利用机器学习方法对通过火花等离子烧结制备的Inconel 718合金的致密化过程及其力学性能进行建模与预测

《Vacuum》：Machine learning approach to model and predict the densification and mechanical properties of Inconel 718 prepared by spark plasma sintering

本研究采用MLP-RF混合算法预测SPS烧结Inconel 718合金的致密化程度与抗拉强度，分析温度、压力、加热速率、保温时间和通电模式对性能的影响，验证了模型的高效性与准确性（R2=94.557%），揭示了电流参数对致密化及力学性能的关键作用。

　　本研究探讨了使用一种结合多层感知机和随机森林算法（MLP-RF）的模型，来预测通过火花等离子体烧结（SPS）技术制备的Inconel 718合金的致密化程度和抗拉强度。Inconel 718合金因其出色的高温、氧化和疲劳性能，近年来在航空航天领域被广泛用于涡轮盘和工作叶片等关键部件。随着航空技术的快速发展和飞行器运行环境的日益复杂，对Inconel 718合金的机械性能和微观结构提出了更高的要求。为了提升其常温下的综合性能，研究者们尝试了多种成型方法，如高功率激光粉末床熔融（LPBF）和选择性激光熔化（SLM）。然而，这些传统方法在材料性能优化方面存在一定的局限性，如高温下晶粒过度生长、晶界偏析等问题，影响了材料的强度和延展性。

相比之下，粉末冶金技术能够有效节约原材料，并且制备的成品具有优异的机械性能和更高的致密化程度，适用于传统方法难以加工的部件。SPS技术作为粉末冶金的一种重要手段，因其能够提供无氧烧结环境，以及通过多种能量场（电、热、压力等）的耦合实现快速制备，展现出在高性能金属材料制造方面的巨大潜力。SPS技术不仅有助于降低生产成本、缩短生产周期，还能有效抑制晶粒生长，实现形状一体化制造。

在以往的研究中，Inconel 718合金的SPS制备过程主要依赖于传统的分析和统计方法，如控制变量法、假设检验法、Box-Behnken设计（BBD）和响应面法（RSM）。然而，随着科技的进步，机器学习技术因其能够处理复杂问题、计算出更精确的结果，逐渐成为材料性能预测的重要工具。在众多机器学习算法中，人工神经网络（ANN）因其能够精准捕捉数据中因变量与自变量之间的复杂非线性关系，以及其强大的并行处理能力，显著提升了学习效率。这使得ANN在模拟输入与输出参数之间的关系方面具有明显优势。

本研究提出了一种新的机器学习框架，即结合多层感知机（MLP）和随机森林（RF）算法的MLP-RF模型，用于探索高密度、高抗拉性能的Inconel 718合金的制备过程。通过优化MLP的结构，提升模型的精度；同时，借助RF算法增强模型的泛化能力。研究重点分析了烧结温度、烧结压力、加热速率、驻留时间和供电模式对材料抗拉性能和致密化程度的影响。实验数据验证了该模型的可靠性，其预测结果与实际数据之间的相关系数达到了94.557%，表明模型具有较强的预测能力。

本研究的数据集来源于正交实验设计，共设置了70组烧结参数，用于制备样品并收集相关数据。实验过程中，烧结温度、烧结压力、加热速率、驻留时间和供电模式作为关键参数，被系统分析和优化。数据预处理阶段，将实验数据划分为训练集（80%）、测试集（10%）和验证集（10%），以构建高效的神经网络模型。数据归一化处理有助于减少数据的不确定性，提高计算效率。通过分析单层和双层网络在不同神经元数量下的均方误差（MSE）和平均误差（AE）变化，确定了最优的神经元数量。

实验所使用的Inconel 718粉末由中国江苏维罗先进材料技术有限公司提供，其主要成分包括镍（52.17%）、铬（19.02%）、铁（19.67%）、铌（5.24%）、铝（0.41%）、钛（0.32%）等。实验过程中，模具和冲头采用的是热压石墨材料，其抗拉强度为100 MPa，型号为GTTKG347。实验设备由上海辰达公司提供，确保了实验的精确性和可重复性。

本研究的实验环境为真空度10?? Pa的条件，通过SPS技术实现了Inconel 718合金的快速烧结和制备。实验结果表明，供电参数对材料的致密化程度和机械性能具有显著影响。通过分析不同供电模式下材料的性能变化，可以更全面地理解这些参数的作用机制。此外，实验结果还验证了机器学习在材料性能预测方面的有效性，为优化SPS工艺参数提供了新的思路和方法。

本研究不仅为高密度、高抗拉性能的Inconel 718合金的制备提供了科学依据，还为机器学习在材料科学中的应用提供了新的案例。通过MLP-RF模型的构建和优化，研究者们能够更高效地分析和预测烧结过程中的关键参数，从而提升材料的综合性能。这种机器学习框架的应用，不仅有助于缩短研发周期，还能为材料性能的优化提供更加精准和系统的解决方案。

在机器学习领域，尽管人工神经网络（ANN）在材料性能预测方面已被广泛应用，但在预测高密度Inconel 718合金的制备过程方面仍存在一定的不足。因此，本研究结合了多层感知机（MLP）和随机森林（RF）两种算法，构建了MLP-RF模型，以更全面地分析和预测烧结过程中的复杂关系。这种混合模型不仅能够提高预测精度，还能增强模型的泛化能力，使其适用于更广泛的应用场景。

实验结果表明，MLP-RF模型在预测Inconel 718合金的致密化程度和抗拉强度方面表现出色，其相关系数达到了94.557%。这说明模型能够较为准确地反映实际烧结过程中的材料性能变化。通过分析不同供电模式对材料性能的影响，研究者们发现，脉冲电流在烧结过程中对粉末的致密化行为具有显著影响。这一发现为优化SPS工艺参数提供了新的视角，有助于提升材料的综合性能。

此外，本研究还验证了机器学习在材料性能预测中的可靠性。通过实验数据的对比分析，发现机器学习模型的预测结果与实际数据之间的误差较小，表明该模型具有较高的准确性和稳定性。这不仅为材料科学领域提供了新的研究工具，也为工业生产中的材料性能优化提供了更加高效的解决方案。研究结果表明，机器学习技术能够有效替代传统分析方法，为材料性能的预测和优化提供更加系统和科学的依据。

本研究的实验数据不仅来源于正交实验设计，还结合了多种数据分析方法，如均方误差（MSE）和平均误差（AE）的计算，以评估模型的性能。通过对比不同模型的预测结果，研究者们发现，MLP-RF模型在预测精度和学习效率方面均优于其他传统方法。这一发现为机器学习在材料科学中的应用提供了新的支持，同时也为未来的材料性能研究提供了重要的参考。

总之，本研究通过结合多层感知机和随机森林算法，构建了MLP-RF模型，用于预测和优化Inconel 718合金的烧结过程。实验结果表明，该模型能够有效提升材料的致密化程度和抗拉强度，为高密度、高性能的合金制备提供了新的思路。此外，本研究还验证了供电参数对材料性能的重要影响，为优化SPS工艺参数提供了科学依据。通过机器学习技术的应用，研究者们能够更高效地分析和预测材料性能，为材料科学的发展提供了新的工具和方法。