導讀：機器學習在合金設計中的應用越來越廣泛，但傳統模型在處理有限的數據集和復雜的非線性關系時仍然面臨挑戰。本研究提出了一種基于數據增強和重建的可解釋機器學習方法，用于挖掘高性能低合金鎂合金。數據增強技術通過高斯噪聲擴展原始數據集。數據重建方法對原始數據進行重組和轉換，以提取更具代表性的特征，顯著提高了模型的泛化能力和預測精度，極限抗拉強度（UTS）模型的決定系數（R²）為95.9%，斷裂伸長率（EL）模型的R²為95.3%。提出了一種相關系數輔助篩選（CCAS）方法來過濾低合金靶材合金。設計了一種新型Mg-2.2Mn-0.4Zn-0.2Al-0.2Ca（MZAX2000，wt%）合金，并在給定的加工參數下擠壓成棒材，實現了室溫強度-延性協同作用，顯示出395 MPa的優異UTS和17.9%的高延伸率。這與擠壓態MZAX2000合金中的異質結構特性密切相關，該合金由粗晶粒（16%）、細晶粒（75%）和纖維區域（9%）組成。因此，這項工作為優化合金成分和加工參數以獲得新型高強韌性低合金鎂合金提供了新的見解。

鎂（Mg）及其合金作為重要的高性能輕質金屬材料，憑借其低密度、高比強度以及出色的阻尼性能，在航空航天、汽車制造和電子產品等領域備受矚目。然而，傳統鎂合金往往需要添加大量昂貴的合金元素來提升性能，這不僅增加了成本，還可能影響材料的可回收性。因此，研發高性能的低合金化鎂合金成為熱門研究課題。近年來，低含量無稀土的高性能Mg-Al-Ca-Mn-(Zn)合金逐漸受到研究人員的廣泛關注，但確定其最佳合金成分和加工參數需要進行大量實驗，開發新方法加速其制造迫在眉睫。隨著材料科學和人工智能技術的飛速發展，基于數據驅動和計算材料科學的新研究范式逐漸興起，機器學習方法雖已用于設計多種高性能合金，但傳統機器學習方法面臨可用實驗數據有限和模型缺乏可解釋性的挑戰。    

在本研究中，揚州大學、云南大學等多所高校及科研機構的團隊提出了一種基于數據增強和重構的可解釋機器學習方法，旨在挖掘高性能低合金化鎂合金。該方法通過高斯噪聲擴充原始數據集，運用數據重構方法提取更具代表性的特征，并采用三步特征選擇過程降低變量維度，從而提高了模型的泛化能力、預測準確性和合金設計效率。研究對比了8種機器學習模型，發現GB模型在預測極限抗拉強度（UTS）和斷裂伸長率（EL）方面表現最優，經隨機搜索優化超參數后，其預測準確性超0.95。通過相關系數輔助篩選（CCAS）方法，確定了最佳合金成分和加工參數，制備出的Mg-2.2Mn-0.4Zn-0.2Al-0.2Ca（MZAX2000）合金在擠壓態下呈現出由粗晶粒、細晶粒和纖維區域構成的異質結構，實現了強度和延展性的協同，UTS達到395 MPa，EL高達17.9%，與預測值相近，表明GB模型是指導高性能低合金化鎂合金設計的有效方法。

該研究還分析了新合金的強化機制和塑性變形機制。除晶界強化、第二相強化和位錯強化外，HDI強化對提高UTS有重要貢獻；而基面滑移的施密德因子分布均勻、多種滑移系統的參與以及異質結構界面附近的額外應變梯度則共同促進了EL的提高。綜上所述，本研究為優化合金成分和加工參數以獲得新型高強韌低合金化鎂合金提供了新的思路和方法。             

相關研究成果以“Interpretable machine learning excavates a low-alloyed magnesium alloy with strength-ductility synergy based on data augmentation and reconstruction”發表在Journal of Magnesium and Alloys上

鏈接：https://www.sciencedirect.com/science/article/pii/S2213956725000192

圖1 高性能低合金鎂合金的可解釋機器學習設計策略。

圖2 數據分布

(a)顯示Al、Zn、Ca和Mn的合金成分；

(b-f)分別包含ST、ST、ET、ES和ER的處理參數；

(h-i)分別包括UTS和EL的機械性能。          

圖3 高斯增強：(a)高斯噪聲分布，比較原始數據集和增強數據集的UTS；(b)原始樣本和增廣樣本集中的數據情況。

圖4 增廣數據集和普通數據集的比較：(a)UTS；(b)EL。

圖5 PCC相關篩查結果。

圖6 (a,b)分別為UTS和EL的RFE篩選結果；

(c,d)UTS和EL的ES篩選結果。

表1 理化參數三步特征篩選。    

圖7 模型預測結果：

(a,b)8個ML預測模型對UTS和EL的比較；

(c,d)分別為超參數優化后GB模型的UTS和EL預測結果。

（讀者可參閱本文的網頁版本，以了解此圖例中有關顏色的解釋。）

圖8 相關系數輔助成分篩選。

圖9 (a)擠壓態MZAX2000合金的OM觀察；

(b) (a)中框的掃描電鏡放大圖；

(c)由粗晶、細晶和纖維區組成的異質結構示意圖；

(d)桿數，包括(0001)、(11-20)和(10-10)。ED和RD分別代表擠壓方向和徑向。

圖10 擠壓態MZAX2000合金的XRD結果。    

圖11 擠壓態MZAX2000合金的相組成：

(a)SEM圖像顯示出一些微尺度的顆粒狀相；

(b)TEM圖像顯示一定量的納米級顆粒狀相；

(c,d)微/納米尺度相尺寸分布；    

(e)映射掃描結果顯示Mg、Mn、Zn、Al、Ca元素分布；

(f)高分辨率TEM圖像，

(g,h)相A和相B對應的快速傅里葉變換(FFT)圖；

（i-1)TEM圖像顯示部分納米級相在晶界(GBs)分離。

圖12 (a)擠壓態MZAX2000合金的工程拉伸應力-應變曲線及拉伸性能；

(b)收集的Mg-Al-Ca-Mn-(Zn)數據和新開發的MZAX2000合金的UTS與EL的關系。

圖13 (a)加載-卸載-再加載(LUR)拉伸工程應力-應變曲線；

(b) (a)中黑色虛線框的放大視圖；

(c)HDI應力隨工程應變的函數。    

圖14 (a)擠壓態MZAX2000合金沿ED施加拉伸載荷時基底滑移的施密德因子分布圖；

(b,c)分別在g=0001和g=10-10條件下，采用雙光束衍射的拉伸應變為5%時的TEM暗場圖像；

(d,e)分別為(b)、(c)對應的原理圖。

圖15 (a,d)逆極圖(IPF)圖，

(b,e)基滑移的Schmid因子圖，

(c,f)粗/細粒結構和纖維/細粒結構的核平均取向偏差(KAM)圖。

本文通過提出基于數據增強和重構的可解釋機器學習方法挖掘高性能低合金化鎂合金，取得了多項成果：

（1）利用高斯噪聲和數據重構方法，有效擴展了數據集并提取出更具代表性的物理化學參數。經三步特征選擇，減少了變量維度，提升了模型預測精度和合金設計效率。在8種機器學習模型中，GB模型預測UTS和EL的效果最佳，經隨機搜索優化超參數后，預測性能進一步提升，R²均超0.95。

（2）運用CCAS方法挖掘出最佳合金成分（0.2wt% Ca、2.2wt% Mn、0.4wt% Zn、0.2wt% Al）和加工參數（25 ER、300°C ST、3m/min ES、48 h St、250°C ET），能使擠壓態合金實現高強度（UTS≥380 MPa）和高延展性（EL≥20%）。    

（3）制備的MZAX2000合金在擠壓態下呈現異質結構，包含粗晶粒（16%）、細晶粒（75%）和纖維區域（9%），實現了強度與延展性的協同，UTS達395 MPa，EL為17.9%，與預測值接近，表明GB模型可有效指導高性能低合金化鎂合金設計。

（4）明確了新合金的強化機制除了晶界強化、第二相強化和位錯強化外，HDI強化也對提高UTS有重要貢獻。均勻的基面滑移Schmid因子分布、多種滑移系統（包括錐面共同提高了合金的EL。