多模态机器学习量化高熵形状记忆合金局部成分-结构-硬度关联的研究

《Scientific Reports》：Synchrotron X-ray-informed machine learning for local hardness mapping in a Cu–Ni–Ti–Hf–Zr high-entropy shape-memory alloy

　　

摘要

本研究采用有监督机器学习框架，将共定位的同步辐射X射线荧光（XRF）、X射线纳衍射（XND）、热力学描述符和纳米压痕测量数据与原位铸造Cu₁₅Ni₃₅Ti₂₅Hf_12.5Zr_12.5高熵形状记忆合金（HESMA）的局部硬度进行关联分析。该分析共使用516个测量点，并在折次感知的留一法交叉验证（LOOCV）条件下评估了多层感知器（MLP）、k最近邻（KNN）、随机森林和CatBoost四种回归器。研究比较了三组特征族：单独使用逐点归一化的局部XRF成分值、不含弹性模量E的XRF/XND/热力学特征，以及包含纳米压痕导出的E和折次感知交互项的多模态特征族。对于CatBoost回归器，仅成分模型、无E模型和多模态模型分别获得了LOOCV R²值为0.065、0.214和0.342，对应的平均绝对误差分别为63.4、57.5和53.8 HV。折外预测图再现了广泛区域的硬度趋势，但仍保留了显著的逐点残差。留一晶粒验证产生了非正的R²值，表明尚未建立对未见晶粒的可靠迁移能力。这些结果表明，该方法应被定义为量化局部成分–结构–性能关联的映射域框架，而非跨晶粒、成分范围或合金体系的通用预测器。