利用机器学习方法研究挤压温度和速度对高强度Al-Mg-Si合金力学性能的影响

《Materials Science and Engineering: A》：Investigating the effects of extrusion temperature and speed on the mechanical properties of high-strength Al-Mg-Si alloys using machine learning methods

本研究通过机器学习模型优化Al-Mg-Si合金挤压参数，确定最佳参数为EXR 40，EXT 540°C，EXS 1.1mm/s，实现UTS 402.4MPa，YS 385.5MPa，EL 10.3%，并通过SHAP分析和微观表征验证了模型的有效性，提出数据驱动方法用于合金工艺优化。

　　

李军|叶玲颖|王宇|王玉辉|邹国同|段涛|唐建国

中南大学材料科学与工程学院，中国长沙，410083

摘要

传统上，设计新型合金的工艺参数通常依赖于效率低下的试错方法。在本研究中，将元素物理化学参数与特征选择相结合，开发了一个具有强大预测能力的机器学习模型。通过帕累托分析，确定了高强度Al-Mg-Si合金的最佳挤压参数：挤压比（EXR）为40，温度（EXT）为540°C，速度（EXS）为1.1 mm/s。在这些条件下，合金的极限抗拉强度（UTS）、屈服强度（YS）和延伸率（EL）分别为402.4 MPa、385.5 MPa和10.3%。此外，通过Shapley加性解释（SHAP）分析揭示了工艺参数与机械性能之间的显著非线性相互作用。通过电子背散射衍射（EBSD）和透射电子显微镜（TEM）研究，发现强度-延展性机制是由晶界、位错、织构和沉淀物的竞争效应共同作用的结果。这种数据驱动的策略为优化和设计合金加工参数提供了一种可靠的方法。

引言

Al-Mg-Si合金通常具有约300 MPa的中等强度，由于其优异的成形性和低生产成本，被广泛应用于高端交通工具[[1], [2], [3]]。然而，随着对高速铁路需求的增加，现有商用中等强度Al-Mg-Si合金的应用受到强度限制[[4], [5], [6], [7], [8]]。因此，开发高强度Al-Mg-Si合金以扩展其工程应用成为重要的研究方向[9,10]。

提高Al-Mg-Si合金强度的主要策略有两种：一是通过添加Cu、Mn、Cr和Zr等元素进行微合金化，促进纳米沉淀物的形成以实现沉淀强化[[11], [12], [13]]；二是通过分散作用固定晶界，从而增强合金的机械性能。同时，优化挤压工艺参数显著影响微观结构演变和强度[[14], [15], [16]]。这种方法涉及控制特定挤压比（EXR）下的挤压温度（EXT）和速度（EXS）[14]。例如，李等人[16]通过参数优化将Al-Mg-Si-Cu-Mn合金的抗拉强度从198.5 MPa提高到314.4 MPa；赵等人[4]报告称，最佳参数（540°C和0.5 mm/s）使6005A合金的抗拉强度从160 MPa提高到254 MPa。这些研究表明，挤压工艺控制是提高强度的有效策略。

传统上，工艺参数对合金微观结构和性能的影响是通过试错方法和经验判断来探索的[17,18]。然而，随着新合金的快速涌现，这些方法在效率和适应性方面存在局限性。算法和计算能力的进步显著提升了数据处理和智能决策的能力[[19], [20], [21]]。因此，数据驱动的机器学习方法在合金成分设计[22]、工艺参数优化[23]和多目标性能协同[24]方面显示出显著优势。例如，冯等人[25]利用成分特征开发了Al-Mg-Si合金的预测模型，并通过优化算法设计出抗拉强度达到400 MPa的合金。然而，关于高强度Al-Mg-Si合金的公开数据仍然有限。要实现高强度，通常需要高合金化的成分[11,[26], [27], [28]]或添加稀土元素[29]，但这可能会影响挤压产品的加工性能。因此，仅依赖成分特征的预测模型的准确性受到限制。为了克服这些限制，将成分转化为物理化学参数并构建统计特征（如均值和方差）可以提高模型的泛化能力和可解释性[[30], [31], [32]]。例如，张等人[30]通过特征选择构建了170个特征因子，实现了Cu合金强度和导电性的协同优化。总之，这些机器学习应用为优化新型Al合金挤压工艺以提高强度提供了宝贵的参考。

本研究探讨了新型高强度Al-Mg-Si合金的挤压参数优化问题。开发了一个强大的机器学习框架，以准确预测EXT和EXS对强度和塑性的影响。通过Shapley加性解释（SHAP）分析量化了各特征对机械性能的边际贡献，进一步通过电子背散射衍射（EBSD）和透射电子显微镜（TEM）等微观结构表征技术，建立了该合金的工艺-微观结构-性能关系模型。

机器学习框架

图1所示的研究框架包括四个关键步骤：数据准备、特征选择与模型构建、实验验证和模型解释。

(a)

数据准备：高质量的数据集是构建可靠机器学习模型的基础。收集了来自文献和实验室实验的252个数据点，涵盖了合金成分、挤压参数和机械性能。

数据分布

用于分析UTS和EL的数据集来自已发表的文献和现有实验室数据，包含252组数据。如图2a和b所示，展示了UTS和EL相对于EXT、EXS和EXR的分布情况。数据集中的Al-Mg-Si系列合金的UTS范围为230至430 MPa，EL范围在1%至17%之间。

特征选择与模型构建

共使用了132个合金因素（均值和方差因素）和6个工艺参数作为输入。首先，通过皮尔逊相关性分析...

机器学习的有效性

本研究基于合金元素成分和元素物理化学性质构建了初始特征空间。通过系统的特征筛选，成功识别出几个关键合金因素，实现了有效的降维。模型表现出很强的预测准确性，测试集R2值分别为UTS的0.91和EL的0.84。此外，基于机器学习模型构建的搜索空间能够快速找到帕累托最优解。

结论

总之，本研究构建了一个用于预测高强度Al-Mg-Si合金机械性能的机器学习模型。通过多尺度微观结构表征验证了模型预测的可靠性，证实了这种数据驱动方法相较于传统试错实验方法的优势。主要研究结果如下：

1)

构建了一个具有强大预测能力的机器学习模型

CRediT作者贡献声明

李军：撰写——原始稿件、方法论、数据整理。叶玲颖：撰写——审稿与编辑、监督、资金获取。王宇：监督、方法论。王玉辉：监督。邹国同：监督。段涛：监督。唐建国：监督。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本工作得到了国家关键研发计划（编号：2023YFB3710401）的支持。