氢含量对TC17钛合金时温转变行为的影响机制及机器学习预测模型研究

本研究针对氢含量调控TC17钛合金相变行为的难题，通过微观结构分析与机器学习模型（ANN/GPR/SVM）相结合，系统揭示了氢含量（0.1-0.5 wt%）对α相（αGB /αWGB /αWI ）析出动力学的影响规律，发现鼻尖温度（nose temperature）随氢含量增加呈先降后稳趋势，鼻尖时间（nose time）呈指数增长。研究为钛合金热氢处理工艺优化提供了理论支撑与智能预测工具。

　　

钛合金因其高比强度和优异耐腐蚀性，成为航空航天领域的明星材料。其中TC17合金（Ti–5Al–2Sn–2Zr–4Cr–4Mo）作为近β型两相钛合金，广泛应用于发动机关键部件。然而，传统热处理工艺对微观结构的调控精度有限，而氢作为"临时合金元素"的热氢处理技术（Thermal Hydrogen Treatment），可通过可逆氢化效应显著改变相变动力学，但氢含量与相变行为的定量关系尚不明确。此外，传统实验方法构建时温转变曲线（TTT）耗时费力，亟需引入智能预测手段。

为解决上述问题，山西某研究团队在《International Journal of Hydrogen Energy》发表研究，通过实验与机器学习双管齐下的策略，揭示了氢含量（0.1/0.3/0.5 wt%）对TC17合金等温转变行为的影响机制。研究采用金相分析追踪α相形貌演变，结合人工神经网络（ANN）、高斯过程回归（GPR）和支持向量机（SVM）三种算法构建预测模型，实现了TTT曲线特征的精准预测。

关键技术方法
实验采用Φ8×4 mm的TC17合金试样，通过固溶氢化获得不同氢含量（0.1-0.5 wt%）样品，在500-700°C区间进行等温处理。利用光学显微镜观察α相（α_GB
/α_WGB
/α_WI
）形貌演变，采用机器学习模型预测鼻尖温度和时间，其中输入参数包含氢含量、温度和时间，输出为相变特征参数。

Isothermal transformation behavior of TC17 alloy with 0.1 wt% hydrogen
0.1 wt%氢含量下，短时时效优先析出晶界α相（α_GB
）和魏氏组织α相（α_WGB
），延长时效后晶内形成大量针状α相（α_WI
）。630°C时效1分钟时α相析出速率最快。

Isothermal transformation behavior of TC17 alloy with 0.3 wt% and 0.5 wt% hydrogen
高氢含量（0.3/0.5 wt%）促使α相以短棒状结构析出，β晶界模糊化。0.3 wt%样品在550°C时效30分钟、0.5 wt%样品在600°C时效1.5小时时析出速率达峰值，短棒状α相随时间延长逐渐转变为针状结构。

Machine learning prediction results
三种模型预测性能优异（R²

0.94）：GPR模型对鼻尖温度预测精度最高（R²
=0.98，RMSE=16.89），SVM模型对鼻尖时间预测最优（R²
=0.98，RMSE=0.12）。氢含量增加使鼻尖温度先降后稳，鼻尖时间呈指数增长，表明氢显著延缓α相析出动力学。

Conclusions and outlook
研究首次定量揭示了氢含量对TC17合金TTT曲线的影响规律：低氢（0.1 wt%）促进针状α相快速析出，高氢（0.3-0.5 wt%）导致短棒状α相缓慢生长。机器学习模型成功预测了相变特征参数，为钛合金热氢处理工艺优化提供了智能决策工具。未来可扩展至其他钛合金体系，并探索氢-应力耦合场下的相变行为。

该研究的创新性在于将传统材料实验方法与前沿机器学习相结合，不仅深化了对氢调控钛合金相变机制的认识，更开创了材料相变研究智能化新范式，对航空航天关键部件性能优化具有重要指导意义。