背景简介

TC4钛合金激光焊接构件因比强度高、耐蚀性优异、焊接变形小与密封性好，在航空航天、医疗器械及高端装备等对轻量化与可靠性要求严苛的领域得到广泛应用。然而，其接头力学性能受多重工艺因素影响，若控制不当，易引发晶粒粗化、焊接缺陷及脆性相生成，从而导致性能劣化。因此，明确工艺参数与接头力学性能之间的映射关系至关重要。本文基于映射能力强、泛化性能优异的机器学习方法，以激光焊接工艺参数为输入，构建了TC4钛合金激光焊接头的强度和延伸率预测模型，旨在为接头性能评估与工艺优化提供高效的数据驱动工具。

针对强度和延伸率双输出模型存在的泛化能力弱、调参复杂等问题，本文提出一种阶段协同建模策略：先建立强度预测模型，再将其输出作为输入变量之一参与延伸率的建模与预测。该策略不仅提升了模型的预测性能和调参效率，同时有效保持了强度与延伸率之间的内在关联机制。

成果介绍

（1）与传统的双输出模型（图1c）相比，基于阶段协同建模策略的延伸率预测模型在泛化性能上显著提升。如图1d所示，所有模型的泛化能力均有所增强，其中CatBoost模型表现最佳，测试集R2达到0.85，训练集R2为0.90。此外，得益于阶段建模的独立性，在延伸率预测性能大幅提升的同时，强度预测不仅保持了较高精度，其预测性能也略有提升（图1a、b），从而有效避免了双输出模型调参过程中的性能权衡问题。

图1 不同建模策略下模型预测性能对比：(a，b)抗拉强度模型预测R²值；(c，d)延伸率模型预测R²值；(e，f)抗拉强度模型预测MAE值；( g，h)延伸率模型预测MAE值

（2）为验证阶段协同建模策略的可行性，本文进一步定量分析了对强度预测误差的传递效应。基于经验累积分布函数（Empirical Cumulative Distribution Function , ECDF）评估了强度预测误差对延伸率预测精度的影响（图2a）。其中，试验组以抗拉强度预测值作为输入，对照组则使用实测值，两组均基于同一CatBoost模型完成延伸率预测。结果表明，在50%和80%累积分布条件下，两组的预测误差值接近。这说明仅有少数样本强度预测误差会在延伸率预测过程中被放大，整体而言该策略具备良好的可行性。进一步分析显示，误差被放大的样本主要集中于高延伸率区间（图2b）。

图2 抗拉强度预测误差传递分析：(a)经验累积分布函数图；(b)预测残差分布箱线图

（3）模型表现出良好的物理一致性。SHAP分析表明，热输入是影响抗拉强度预测的最关键特征。高热输入下熔池冷却速率降低，导致焊缝金属晶粒粗化及α′马氏体减少，从而造成力学性能下降，对应SHAP值为负。焊速的重要性次之，其影响呈单调趋势：焊速越低，热输入越大，预测值越小。激光功率需同时满足焊缝熔深要求与组织转变的有利条件，因此呈非线性影响特征。保护气流速对抗拉强度的影响机制较为复杂，但对延伸率呈单调正向作用：流速越高，保护越充分，越有利于减少有害相生成，从而提升塑性。

图3 模型SHAP摘要图：(a)XGBoost强度预测模型；(b)CatBoost延伸率预测模型

致谢

该研究工作得到了国家自然科学基金（52175325）、中央引导地方科技发展专项（24ZYQA054）、甘肃省拔尖领军人才项目、甘肃省科技重大专项（24ZD13GA018, 23ZDGA010, 22ZD6GA008）、甘肃省重点研发计划（23YFGA0057）资助项目的支持。本文第一作者：张尚攀（兰州理工大学），本文通讯作者：曹睿（兰州理工大学）。

本期小编：张尚攀 （整理）

罗凌颖 （校对）

刘昊东 （审核）

董乃健 （发布）