一种基于数据驱动的新策略，用于快速设计钛双金属的协同热处理方法

《Progress in Natural Science-Materials International》：A novel data-driven strategy for rapid design of synergistic heat treatment in titanium bimetal

钛合金双金属通过数据驱动方法结合XGBoost回归和NSGA-II优化算法设计协同热处理工艺，解决了传统经验式方法的效率瓶颈。实验验证显示，所设计的810℃/0.4 h-460℃/11.5 h热处理使HTS合金强度达1625 MPa，LTS合金延伸率18.55%，偏差均小于10%。

　　

李珊|高连阳|郝鹏飞|徐顺|姚家豪|范群博|杨林

北京工业大学材料科学与工程学院，冲击与碰撞材料科学技术国家重点实验室，北京，100081，中国

摘要

由具有不同成分和微观结构的合金组成的钛双金属为克服强度-延展性trade-off提供了一种途径，然而其协同热处理设计仍然受限于经验性的试错方法。为了解决这个问题，提出了一种数据驱动的逆向设计策略，该策略将XGBoost回归（XGBR）与非支配排序遗传算法II（NSGA-II）相结合。一个包含12,732个文献样本的数据集训练了四个XGBR模型，用于预测高强度（HTS）和高延展性（LTS）合金的拉伸强度（σ）和延伸率（δ），实现了R²值超过0.85。将NSGA-II优化与灰色关联分析（GRA）相结合，使得能够全面评估Pareto前沿解并选择最佳热处理参数。微观结构表征揭示了在设计的热条件下的α/β相演变，为数据驱动的预测提供了物理上的洞察。在代表性的HTS/LTS钛双金属（Ti-3.65Al-6.17Cr-4.08Mo-7.99V-4.01Zr（HTS）和Ti-4.22V-6.37Al-0.24C（LTS，重量%）上进行实验验证，结果表明，设计的熱處理（810°C/0.4小时-460°C/11.5小时）使HTS合金的拉伸强度达到1625 MPa，LTS合金的延伸率为18.55%，与目标值的偏差在10%以内。这些结果证明了XGBR-NSGA-II策略是一种有效且可推广的框架，它将数据驱动优化与实验表征相结合，用于快速准确地设计钛双金属。

引言

钛双金属由两种具有不同成分和机械性能的钛合金组成。利用界面的协同效应，它们可以在单个结构部件内实现强度和延展性的区域分布，从而克服传统钛合金中的强度-延展性trade-off限制。这些优势突显了它们在航空航天、国防和其他关键应用中的潜力[[1], [2], [3]]。目前，已经通过热轧、扩散焊接、增材制造和爆炸焊接成功制备了多种系统，包括TC4/TB8 [4]、Ti311/TC4 [5]、Ti-33Al-3V/TC17 [6]和TA15/TC4 [7]。在我们之前的工作中，采用了一种数据驱动的设计方法来优化钛双金属的合金成分和焊接温度，从而实现了界面的协调变形和牢固的冶金结合。这种方法有效地解决了钛双金属制备中的一个关键瓶颈[8]。变形后的热处理对于细化微观结构和提高双金属合金的整体机械性能至关重要。然而，由于钛合金的机械性能对热处理参数非常敏感，相同的熱處理过程往往无法同时充分利用两种不同成分合金的性能优势[9,10]。因此，钛双金属应用的挑战在于高效准确地制定一种协同热处理工艺，以实现两种合金独特性能的同时保持。

钛双金属的热处理过程涉及多个参数，包括处理步骤、温度和持续时间，这些参数与合金成分相互作用，控制微观结构的演变和机械性能，从而导致高维和强耦合的非线性关系[[11], [12], [13]]。在这种情况下，在相同的熱處理路径下实现两种合金的不同性能要求构成了一个多目标约束问题[[14], [15], [16]]。然而，传统的经验筛选和试错方法耗时、效率低下，且往往无法在广泛的参数空间内识别出最优解[17,18]。因此，开发一种基于“成分-工艺-性能”耦合的新型逆向设计策略至关重要。

机器学习（ML）的最新进展展示了其在钛合金性能预测方面的强大能力，能够从大型数据集中自动提取隐藏的相关性并构建准确的非线性模型[[19], [20], [21], [22]]。例如，Nohira等人[23]应用回归模型预测β型钛形状记忆合金的性能，通过特征工程实现了延伸率（δ）预测的R² = 0.817。Wang等人[24]使用TPE优化的XGBoost预测TRIP/TWIP近β钛合金的机械行为，拉伸强度（σ）和δ的R²值均超过了0.9。Liu等人[25]将缺陷描述符纳入ML模型中，预测SLM制造的TA15的高循环疲劳寿命，结果显示预测的S-N曲线与实验结果的可靠性偏差在±3σ范围内。

除了正向预测之外，基于目标性能的工艺参数逆向设计也成为了一个重要而具有挑战性的方向。设计变量的高维性以及目标之间的权衡使得基于ML的逆向设计变得复杂。尽管可逆神经网络和生成模型具有一定的逆向设计能力，但它们在多目标场景下存在训练成本高和可扩展性有限的问题[26,27]。因此，结合ML与优化算法（如遗传算法（GA）、粒子群优化（PSO）和贝叶斯优化（BO）的混合框架越来越受到重视[28,29]。Yu等人[30]结合数据增强、集成模型（GBDT-BPNN-XGBoost）和NSGA-Ⅱ，提高了LPBF制造的Ti合金的强度和延展性，分别达到了718 MPa和27.9%。Chen等人[31]建立了一个非线性映射模型，将激光定向能量沉积制造的TC4合金的工艺参数与性能联系起来，同时通过ICMA实现了晶粒细化、效率提升和能耗降低。

在异质材料中，也有研究探索了ML与多目标优化方法的结合。Hariharasakthisudhan等人[32]将GBDT模型与SPEA2结合，优化了Al₂O₃/SS316L复合材料的LPBF工艺参数，从而提高了压缩强度和摩擦性能。Wei等人[33]使用增强型自动编码器与多层感知器（MLP）模型结合，实现了GaN HEMT异质结构的成分和厚度的逆向设计。尽管取得了这些进展，但大多数现有研究都集中在制造工艺参数上，优化目标主要针对异质材料的整体性能。尚未系统地探讨统一热处理过程与两种组成材料的个体性能之间的关系。为了克服这一挑战，本研究提出了一种数据驱动的策略，用于钛双金属的协同热处理逆向设计。通过大规模文献挖掘构建了一个包含成分、热处理参数和机械性能的综合性数据集。然后分别训练ML模型来预测双金属系统中两种合金的拉伸强度和延伸率。结合NSGA-II，热处理温度和时间被用作设计变量，而两种合金的机械性能被设定为优化目标，从而实现了逆向设计。最后，通过实验验证了一种具有强冶金结合的代表性钛双金属。测试了其在设计热处理条件下的微观结构和准静态拉伸性能，验证了所提出方法的可靠性和通用性。

数据集构建

钛合金在成分和微观结构上表现出显著的多样性，其热处理过程也非常复杂。为了全面覆盖代表性的钛合金类型及其对应的热处理参数，使用关键词“titanium alloy”、“heat treatment”和“mechanical property”对公开文献进行了系统搜索。这次搜索得到了一个包含498个数据点的初始数据集，涵盖了181种不同的钛合金

皮尔逊相关性分析

为了初步探索钛双金属成分和热处理参数与两种组成合金机械性能之间的关系，基于输入特征（24种合金成分、S-Tep、S-Time、A-Tep和A-Time）与输出目标（σ_H、σ_L、δ_H和δ_L）之间的皮尔逊相关系数（r）进行了相关性分析。图5展示了所有变量之间的相关系数热图（图5

结论

本研究旨在开发一种高效的数据驱动策略，以替代钛双金属协同热处理设计中的经验性试错方法。通过将高精度的XGBR模型与NSGA-II多目标优化算法相结合，建立了一个逆向设计框架。首先构建了一个包含12,732个文献样本的综合性数据集，以支持预测建模，使XGBR模型能够实现可靠的性能（R²

CRediT作者贡献声明

李珊：撰写——原始草稿、方法论、正式分析、数据管理。高连阳：研究、数据管理。郝鹏飞：正式分析、数据管理。徐顺：撰写——审稿与编辑、资金获取。姚家豪：资金获取。范群博：撰写——审稿与编辑、可视化、方法论。杨林：撰写——审稿与编辑、可视化。

数据可用性

数据将应要求提供。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。