基于可解释机器学习的含铁耐热铸造Al-Cu合金的成分设计

《Journal of Alloys and Compounds》：Composition design of Fe-containing heat-resistant cast Al-Cu alloy based on interpretable machine learning

Al-Cu合金耐热性设计研究通过可解释机器学习方法（模型优化、元素筛选、遗传算法）实现了Fe含量合金的高效开发，显微结构揭示Al6(FeMn)相和S-Al2CuMg相对高温强度的贡献。Voting模型（XGBoost/GBR/LGBM）预测精度达R2=0.931，验证合金经T6处理强度达179.2MPa。

　　在当前材料科学领域，随着对高性能合金需求的不断增长，特别是对热强度要求较高的铝铜铸造合金，如何在复杂多组分系统中实现高效、可解释的设计成为一项关键挑战。传统的试错方法在面对多元素组合时显得效率低下，难以满足快速开发新型合金的需求。因此，借助先进的计算方法和机器学习技术，成为解决这一问题的重要途径。

本研究提出了一种结合模型优化、元素选择和遗传算法的可解释机器学习方法，用于设计热强度优异的铝铜铸造合金。通过该方法，成功开发出一种含铁的热强度铝铜铸造合金，并对其热强度机制进行了深入分析。研究结果表明，采用投票模型（Voting Model）的预测准确率（R2 = 0.931，MAE = 22.03）和鲁棒性（测试集R2/训练集R2 = 0.96）表现最佳。进一步分析发现，获得高性能合金的关键元素组合包括铜、镁、硅、钛、锰和铁。其中，铁含量较高的铝合金更容易实现优异的热强度性能。

在实验验证过程中，通过遗传算法优化，最终获得了Al-6.98Cu-1.82Mg-0.21Si-0.19Ti-0.53Mn-1.07Fe这一合金配方。该合金在铸造状态下表现出153.9 MPa的抗拉强度，在T6热处理后提升至179.2 MPa。通过微观结构分析发现，铸造态合金的热强度主要来源于一种名为Al?(FeMn)的相，而T6态合金的增强则归因于热处理过程中形成的椭球状S-Al?CuMg相。这一发现不仅揭示了铁在铝铜合金中的作用机制，也为未来合金设计提供了新的思路。

本研究还探讨了机器学习模型的可解释性问题，这对于理解模型决策过程至关重要。在机器学习辅助的合金设计中，模型的预测准确性和解释能力都是影响设计成功的关键因素。因此，研究中采用了两种常见的特征重要性评估方法：变量重要性度量（VIM）和SHAP（SHapley Additive exPlanations）。通过VIM评估，可以判断哪些元素对整体预测准确率贡献最大；而通过SHAP分析，则能够解释每个元素对特定预测结果的影响。特别是，利用SHAP依赖图（Dependence Plots），研究深入分析了铁含量对铝合金力学性能的影响。这些分析结果为后续的成分优化提供了重要依据。

在模型优化过程中，研究比较了六种集成模型（包括随机森林、支持向量回归、AdaBoost回归、XGBoost、梯度提升回归和LightGBM）的性能。结果显示，XGBoost、梯度提升回归和LightGBM在预测准确性和鲁棒性方面表现优于其他模型。然而，这些模型在测试集和训练集之间的R2值存在明显差异，表明其鲁棒性仍需进一步提升。因此，研究采用投票方法融合这三种模型，以增强整体模型的预测能力和稳定性。通过这一方法，成功提升了模型在实际应用中的可靠性，为后续的合金成分优化奠定了基础。

此外，研究还关注了可持续发展战略对铝合金设计的影响。随着资源消耗的加剧，回收和再利用铝合金材料变得越来越重要。然而，回收铝中的铁含量较高，给合金质量的控制带来了挑战，从而限制了其在高温环境下的应用。在热强度铝铜合金中，铁的杂质含量通常受到严格控制，以确保其力学性能。然而，一些研究发现，铁富集的金属间化合物由于具有良好的热稳定性，能够显著提升合金的高温力学性能。因此，对铁在铝铜合金中的作用进行全面分析，有助于在设计过程中合理控制其含量，从而实现性能与成本之间的平衡。

综上所述，本研究通过可解释机器学习方法，成功设计出一种具有优异热强度的铝铜铸造合金，并对其性能提升机制进行了深入分析。研究不仅为铝合金设计提供了新的技术路径，也为其他复杂合金系统的高效设计提供了参考。同时，通过模型优化和元素选择，研究强调了在实际应用中提升模型鲁棒性和解释能力的重要性。这些成果将有助于推动材料科学领域的发展，特别是在高温、高强度材料的应用方面。