《Journal of Materials Research and Technology》:Machine learning assisted construction of local activation energy and processing maps for hot deformation of TC17 titanium alloy
编辑推荐:
为提高热变形行为的预测效率并减少对大量实验采样的依赖,研究人员建立了四种机器学习模型,包括极端随机树(Extra Trees, ET)、K近邻(K-Nearest Neighbors, KNN)、支持向量回归(Support Vector Regressio
为提高热变形行为的预测效率并减少对大量实验采样的依赖,研究人员建立了四种机器学习模型,包括极端随机树(Extra Trees, ET)、K近邻(K-Nearest Neighbors, KNN)、支持向量回归(Support Vector Regression, SVR)和随机森林(Random Forest, RF),用以重构TC17钛合金的流变应力行为。研究人员利用完全排除在模型开发之外的中间应变率0.1 s-1的实验测量保持数据集评估了这些模型的插值能力。ET、SVR和KNN的表现优于RF,其中ET的预测精度最高,其决定系数R2、归一化均方根误差(NRMSE)、归一化平均绝对误差(NMAE)和平均绝对相对误差(AARE)分别达到0.9239、7.44%、5.12%和5.11%。不同于以往主要将机器学习用于流变应力预测继而进行传统加工图构建的机器学习辅助加工图研究,本框架进一步利用重构的连续流变应力场来推导应变依赖的局部表观激活能(Apparent Activation Energy)场,并将其与Murty功率耗散效率(Power Dissipation Efficiency, η)和流变失稳准则(Flow Instability Criterion, ξ)联合评估。这使得候选加工条件能够从局部变形动力学、能量耗散和流变稳定性三个互补视角进行评估。基于真应变0.65时非负ξ、上三分位η(≥0.4637)和下三分位局部表观激活能Q(≤223.49 kJ mol-1)的分层筛选程序,研究人员确定了一个保守的候选加工子域,即800–835 °C和约0.006–0.01 s-1。电子背散射衍射(EBSD)表征进一步支持830 °C/0.01 s-1作为该子域内的优选代表性条件,其平均核平均取向差(KAM)为0.414°,再结晶、亚结构和变形晶粒分数分别为44.88%、47.12%和7.98%。这些结果表明,所提出的机器学习辅助框架为关联局部变形动力学与功率耗散及流变稳定性提供了一条集成化路径,从而能够从物理上为TC17钛合金识别候选热加工域提供信息依据。
**论文解读**
**一、研究背景与问题提出**
钛合金因其高比强度、良好的断裂韧性和优异的耐腐蚀性能,广泛应用于航空航天、发动机盘件和大型承力结构件中。TC17钛合金是一种典型的近β型高强钛合金,具有优异的强韧性匹配和良好的淬透性。在热变形过程中,TC17钛合金经历涉及多种机制的复杂变形和显微组织演化:在单相区,除加工硬化(Work Hardening, WH)外,主要软化机制包括动态再结晶(Dynamic Recrystallization, DRX)和动态回复(Dynamic Recovery, DRV);而在两相区,还存在动态球化和动态相变等额外的α相演化机制。这些耦合机制使合适的锻造参数确定变得复杂,因此表征TC17钛合金的热变形行为并识别合适的热加工窗口对于控制加工缺陷和优化最终显微组织至关重要。
基于动态材料模型(Dynamic Materials Model)的加工图已被广泛用于评估金属材料的热加工性,其结合了功率耗散效率与流变失稳准则,可区分相对稳定的变形域与流变失稳区域。然而,传统加工图通常需要在足够密集的温度-应变速率矩阵上获取热压缩数据,且计算得到的域边界可能对数据密度、插值和数值微分敏感。此外,失稳准则虽可识别可能易发生不稳定塑性流动的条件,但预测的失稳域不应在缺乏额外实验表征或损伤分析的情况下被解释为特定宏观失效模式(如开裂或断裂)的直接证据。
近年来,机器学习在材料性能预测、显微组织表征、工艺优化和材料发现等领域的应用取得了显著进展,机器学习辅助加工图构建因此成为一种有前景的方法。然而,现有相关研究主要将预测的流变应力用于计算功率耗散效率和流变失稳参数,而对温度-应变速率依赖的表观激活能场所包含的额外动力学信息关注相对有限,特别是在其与功率耗散和流变稳定性的联合解释方面。
**二、研究内容与意义**
针对上述局限,本研究建立了一个集成框架,将基于机器学习的流变应力重构、不同应变下的局部表观激活能映射以及Murty加工图分析相结合,用于评估层片状组织TC17钛合金的热变形行为。该方法论贡献在于:从重构的流变应力响应中推导局部表观激活能场,并评估其与Murty加工图所识别的功率耗散和流变失稳域的空间对应关系。候选热加工条件因此从表观变形动力学、功率耗散和流变稳定性三个维度进行评估,最终通过EBSD表征检验选定代表性条件下的显微组织响应。
**三、关键技术方法**
研究人员从热锻TC17棒材上获取了名义成分为Ti-4.65Al-4.05Cr-4.37Mo-2.34Sn-1.78Zr(wt.%)的圆柱试样(Φ8 mm×12 mm),其β相变点约为890 °C。采用Gleeble 3800热力模拟试验机在770、800、830和860 °C四个温度及0.001、0.01、0.1和1 s
-1四个应变速率下进行热压缩实验,从真应变0.01至0.65共采集1040个流变应力数据点。模型开发前,将所有0.1 s
-1条件下的260个测点完全排除,剩余780个点按80:10:10随机划分为训练集、测试集和验证集。采用四种回归模型(RF、SVR、ET、KNN),通过网格搜索和五折交叉验证优化超参数。利用ET重构的流变应力场,基于Arrhenius双曲正弦关系,先在固定真应变下通过局部斜率分析计算局部应力指数和温度敏感系数,再以二阶多项式重构连续的局部表观激活能场。同时,采用Murty积分方法计算功率耗散效率和流变失稳参数,建立激活能-加工耦合图(Activation Energy Processing map, AEP map),并通过分层筛选程序确定候选加工域。EBSD表征使用Zeiss GeminiSEM 300配备的Oxford NordlysMax探测器,以0.2 μm步长采集数据,基于晶粒取向扩展(Grain Orientation Spread, GOS)进行再结晶分类:GOS<1°为再结晶晶粒,1°≤GOS≤7°为亚结构晶粒,GOS>7°为变形晶粒。
**四、研究结果**
**4.1 TC17合金热变形流变应力行为**
实验真应力-真应变曲线表明,在变形初始阶段,由于与位错增殖相关的加工硬化主导了动态软化,流变应力迅速增加;达到峰值应力后,流变应力逐渐下降,这归因于动态回复、动态再结晶和动态α球化的综合作用。在给定应变下,流变应力通常随应变速率增加和变形温度降低而增大。这是因为较高的应变速率使位错湮灭和显微组织恢复的时间不足,而较低的温度抑制了热激活位错运动和动态软化。此外,高温下β相分数增加可改善变形协调性,因为体心立方(BCC)β相比密排六方(HCP)α相具有更多易激活的滑移系统。
**4.2 基于机器学习的流变曲线预测方法**
皮尔逊相关分析揭示,应变速率与流变应力呈正相关,温度呈负相关,应变的相关程度较低。四种模型在测试集和验证集上均表现出较高的决定系数,但误差指标存在明显差异:ET和KNN在两个数据集上均取得较低的NRMSE、NMAE和AARE值,表明较好的总体泛化性能;RF训练误差极小但测试误差大幅增加,提示存在过拟合倾向;SVR在所选超参数下训练和测试误差均较大,表明拟合不足。在完全排除于模型训练之外的0.1 s
-1保持数据集上,ET取得了最高的预测精度,R
2=0.9239,NRMSE=7.44%,NMAE=5.12%,AARE=5.11%,且在所有四个温度下均与实验曲线表现出最一致的一致性,因此被选用于后续流变应力场重构。
**4.3 机器学习辅助的连续局部激活能场重构**
基于ET预测峰值应力的传统双曲正弦Arrhenius关系标定得到应力乘子α=0.00737 MPa
-1,应力指数n=3.266,全局表观激活能Q=494.46 kJ mol
-1。该值落在此前文献报道的TC17合金随应变变化的表观激活能范围内(约567.7±97.9至332.5±60.5 kJ mol
-1),但应理解为一个描述耦合变形响应的有效全局表观激活能,而非单一微观机制的本征激活能。通过局部斜率分析重构的连续局部表观激活能场随应变增加而整体下降:真应变0.10时,连续Q值范围为423.72–655.66 kJ mol
-1;至真应变0.65时降至186.62–312.24 kJ mol
-1。低应变下较高的Q值应解释为局部有效表观激活能,反映了初始变形阶段加工硬化、位错增殖与交互作用、α片层与β基体间的应变协调以及片层弯曲、转动或扭折等多种耦合过程对温度-应变速率敏感性的贡献。随应变增加,动态回复、再结晶、球化和组成相间应变重新分布逐步发展,可改变流变应力及其对变形条件的敏感性,从而为Q的下降提供合理解释。
**4.4 热加工图的构建**
在真应变0.65下,采用分层筛选程序(ξ≥0,η≥0.4637,Q≤223.49 kJ mol
-1),定量交集产生了一个近似包络范围为791–851.5 °C和0.0046–0.0155 s
-1的候选区域。为避免对插值边界的过度解读,报告了一个包含在该计算候选掩模内的保守矩形子域:800–835 °C和约0.006–0.01 s
-1。在该子域内,830 °C/0.01 s
-1的Q、η和ξ分别约为205 kJ mol
-1、0.48和0.097,满足全部三项筛选标准。EBSD表征显示该条件下平均KAM为0.414°,再结晶、亚结构和变形分数分别为44.88%、47.12%和7.98%,表明局部取向梯度有限且储存变形能部分释放。相比之下,800 °C/1 s
-1(预测失稳区)平均KAM高达1.117°,变形分数达87.94%;860 °C/0.001 s
-1则表现出以回复和热激活晶粒粗化为主的响应,再结晶分数仅1.03%,亚结构分数达88.70%。这些EBSD观测从微观层面印证了不同加工图区域的相对功率耗散和流变稳定性特征。
**五、总结讨论与研究结论**
本研究的主要贡献在于:将机器学习重构的连续流变应力场同时用于推导局部表观激活能场和构建Murty加工图,实现了局部变形动力学、功率耗散和流变稳定性三个维度的联合评估。研究结论如下:(1)在四种模型中,极端随机树(ET)在完全排除于模型开发之外、实验测量的中间应变率0.1 s
-1保持数据集上表现出最佳的插值性能,R
2=0.9239,NRMSE=7.44%,NMAE=5.12%,AARE=5.11%。(2)由ET重构流变应力场计算的局部表观激活能随应变增加显著下降。在真应变0.65时,Q范围为186.62至312.24 kJ mol
-1,表明有效表观变形动力学具有显著的应变依赖性。(3)基于ξ≥0、η≥0.4637和Q≤223.49 kJ mol
-1的分层筛选,确定了保守的候选加工子域800–835 °C和约0.006–0.01 s
-1。EBSD观测支持830 °C/0.01 s
-1作为该子域内优选候选条件,平均KAM为0.414°,再结晶、亚结构和变形分数分别为44.88%、47.12%和7.98%。这些观测与所选条件的相对动力学、功率耗散和流变稳定性特征一致,但不应被解释为对整个加工域的有效性验证或全局最优条件的证据。该框架为TC17钛合金热加工域的物理信息识别提供了一条集成化路径。