基于噪声增强集成学习与SHAP引导多目标优化的Mg-Gd-Y-Zn-Zr合金强度与塑性协同工艺设计

《Journal of Magnesium and Alloys》:Synergistic process optimization for strength and ductility in an Mg-Gd-Y-Zn-Zr alloy using an interpretable ensemble learning framework with data augmentation

【字体: 大 中 小 】 时间:2026年09月22日 来源:Journal of Magnesium and Alloys 15.8

编辑推荐:

  :实现高性能一直是合金设计的首要目标。随着材料信息学的发展,数据驱动方法与领域知识的结合为合金多性能协同优化提供了新的设计范式。本研究提出了一种集成噪声增强集成学习与SHAP引导多目标优化的框架(ELNASMO),以实现Mg-13.9Gd-2.1Y-0.77Z

  
:实现高性能一直是合金设计的首要目标。随着材料信息学的发展,数据驱动方法与领域知识的结合为合金多性能协同优化提供了新的设计范式。本研究提出了一种集成噪声增强集成学习与SHAP引导多目标优化的框架(ELNASMO),以实现Mg-13.9Gd-2.1Y-0.77Zn-0.51Zr合金强度与塑性的协同优化。ELNASMO首先采用基于高斯噪声的数据增强方法扩展原始小样本数据集。在此基础上,研究人员构建并评估了基于Bagging、Boosting和Stacking策略的多种集成学习模型。结果表明,Stacking模型为最优预测器,其对抗拉强度(UTS)和延伸率(EL)预测的决定系数(R2)均达到0.98。通过将Stacking模型与SHapley Additive exPlanations(SHAP)方法相结合,研究人员分析了加工参数对UTS和EL的影响机制。基于这些发现及物理冶金学准则,研究人员对非支配排序遗传算法II(NSGA-II)的搜索空间进行了精化。随后,通过将Stacking模型与NSGA-II算法耦合,研究人员构建了UTS与EL的Pareto前沿,以在延伸率不低于铸态基线的条件下最大化强度。最优加工参数确定为:530°C均匀化处理10 h,440°C挤压,挤压比为16,挤压速度为0.5 mm/s。在此优化条件下,Stacking模型预测的UTS和EL值分别为456.6 MPa和7.4%。随后的实验验证获得实际值分别为451.1 MPa和6.3%。因此,ELNASMO框架在满足延展性工程约束的同时,有效实现了稀土镁合金的高强度设计。此外,该框架为其他复杂合金体系中多性能的协同优化提供了一种通用且高效的方法论策略。
论文解读:
一、研究背景与问题
镁(Mg)合金因其低密度(约1.74 g/cm3)而在金属结构材料中占据重要地位。与铸造镁合金相比,变形加工技术可显著提升镁合金的抗拉强度(UTS),但受金属材料固有的强度-塑性倒置关系制约,追求更高强度的同时往往伴随塑性的急剧下降。如何在确保延伸率(EL)不低于铸态基线的前提下显著提升变形镁合金的强度,一直是制约镁合金在高性能结构件中应用的关键瓶颈。
近年来,Mg-Gd-Y-Zn-Zr合金因长周期堆垛有序(LPSO)相的形成而备受关注,该相赋予合金优异的综合力学性能。然而,铸态合金的粗大晶粒和不均匀微观组织往往阻碍其力学潜力的充分发挥。挤压作为一种能够显著细化晶粒并使微观组织均匀化的塑性变形工艺,被公认为提升材料强度与塑性的有效方法。均匀化处理可增强成分均匀性、优化微观组织,消除铸造缺陷的不利影响,从而显著改善合金的热加工性能。因此,合理设计Mg-Gd-Y-Zn-Zr合金的加工参数可获得优异的综合力学性能。
传统合金加工参数优化高度依赖试错法,该方法成本高、耗时长,且在多变量系统中难以识别最优解。当前,机器学习(ML)与材料数据库的融合正在加速材料信息学的发展,其核心目标是利用数据驱动方法揭示材料科学中复杂的成分-工艺-性能(CPP)关系。然而,在数据驱动的材料科学研究中,高保真实验数据的稀缺往往制约ML模型的预测精度和泛化能力。尽管基于生成对抗网络(GANs)的深度学习策略在数据集增强方面已被证明有效,但其实现通常涉及复杂网络架构设计和较高训练成本。相比之下,高斯噪声作为一种基于统计扰动的轻量级数据增强策略,为合金数据集的扩展提供了新途径。此外,单一机器学习算法往往难以精确拟合合金成分、加工参数与力学性能之间高维且强非线性耦合的关系,而集成学习策略相比单一模型展现出更优的映射与泛化能力。为缓解ML模型固有的"黑箱"特性,SHapley Additive exPlanations(SHAP)方法常被用于可解释性分析,以量化合金元素和加工参数对力学性能的边际贡献。在传统实践中,非支配排序遗传算法II(NSGA-II)通常直接基于原始数据集的数值边界定义搜索空间,这种优化策略常存在计算冗余问题。
二、研究内容与结论
针对上述问题,本研究提出了ELNASMO框架,旨在优化Mg-13.9Gd-2.1Y-0.77Zn-0.51Zr合金的均匀化和挤压加工参数,在确保挤压合金EL不低于铸态塑性基线的条件下最大化其UTS。该框架通过高斯噪声数据增强缓解数据稀缺限制;评估Bagging、Boosting和Stacking三种集成学习模型以确定泛化能力最优的预测器,并辅以SHAP分析提供物理可解释性;在SHAP揭示的特征洞察与冶金学知识的双重引导下精化NSGA-II搜索空间,克服传统无约束逆向设计的效率瓶颈;最终通过实验验证框架在强度与塑性协同设计中的有效性。该研究发表于《Journal of Magnesium and Alloys》。
三、关键技术方法
研究人员通过文献、技术专著及课题组历史实验记录收集了184条Mg-Gd-Y-Zn-Zr系合金数据,涵盖合金成分(Mg、Gd、Y、Zn、Zr)、加工路线(均匀化和挤压)及力学性能(UTS和EL)。研究采用高斯噪声数据增强技术生成高保真虚拟样本以扩展数据集;构建了基于Bagging、Boosting和Stacking策略的三种集成学习架构,并采用贝叶斯优化(BO)进行超参数调优;利用SHAP方法解释模型预测机制并量化特征贡献;基于可解释性反馈和冶金学知识精化NSGA-II搜索空间,以铸态合金塑性为基线下限,迭代优化获得强度与塑性的Pareto前沿。实验验证采用Mg-8.5Gd-4.5Y-0.8Zn-0.4Zr合金铸锭,在750°C(±5°C)井式电阻炉中熔炼,以CO2和SF6为保护气氛,采用扫描电子显微镜(SEM)和电子背散射衍射(EBSD)技术表征微观组织。
四、研究结果
数据集与特征分布:所建立的数据集包含184条Mg-Gd-Y-Zn-Zr系合金数据,UTS和EL分布范围广泛,分别主要集中在200–450 MPa和0.6%–20%之间。按加工历史将数据集分为四类:铸态、均匀化态、均匀化后挤压态和直接挤压态。"均匀化后挤压"样品通常表现出更优异的UTS和EL值。
数据增强与模型构建:通过引入高斯噪声生成具有物理意义的虚拟样本,扩大数据集规模并增强模型泛化能力。基于增强数据集构建了三种集成学习模型,通过比较确定Stacking模型为最优预测器,其对UTS和EL预测的R2均达到0.98。
SHAP可解释性分析:通过将Stacking模型与SHAP方法结合,量化了各加工参数对UTS和EL的贡献,揭示了加工参数对力学性能的影响机制,为NSGA-II搜索空间的精化提供了依据。
多目标优化与实验验证:将Stacking模型与NSGA-II算法耦合,构建了UTS与EL的Pareto前沿。最优加工参数确定为:530°C均匀化10 h、440°C挤压、挤压比16、挤压速度0.5 mm/s。模型预测UTS和EL分别为456.6 MPa和7.4%,实验验证实际值分别为451.1 MPa和6.3%,预测与实验结果吻合良好。
五、讨论与结论
ELNASMO框架有效实现了稀土镁合金的高强度设计,同时满足延展性工程约束。该框架通过高斯噪声数据增强缓解了小样本数据对模型预测精度和泛化能力的制约;通过集成学习策略构建了准确的CPP映射关系;通过SHAP可解释性分析与冶金学知识的结合精化了NSGA-II搜索空间,克服了传统宽范围搜索的效率瓶颈。实验验证证实了该框架在强度与塑性协同设计中的有效性。ELNASMO作为通用设计方法论,对其他复杂合金体系的多性能协同优化具有重要推广价值,为高性能材料的开发提供了新的设计范式。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号