基于机器学习的Mg-X二元合金固溶硬度预测模型：从微观电子结构到宏观力学性能的桥梁

本文推荐：该研究创新性地采用机器学习（ML）方法，通过岭回归（RR）模型构建了基于能量的固溶态合金硬度预测模型，解决了传统宏观模型难以精确预测金属/合金硬度的问题。研究结合皮尔逊相关系数分析（PCCA）、随机森林（RF）和K近邻（KNN）算法开发数据生成模型，建立了ΔHV=∑ANpEp的微观表达式（A=1.2~1.9），在正常固溶度（NSS）和非平衡固溶度（NESS）条件下均优于传统固溶强化模型。

　　

Highlight

本研究通过机器学习方法揭示了固溶态Mg-X二元合金硬度的微观机制，主要突破包括：1）开发基于数据插补原理的数据生成模型（整合PCCA、RF和KNN算法）；2）建立能量视角的物理模型ΔH_V=∑AN_pE_p；3）在NSS（常规固溶度）和NESS（非平衡固溶度）条件下验证模型优越性。

Procedure

机器学习流程如图1所示，包含五个关键步骤：数据收集→数据生成→岭回归建模→模型解释→实验验证。其中数据生成阶段创新性地采用三阶段算法：首先通过皮尔逊相关系数分析（PCCA）筛选特征，再用随机森林（RF）进行重要性排序，最后通过K最近邻（KNN）实现数据插补扩容。

Data preprocessing result

数据预处理结果（图3）显示：δ（电负性差）、C_p（比热容）、S_mix（混合熵）等9个特征被PCCA筛选为关键参数。RF重要性排序表明δ、C_p、ρ（密度）对硬度预测贡献度最高，这为后续物理模型建立提供了特征选择依据。

Physical model establishment

基于自由电子理论，我们提出创新性物理模型：金属键强度取决于自由电子穿越Mg-X离子对时克服的能量势垒E_p。硬度增量ΔH_V与离子对数量N_p和单离子对势垒E_p呈线性关系，比例系数A=1.2~1.9。该模型从电子尺度揭示了固溶强化的本质。

Conclusion

主要结论：1）开发的数据生成模型在小样本条件下表现优异（RMSE=1~3HV，R²>0.95）；2）建立的能量模型在NSS/NESS条件下均优于传统固溶强化模型；3）通过价电子-离子对相互作用机制，为金属硬度起源提供了新的理论解释框架。