基于机器学习和多特征融合技术的高温镍基单晶超合金的服役寿命预测与合金成分设计

《Intermetallics》：Creep life prediction and composition design of nickel-based single crystal superalloys based on machine learning and multi-feature fusion

　　

摘要

镍基金属单晶（SX）超合金之所以具有卓越的高温性能，其原因在于其复杂的化学成分能够精确调控微观结构的演变。针对传统“试错”方法的低效率以及数据驱动模型中缺乏物理解释能力的问题，本研究提出了一种结合数据和热力学参数的辅助框架，该框架利用先进的特征工程技术显著加速了合金的开发过程。关键在于纳入了关键的物理描述参数，并建立了相互作用项以量化固溶强化和沉淀强化的协同强化效应。比较评估表明，经过贝叶斯优化的XGBoost模型具有更高的准确度，其在测试集上的决定系数（R²）达到了0.9046。利用这一高精度模型，通过NSGA-II算法进行了多目标逆向设计，以实现SX超合金的抗蠕变性能与成本效益之间的平衡。优化后的合金中的γ′相具有较高的立方性以及密集的γ/γ′界面位错网络，这是其优异抗蠕变寿命的重要原因。在1050?°C/190?MPa的条件下，两种优化合金的抗蠕变寿命分别延长至173?h和162?h，而原材料成本则降低了约12%。这项工作为SX超合金的设计提供了一条新途径，从而验证了机器学习在材料科学中的实际应用价值。

部分摘录

数据集构建与基于物理的特征工程

本研究使用的数据集是一个高度代表性的SX超合金抗蠕变性能数据库，通过多源整合和严格筛选建立而成。该数据集包含483个样本，每个样本包含18个输入特征和1个输出标签。数据主要来源于三个方面：自主开展的实验数据、公共数据库和文献，以及超合金手册和相关航空航天材料标准。

模型筛选

在模型评估和验证阶段，为确保模型比较的公平性和实验结果的可靠性，本研究对特征工程和模型训练采用了统一的标准流程。首先，对于五种机器学习算法，采用一致的贝叶斯优化策略进行全局超参数优化，并利用训练集内的十折交叉验证作为超参数调整的评估标准。

结论

本研究成功构建了一个结合数据和热力学参数的XGBoost预测模型，有效提高了SX超合金抗蠕变寿命的预测精度。基于该模型，进行了多目标优化，以获得具有高抗蠕变寿命和低成本的SX超合金。

• (1)
  通过整合八个新的描述参数和特征相互作用，五种机器学习预测模型的测试集R²值分别为0.8629、0.8665、0.8696、0.8898和0.9046。

CRediT作者贡献声明

葛春涛： 文章撰写 – 原稿撰写。吕佩森： 文章撰写 – 审稿与编辑。周张锐： 形式分析。陈瑞志： 数据管理。刘立荣： 监督与资源协调。刘继德： 形式分析。

资助

本项目得到了辽宁省自然科学基金（2025-BSLH-294）和先进材料国家重点科技专项（2024ZD0600800）的支持。

利益冲突声明

作者声明，他们没有已知的可能会影响本文研究工作的财务利益或个人关系。

葛春涛|吕佩森|周张锐|陈瑞志|刘立荣|刘继德沈阳工业大学材料科学与工程学院，中国沈阳，110870