variance, ANOVA）、y随机化控制与Bootstrap置信区间估计。

4.1 FEA、ANN和随机森林模型的性能比较
在相同数据集上，ANN对极限抗拉强度的训练MAPE为0.84%，R²为0.974；随机森林训练MAPE为1.46%，R²为0.943。LOO-CV下，UTS预测误差ANN为4.50%，随机森林为4.30%，均显著优于FEA模型的9.06%。对伸长率，FEA的MAPE高达40.82%，而ANN为8.97%，表明数据驱动模型在延展性预测上优势突出，这是因为强度主要受峰值温度与热输入控制，而延展性受粗化沉淀处的空洞形核与再结晶区应变硬化能力影响，这些难以用连续介质热力学公式描述。

4.1.1 方差分析与过程参数的统计显著性
方差分析显示，前进速度与轴向力完全混杂（相关系数为1），合并因子对UTS贡献84.8%的方差（p = 0.019），对伸长率贡献94.4%（p = 0.001），而转速对任何响应均不显著（p ≥ 0.40）。纯贡献分别为UTS 78.0%、伸长率92.6%、屈服强度43.0%。因此，前进速度与轴向力对是所研究窗口内拉伸行为的主导因素，但无法独立区分二者贡献。

4.1.2 扩展算法基准测试
在相同的留一协议下，七种算法的平均LOO-CV MAPE排序为：ANN（6.8%）、随机森林（7.9%）、Cat Boost（8.2%）、Light GBM（9.2%）、高斯过程回归（10.4%）、XGBoost（10.6%）、支持向量回归（11.3%）。ANN与随机森林是表现最好的两种模型。XGBoost虽训练误差接近零，但交叉验证R²仅为0.005，呈现典型过拟合，说明提升树在小规模正交阵列上结构劣势明显。

4.1.3 过拟合控制、可重复性与误差精度
对ANN进行30次随机初始化，训练MAPE与LOO-CV MAPE分别在0.61%–1.89%和3.11%–6.25%之间波动。y随机化测试表明，UTS和伸长率的交叉验证精度并非来自模型拟合噪声，但ANN对UTS的p值为0.055，边缘显著。Bootstrap 95%置信区间显示，随机森林对UTS的LOO-CV MAPE为4.30%，置信区间3.0%–5.7%。学习曲线在k=8时仍未饱和，说明当前精度受数据量限制而非模型容量限制。

4.1.4 独立测试集缺失的说明
由于仅9个实验条件，若划分训练、验证与测试集，各分区样本过少，因此采用留一交叉验证作为替代。确认实验与y随机化只是部分替代，无法完全等效于独立测试集，框架在实验窗口外的外推能力尚未验证。

4.2 确认实验验证
在Taguchi最优条件（900 rpm，30 mm·min^-1，250 N，2°）下，ANN预测UTS为211.76 MPa，实验值为216 MPa，误差仅1.96%；随机森林误差2.71%；FEA误差8.89%。确认实验证明了混合模型在工艺窗口内的有效性。

4.3 与已发表文献的比较
本研究中ANN的训练MAPE（0.84%）优于文献中Shojaeefard等报道的3.9%、Verma等的4.8%以及Padhy等的5.2%。随机森林LOO-CV MAPE为4.30%，与Anandan和Manisekar等报道的最佳随机森林结果相当。FEA替代模型的误差处于文献报道的8%–12%范围内，验证了其作为基准的合理性。

总结讨论与结论：研究表明，数据驱动模型在拉伸行为预测中显著优于降阶物理替代模型，尤其在延展性方面。ANN在最优条件下预测误差低于2%，推理时间仅149 μs，远低于FEA的计算成本，适用于实时控制与数字孪生场景。然而，前进速度与轴向力的完全混杂使得二者各自效应无法识别，倾角恒定不携带自由度，且缺乏微观组织表征数据，因此机制解释需谨慎。研究结论可概括为：第一，在九次运行的正交阵列上，ANN与随机森林是七种算法中最准确的，平均留一交叉验证MAPE分别为6.8%与7.9%，均优于物理替代模型（其伸长率误差达40.8%）。第二，数据驱动模型对延展性预测的改进最大，对强度预测的改进较小。第三，前进速度与轴向力对是统计上显著的主导因素，而转速在650–1000 rpm区间内无显著影响。第四，提升树集成在此类小规模三水平正交阵列上过拟合风险高，本研究的验证协议能够有效识别过拟合。该框架作为工艺窗口内的筛选与插值工具具有实用价值，但外推至窗口之外、转移至其他合金或厚度前需重新训练与验证。未来研究建议采用L27或D-最优设计以解开混杂，增加独立测试集及微观组织表征数据，进一步提升模型的可靠性与适用范围。