从簇特征到变形行为：一种用于铝铜合金的分子动力学与机器学习框架

《Mechanics of Materials》：From cluster features to deformation behavior: a molecular dynamics and machine learning framework for Al-Cu alloys

　　

韩孙|庄新村|赵振|肖刚峰|夏秦香

华南理工大学机械与汽车工程学院，中国广州510641

摘要

铝合金的变形行为受到微观结构特征与加载条件之间复杂相互作用的影响。然而，传统的研究方法在探索高维和多尺度参数空间内的关系方面仍然存在局限性。为了克服这些限制，利用分子动力学模拟构建了一个综合数据库，并整合了多种机器学习模型，以建立一个可解释的框架，将铜簇特征与Al-Cu合金的变形行为联系起来。研究结果表明，所评估的机器学习模型能够可靠地预测强度和拉伸-压缩不对称性，一致地将铜簇的几何参数、晶体取向和变形模式确定为主导因素。特别是深度神经网络和随机森林模型在捕捉非线性相互作用方面表现出色，实现了超过0.85的未加权平均召回率和低于15的误分类率。此外，从预测结果生成的映射图揭示了簇几何形状与剪切强度之间的关系。分析表明，合理的簇设计能够实现强度和机械各向异性的综合优化。本研究建立了连接微观结构特征与宏观强度的定量关系，为预测铝合金的变形行为提供了一个可解释的、数据驱动的框架。

引言

由于具有较高的比强度、优异的耐腐蚀性和出色的可成形性，铝合金已被广泛应用于航空航天、交通运输和能源行业（秦等人，2016年；张等人，2024年，2020年）。簇的大小、形态和空间分布直接决定了合金的变形行为（刘L等人，2026年；刘X等人，2026年；赵等人，2024年）。因此，明确簇分布与宏观机械性能之间的联系，以及实现对簇形态和空间分布的精确控制，是开发强化型铝合金的关键科学和工程挑战。

近年来，大量研究报道了各种沉淀策略、热处理工艺（张等人，2025年；张Y等人，2021年）和变形过程（卢等人，2018年）对强化型铝合金强度的影响。这些方法旨在调控沉淀物的形核和生长，并调整其空间分布。Chuvil’deev等人（Chuvil’deev等人，2020年）研究了合金元素含量对铝合金中沉淀物类型和分布的影响，并开发了一种具有优异热稳定性和电导率的超细晶粒Al-0.5Mg-Sc合金。孙等人（孙等人，2019年）通过循环塑性变形控制簇的大小和分布，提高了铝合金的屈服强度和极限抗拉强度。梅等人（梅等人，2021年）通过热机械处理实现了纳米级沉淀物的更均匀分布，从而增强了Al-Cu-Mg合金的强度和耐腐蚀性。朱等人（朱等人，2025年）通过低能量激光冲击处理，实现了7075铝合金强度和延展性的协同提升，促进了次级纳米级沉淀物的形成并有效延缓了裂纹的起始。然而，铝合金在结构-性能关系中表现出明显的多尺度耦合特性，在复杂加载条件下的相关相互作用仍然难以量化。此外，由于实验和传统建模方法的固有局限性，系统探索这一高维参数空间既耗时又具有实验难度。

分子动力学（MD）模拟已成为研究塑性变形、簇强化和微观结构演变的强大原子尺度工具（刘等人，2025年；吴等人，2026年）。对于铝合金而言，MD模拟提供了关于簇周围应力场分布、位错绕过机制以及温度和应变率对变形过程中微观结构演变影响的原子级见解（Yanilkin等人，2014年）。Krasnikov等人（Krasnikov等人，2022年，2020年；Krasnikov和Mayer，2019年）进行了系统的MD模拟，研究了位错与各种沉淀物（包括GP区、θ′相和θ相）之间的相互作用，揭示了它们在变形过程中的强化行为。Fomin等人（Fomin等人，2021年）进一步探讨了边缘位错与1-4nm Cu簇之间的相互作用，表明簇的大小和密度显著影响了合金的宏观机械响应。尽管MD模拟提供了关于强化机制的宝贵原子级见解，但原子特性与宏观机械性能之间的内在关系仍不完全清楚。随着大量高保真模拟数据的积累，一个新兴的挑战在于有效提取这些数据集中嵌入的物理关联性和尺度律。机器学习（ML）技术的快速发展为连接微观结构特征与宏观性能提供了新的机会（Catal等人，2024年；何等人，2024年）。ML能够识别高维、非线性数据集中的潜在模式，并揭示传统模型难以捕捉的复杂耦合效应（韩等人，2020年）。李等人（张L等人，2021年）使用六个ML模型预测了不同温度条件下氧化物弥散强化钢的抗拉强度和伸长率，并建立了材料组成、加工和拉伸性能之间的关系。Messina等人（Messina等人，2021年）通过原子模拟量化了镁合金晶界处铝原子的偏聚能，并开发了一个ML模型来预测原子聚集行为。Pakzad等人（Zare Pakzad等人，2025年）结合MD和ML方法预测了硅纳米线的弹性模量，揭示了明显的取向依赖性行为。然而，现有文献仍缺乏对沉淀物形态和变形条件如何控制强化型铝合金强度演变的全面分析。因此，在强化机制的理解和实际应用方面仍存在显著差距。

基于这些考虑，本研究利用MD模拟构建了一个包含多维微观结构描述符和宏观机械响应的综合数据库，并通过多种机器学习算法进行了跨尺度、数据驱动的建模。确定了控制铝合金强化行为的关键物理特征。系统分析了簇几何形状、加载条件和机械响应之间的耦合影响。簇形态、变形参数和强化机制之间的定量关系为强化型铝合金的智能设计和性能优化提供了数据驱动的基础。

章节摘录

方法论

本节分为两部分来描述研究方法。第一部分介绍了使用MD模拟对含铜簇的Al-Cu合金进行建模的过程。随后部分详细描述了ML策略，包括数据准备、特征参数选择和所采用的算法。

数据集分布和相关性分析

对数据集进行了分析，以便更清楚地了解后续讨论的数据排列情况。图3(a)进行了散点图矩阵分析，揭示了特征变量之间的分布特征和潜在的相互关系。每个特征维度的数据表现出整体分散的分布，没有明显的共线性趋势或线性聚类结构，表明所选特征具有很强的

结论

在本研究中，将MD模拟与ML模型相结合，建立了Al-Cu合金微观结构与宏观变形行为之间的定量、跨尺度映射。通过系统阐明簇几何形状、变形条件和机械响应的耦合影响，本研究为轻质合金的强度预测和微观结构优化提供了一个数据驱动的框架。主要结论如下：

(1)

高维

CRediT作者贡献声明

庄新村：撰写——审稿与编辑、监督、研究、资金获取。韩孙：撰写——初稿、可视化、软件、方法论。肖刚峰：可视化、软件、资源。赵振：资源、项目管理、概念化。夏秦香：撰写——审稿与编辑、项目管理、资金获取

未引用参考文献

刘等人，2026年；张等人，2021年。

利益冲突声明

作者声明没有可能影响本文工作的潜在利益冲突或个人关系。

致谢

本研究得到了国家自然科学基金（项目编号：52575381和52375352）的支持。