《Journal of Alloys and Compounds》：Acoustic Emission-Based Deep Learning Models for Predicting Aging Conditions and Mechanical Properties in AA 7075
编辑推荐：
本研究对AA7075铝合金进行不同温度和时间的热处理，利用声发射信号和卷积神经网络模型进行分类，发现CNN准确率达89%，网格优化后92%，同时测试了机械性能如抗拉强度和硬度，最佳参数组合为100℃经6小时时效处理。
Huseyin Kose | Mujde Guzelgul
机械工程系，巴特曼大学，72001，巴特曼，土耳其
摘要
在本研究中，AA 7075铝合金样品在470°C下进行3小时的固溶处理，随后在100°C至225°C之间的温度范围内以15°C为间隔进行人工时效处理，时效时间分别为1小时、2小时、3小时、6小时和9小时。使用压电IEPE加速度计采集处理后样品的声发射信号，该加速度计能够记录由冲击引起的弹性波响应。开发并训练了一个卷积神经网络（CNN），并使用收集的数据集对其进行训练。通过训练好的CNN进行特征提取，然后将提取的特征作为输入用于各种机器学习（ML）模型，以评估其性能。采用交叉验证方法来评估CNN和ML模型的性能。CNN模型的分类准确率达到89%，显示出在区分热处理参数方面的强大能力；同样，在ML模型中，随机森林模型的准确率最高（89%），优于决策树模型（83%）和支持向量机模型（72%）。基于网格搜索的超参数优化将CNN模型的分类准确率提高到了92%。在100°C下时效6小时后，获得了最高的抗拉强度（UTS），达到590.9 MPa。在175°C和190°C下时效6小时后，硬度值最高（分别为159 HB和157 HB），而在225°C下时效9小时后，硬度值降至109.67 HB，表明微观结构发生了粗化。在190°C下时效1小时后，磨损质量损失最大，在100°C下时效1小时后磨损质量损失最小。
引言
AA 7075铝合金具有优异的机械性能，主要成分包括铝、锌、镁和铜[1]。由于其高强度、轻质和良好的抗疲劳性，AA 7075被广泛应用于需要材料承受高机械应力的行业[2]、[3]。此外，7075铝合金还具有很高的耐腐蚀性[4]。它特别适用于航空航天工业中的主要结构部件（如机翼、机身框架和起落架）的生产；汽车行业的悬架系统、底盘和传动轴；以及国防工业中的轻武器部件（如弹道装甲板、步枪机匣和精密弹药部件）[3]、[5]、[6]、[7]。
AA 7075合金的最终机械性能在很大程度上取决于热处理（HT）工艺，特别是与微观结构发展过程相关的时效处理。在这个关键阶段，第二相沉淀物的分布、尺寸和密度会随着温度和时间参数的变化而变化，这些变化对拉伸强度、硬度和延展性等机械性能有显著影响。时效过程中的温度微小变化会导致铝合金的强度、韧性、抗疲劳性和耐腐蚀性出现显著差异[6]、[8]、[9]、[10]、[11]。
在许多应用中，热处理工艺的准确性至关重要，因为它直接影响机械性能。制造商需要可靠的方法来确定合金时效后的机械性能。当不同温度下的时效对机械性能产生非线性影响时，这一问题变得更加复杂。通常使用拉伸、硬度和磨损测试等机械测试方法来评估合金的机械性能。尽管这些测试提供了高准确性和可靠性，但它们在时间、劳动力和成本方面非常耗费资源。需要基于实验过程的预测模型来帮助工程师根据不同的时效条件预测材料行为，从而优化制造过程并降低成本。
能够通过无损机器学习（ML）和深度学习（DP）模型识别施加在合金上的热处理条件对于工业应用具有很高的价值，因为这可以降低生产成本并提高工艺质量。在本研究中，通过压电加速度计收集了在不同温度和时间组合下经过时效处理的AA 7075铝合金样品的声发射（AE）弹性波响应。这些信号不是由损伤产生的AE爆发，而是与材料共振相关的微结构敏感的弹性波形。收集的AE数据被用于数据驱动的建模，以预测热处理条件。为了确保实验的一致性，实验和测量设置都进行了标准化。使用卷积神经网络（CNN）和混合ML算法对获得的信号进行了分析，这些算法结合了端到端的DP分类器和基于CNN的特征提取。研究这些因素将有助于行业更好地理解优化后的时效过程，生产出具有所需机械性能的材料，降低关键应用中的故障风险，并提高AA 7075组件的整体可靠性。
近年来，ML和DP技术已成为预测、优化和设计铝合金机械性能的重要工具。Yu等人[12]表明，他们使用与成分和加工参数相关的小数据集开发的深度神经网络模型，比浅层神经网络和支持向量机方法具有更高的准确性和泛化能力。Latypov等人[13]比较了人工神经网络和微观力学模型与从分子动力学模拟获得的数据，以模拟纳米多孔铝的塑性变形行为；结果表明这两种方法都取得了成功。Pandya等人[14]开发了一个基于各向同性神经网络的模型，用于预测7075铝合金的热冲压过程中的断裂行为。Abd Elaziz等人[15]将Marine Predators算法与Random Vector Functional Connection网络集成，成功预测了焊接AA5083和AA2024合金的拉伸行为，并取得了高准确率。Wu等人[16]使用不同的ML算法成功预测了激光冲击处理后的FGH4095超级合金的残余应力、显微硬度和拉伸强度等参数。Decke等人[17]将传统物理模型与数据驱动模型（如SVR、随机森林和XGBoost）进行了比较，以模拟AA7075合金的热变形行为，并发现XGBoost具有高准确率和计算效率。Barboza[18]使用基于DP的分割技术对X射线断层扫描数据中的腐蚀诱导微观结构变化进行了无损分析；Freed[19]使用多种回归技术预测了7075-T6合金的疲劳裂纹生长，获得了比传统模型更好的性能。Li等人[20]使用BP-GA和RBF等混合ML方法对7xxx系列合金的加工-机械关系进行了建模；Cao等人[21]使用广义回归神经网络和支持向量回归器分析了时效过程对强度和耐腐蚀性的影响。最后，Li等人[22]使用基于Kriging的优化算法设计了Al-Zn-Mg-Cu系统中的新型高性能合金成分。这些研究表明，数据驱动方法在减少实验工作量、提高准确性和加速材料工程设计过程方面具有巨大潜力。
以往关于基于AE的ML或DP模型的研究主要集中在检测7xxx合金的裂纹扩展、疲劳损伤或断裂行为上。这些研究大多基于使用AE进行损伤机制监测，而直接基于AE响应数据对热处理参数进行分类的研究在文献中尚未报道。此外，现有文献缺乏系统地研究AE响应与热处理条件之间的关系及其对机械性能的影响的研究。本研究通过（i）使用CNN对温度-时间相关的冲击诱导AE响应进行分类，（ii）基于ResNet50进行混合特征提取，（iii）使用经典ML回归进行机械性能预测，以及（iv）将这些过程结合到一个质量控制模型中，做出了独特的贡献。
材料
在材料供应过程中，减少与微观结构相关的误差对于可靠地训练ML和DP模型非常重要。特别是在铸造过程中可能出现的微孔性、偏析和内部结构缺陷会使得在测试阶段难以获得可重复和一致的数据，并对模型的整体性能产生负面影响。因此，本研究中使用的AA 7075铝合金棒材经过了严格的质量控制。
使用机器学习和深度学习模型对时效条件进行数据驱动分类
使用能够检测冲击引起的加速度的压电加速度计捕获样品的动态响应，从而准确获取AE频率。在频域分析AE响应，以识别与每个热处理参数相对应的独特模式。图5展示了记录的AE响应的代表性示例。
图5展示了不同样品在时效过程中的首次和第二次记录的AE响应。
结论
本研究通过实验方法和数据驱动建模方法全面研究了T6时效条件对AA 7075铝合金机械性能的影响。对在不同温度和时间组合下进行人工时效处理的样品进行了机械测试，并使用DP和经典ML算法评估了从压电AE响应获得的数据。这些结果表明，AE数据携带了有意义的频谱信息。
结果复制
本研究中的方法和结果可以使用第2节中描述的数学模型进行重现。
CRediT作者贡献声明
Mujde Guzelgul：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，方法论，数据分析，概念化。Huseyin Kose：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，监督，方法论，数据分析，概念化。
竞争利益声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
