基于機器學習的ODS鋼硬度與屈服強度預測

摘要：氧化物彌散強化鋼（ODS）具有優異的力學性能和顯著的耐輻照、耐腐蝕和抗氧化性能，是可用于第四代核反應堆的一種非常有前途的包殼材料。在這項工作中，結合不同微觀表征手段研究了八種ODS鋼的基體晶粒形貌、彌散形貌和氧化物顆粒相。并收集了不同ODS鋼的500多個數據，并使用420個項目進行機器學習（ML）建模，將微觀結構特征作為特征變量被引入到ML算法中。利用平均絕對誤差（MAE）、均方根誤差（RMSE）和決定系數（）來對比不同模型的優劣，從而選擇最佳模型，驗證材料性能的準確性。結構表明，ML模型具有精確預測ODS鋼硬度和屈服強度的潛力，從而為新型ODS鋼的設計和優化提供有價值的理論框架。

研究方法：圖1顯示了整個ML模型的工作流程圖，模型訓練的方法包括：邏輯回歸算法（LR）、支持向量回歸算法（SVR）、K鄰近回歸算法（KNR）、多層感知機算法（MLP）、核嶺回顧算法（KRR）、隨機森林回歸算法（RFR）以及梯度提升算法（XGB）。從谷歌學術和CNKI收集了500多組關于ODS鋼的數據。該數據集包括化學成分、熱處理工藝、微觀結構描述符(如氧化物顆粒的平均尺寸、數量密度、顆粒間距和體積分數)和機械性能等信息。

圖1. 模型工作流程圖。

表1. 特征與描述的類型。

結果：圖2給出了不同ODS鋼中基體晶粒的STEM-HAADF圖像和尺寸分布圖。ODS鋼的基體晶粒在垂直于擠軸的橫截面上是等軸的。

圖2. 不同ODS鋼微觀組織尺寸分布圖。

十五個描述符之間的皮爾遜相關系數呈現在圖3中。圓圈越大，紅色越深，相關性越強。可以看到， 、鋯和鈦之間以及鉻和鋁之間具有高度的存在線性相關性；納米顆粒的平均尺寸（AS）和其體積分數（VF）之間存在線性相關性。表明具有高線性相關性的兩個特征可以在某種程度上相互替代。

圖3. 隨機森林篩選后各特征值組合的相關系數。

圖4顯示了六種硬度預測算法模型的RMSE、MAE和值。XGB模型具有低的RMSE值與MAE值，最高的值，表明與其他回歸模型相比具有更好的預測準確性。

圖4. 不同ML模型關于硬度數據集的預測。

圖5給出了不同模型在評估數據集上屈服強度的預測能力對比。從圖中可以

看出，XGB模型具有最佳的預測性能。

圖5. 不同ML模型關于屈服強度的預測。

圖6給出了會影響硬度和屈服強度的輸入變量的重要性順序。熱處理工藝化學成分以及微觀結構參數對硬度以及屈服強度的影響有所差異。對硬度的影響顯著的是熱處理工藝，而對屈服強度的影響的則是化學成分。

圖6. 不同數據特征對硬度以及屈服強度影響的重要性順序。

圖7顯示了五種ODS鋼的維氏硬度的測量值和XGB模型預測值，預測值與實驗測量值之間的誤差不大，均在可接受的范圍內。表2為屈服強度的測量值與預測值的對比，誤差同意是可以接受的。

圖7. 硬度的測量值與預測值對比。

表2. 屈服強度的測量值與預測值對比。

結論：利用表征手段對ODS鋼中納米粒子的微觀結構進行了表征。然后評估了ML模型在硬度和屈服強度數據集上的預測性能。選擇最佳模型來驗證硬度和屈服強度的預測值和實驗值的準確性：

（1）XGB模型對于硬度以及屈服強度預測的RMSE值和MAE值，值很高，表明XGB模型對ODS鋼的預測。

（2）熱處理工藝對硬度的影響很大；化學成分對屈服強度的影響很大。

（3）預測的硬度和屈服強度與相應的實驗值吻合良好，證實了XGB模型預測力學性能的有效性。研究有助于合金的設計與優化，從而開發出具有更好機械性能的ODS鋼。

相關工作以“Prediction of hardness or yield strength for ODS steels based on machine learning"為題發表在Materials Characterization期刊上，論文第一作者為Tian Xing Yang，通訊作者為Peng Dou。