背景简介

 钢铁因其可调节性满足多样化需求，成为现代工程和工业应用中使用最广泛的材料。其分类依据多样，包括碳含量/合金元素、精加工工艺、机械强度、热处理和质量等。得益于卓越的成本-强度效益，钢铁是建筑、铁路、桥梁、管道和发电厂等基础设施的核心材料。前工业时代的铁匠缺乏合金化知识，但他们通过有意调控碳含量和去除炉渣来获得目标力学性能，而现代钢铁则刻意添加不同合金元素，其特定成分显著影响性能。除合金含量外，工程师还可通过处理工艺调控微观结构（如晶粒尺寸、相组成、织构）进行优化，例如：高碳/高合金钢通过退火改善切削性，再经热处理硬化恢复初始性能，处理工艺的选择与现有元素强相关。此关联已通过机器学习（Machine Learning, ML）数据分析验证，但当前ML研究存在两大局限:依赖大型数据集和局限于单一钢种。本研究旨在突破上述局限，探索小样本数据集（312个样本）在多钢种（不锈钢、工具钢、马氏体时效钢、高强度低合金钢）场景下，预测机械性能，包括屈服强度，抗拉强度和伸长率。

成果介绍

（1）作者使用了312个不同钢样品的数据，以开发ML模型，数据集提供了每个钢样品的应力-应变机械性能，其中包括极限抗拉强度、屈服强度和伸长率。ML算法使用80%的数据集进行训练，剩下的20%用于测试。为了确保所建立的ML模型的强度并考虑随机性的影响，采用了三种评估策略：（1）使用固定种子以单个随机训练-测试分割进行训练和测试，以维持相似的训练/测试集（2）使用100个唯一种子进行100个随机训练-测试分割，以分析模型一致性（100个种子）（3）利用LOOCV来评估整个数据集的性能。图1比较了各种ML模型（人工神经网络，支持向量机，随机森林和分布式梯度提升库）在预测机械性能方面的性能。结果显示，随机森林与分布式梯度提升库性能显著优于人工神经网络/支持向量机。

图1 ML模型预测屈服强度，拉伸强度和伸长率的RMS评分比较

（2）作者利用预测获得的屈服强度、拉伸强度和伸长率值和试验值之间的关系形成散点图，如图2所示。图上显示的RMS值量化了模型的预测准确性，值越高表示性能越好。对于屈服强度和拉伸强度，RMS值分别为0.84和0.85，表明预测结果和试验结果之间有很强的一致性，这表明ML模型能够有效地捕获这些属性的数据中的底层模式。然而，对于伸长率，RMS值相对较低，为0.52，这表明该模型很难准确预测该属性。

图2 力学性能参数预测和试验值对比结果：（a） 屈服强度，（b）抗拉强度和（c）断裂延伸率

（3）作者为了更深入地了解每个输入（元素成分）如何影响输出（机械性能），进行了特征重要性分析。图3显示了影响材料抗拉强度、屈服强度和伸长率的特征重要性，蓝色条表示对目标具有积极影响的特征，红色条表示具有负面影响的特征。

图3 对随机森林模型中每种机械性能的前10个最具影响力的特征进行排名：（a）屈服强度，（b）拉伸强度和（c）拉伸强度。红色和蓝色条表示对应于组合物的负面和正面影响，细黑线表示误差条

致谢

本文第一作者和通讯作者：Movaffaq Kateb（Uppsala University）。

本期小编 代忠伦（整理）

董乃健（校对）

  程　航 （审核）

董乃健（发布）