基于机器学习与非平衡处理的多尺度缺陷结构设计及6082铝合金强塑性协同优化

《Applied Materials Today》:Multiscale defect structure design and strength-ductility synergistic optimization of 6082 aluminum alloy based on machine learning and non-equilibrium processing

【字体: 大 中 小 】 时间:2026年10月01日 来源:Applied Materials Today 7.0

编辑推荐:

   •采用机器学习辅助成分设计优化了标准成分约束下的 6082 铝合金。•通过 HEBM-PF(高能球磨 - 粉末冶金)工艺制备了高性能 6082 铝合金,无需人工时效。•所制备合金实现了 493 MPa 的屈服强度、586 MPa 的抗拉强度和 7.92% 的延伸率。•多尺度缺

  
  • •
    采用机器学习辅助成分设计优化了标准成分约束下的 6082 铝合金。
  • •
    通过 HEBM-PF(高能球磨 - 粉末冶金)工艺制备了高性能 6082 铝合金,无需人工时效。
  • •
    所制备合金实现了 493 MPa 的屈服强度、586 MPa 的抗拉强度和 7.92% 的延伸率。
  • •
    多尺度缺陷和纳米析出相共同实现了优异的强塑性协同。
  • •
    基于非平衡微观组织对强化机制进行了定量评估。

引言

作为典型的 6xxx 系变形铝合金,6082 铝合金因其相对较高的综合力学性能和优异的工程适用性,已成为中高强结构件的重要候选材料 [1], [2], [3]。然而,随着高端装备制造和轻量化发展对结构材料性能要求的不断提高,现有商用 6082 铝合金的室温强度已无法满足日益严格的使用要求 [4]。因此,开发兼具高强度和良好塑性的 6082 铝合金对于扩大其在高性能结构中的应用具有重要意义。
目前,6xxx 系铝合金的性能提升主要依赖于成分调控或塑性变形强化等途径。成分调控通常通过引入稀土或其他微量元素来提高性能,但这往往会导致成本增加、成分体系复杂以及强度提升有限等问题;塑性变形强化被认为是提高 6xxx 系铝合金综合力学性能的有效手段 [5], [6], [7]。例如,Kim 等人 [8] 通过高速差速轧使 6xxx 系铝合金获得了约 489 MPa 的抗拉强度(UTS)和约 7% 的延伸率(EL);Chrominski 等人 [9] 通过静水压挤压结合 160 °C 时效处理,将 Al-Mg-Si 合金的屈服强度(YS)提高至 486 MPa,并实现了 7.5% 的延伸率。然而,这些方法通常依赖于额外的加工或热处理步骤,使整体工艺复杂化。因此,仅依靠成分调控或塑性变形都难以在保证工艺效率的同时实现强度和塑性的显著协同增强。因此,亟需探索一种成分设计与加工途径协同优化的新策略,旨在不引入稀土等合金元素的情况下显著缩短加工周期,从而实现高性能铝合金的低成本高效制备。
为了实现这种协同优化,高效探索成分空间是首要挑战。对于 6082 铝合金等多组元合金体系,其性能不仅受 Mg 和 Si 等主要强化元素的影响,还受 Mn 和 Fe 等微量元素及其耦合效应的共同控制。然而,随着成分维数的增加,传统的逐点试错法难以在合理的时间尺度内高效锁定最优成分窗口。近年来,机器学习为复杂多组元合金体系的成分优化提供了一条新途径 [10], [11], [12], [13]。现有研究表明,机器学习可以基于有限样本建立成分、工艺与性能之间的非线性映射,并通过实验迭代校正模型偏差,从而提高候选合金的筛选效率 [14], [15], [16], [17], [18], [19], [20]。例如,Chen 等人 [21] 利用机器学习描绘了 Al-Mg-Cu 合金强度和延伸率的帕累托前沿,实现了合金性能的持续提升。Zhang [17] 将贝叶斯优化与实验迭代相结合,实现了 Cu-Ni-Co-Si 合金强度与电导率的协同优化。Hu 等人 [22] 基于特征工程和支撑向量回归模型成功预测了铝合金的力学性能。这表明机器学习可以有效处理多组元空间内的复杂耦合关系,有望为受标准成分约束的 6082 铝合金提供高效的成分筛选策略。
尽管机器学习为成分设计提供了强大的工具,但仅依靠成分优化仍然难以在常规加工条件下将 6082 铝合金的强度提高到足够高的水平。相比之下,非平衡加工更容易通过构建特殊微观组织状态来实现高强度 [23], [24]。作为一种典型的固态粉末加工技术,HEBM 可以显著细化晶粒并引入大量位错等缺陷 [25], [26], [27],形成高缺陷密度的超细晶粉末 [28]。PF 技术具有加工效率高和近净成型等优势 [29], [30]。对于经过 HEBM 处理的粉末体系,PF 可以实现快速致密化,促进颗粒间的冶金结合,并尽可能保留部分非平衡微观组织特征 [31]。然而,这种加工体系在获得高强度的同时往往伴随着显著的塑性损失 [32]。因此,为了充分发挥 HEBM-PF 复合工艺的高强度优势,并缓解其固有的塑性损失,必须通过前述机器学习辅助的合理成分设计来调控固溶和析出行为,以缓解该非平衡加工体系中的塑性限制问题。
据此,本研究提出了一种结合机器学习(ML)和 HEBM-PF 非平衡加工的集成设计策略。在满足 GB/T 3190–2022 成分约束的前提下,通过多算法基准测试、认知不确定性量化和启发式帕累托优化筛选出了具有优异力学性能的高潜力目标成分。随后,采用 HEBM-PF 路线制备目标成分,并通过 HEBM 阶段的机械合金化和缺陷积累,以及 PF 阶段的致密化和析出调控,构建了高缺陷密度的超细晶非平衡微观组织。从而,机器学习成分筛选与 HEBM-PF 微观组织构建形成了协同闭环,为 6082 铝合金中长期存在的强度 - 塑性权衡问题提供了一条新的研究途径。

章节片段

机器学习代理模型的构建

本研究构建了一个整合多算法基准评估和主动学习采样的材料发现框架,旨在通过高维成分空间的非线性映射实现力学性能的精确预测和合金成分的逆设计。针对由 Mg 和 Si 等八种关键微量元素组成的复杂成分体系,我们定义了一个高维特征空间并收集了 110 组实验数据

机器学习算法测试

为了评估输入变量之间以及成分变量与力学性能之间的线性相关性,本研究采用皮尔逊相关系数(PCC)对数据集进行了相关性分析(图 S1)。PCC 的取值范围为 [-1, 1],其中 r = 1,r = -1,r = 0 分别表示完全正相关、完全负相关和无线性相关。总体而言,YS 和 UTS 表现出显著的正相关,而两者

非平衡加工条件下析出行为偏差与晶粒生长限制机制

在常规粗晶 6xxx 系铝合金中,析出行为通常遵循过饱和固溶体(α-SSS)→ 原子团簇 → GP 区 → 针状 β′′ 相 → 亚稳 β′ 相 → 稳定 β 相(Mg2Si)的经典序列 [46]。然而,本研究采用的"HEBM-PF"路线属于非平衡加工程序,其析出机制与传统固溶 - 时效过程显著不同。一方面,

结论

针对 6082 铝合金中长期存在的强塑性协同优化挑战,本研究提出了一种结合"ML-HEBM-PF"的集成研究路线。在满足 GB/T 3190–2020 成分约束的前提下,本工作成功展示了通过成分 - 工艺协同设计克服经典强度 - 塑性权衡的中心主题。本研究的主要结论如下:
(1) 自动化成分发现

CRediT 作者贡献声明

Wengang Sheng: 验证,概念化。Xinlong Li: 方法论,概念化。Zhuhui Qiao: 写作 – 审阅与编辑,写作 – 原稿,验证,监督,项目管理,资金获取,概念化。Huaguo Tang: 写作 – 审阅与编辑,监督,资源,项目管理,方法论,资金获取,概念化。Gang Xu: 监督,概念化。Liyuan Wang: 写作 – 原稿,调查,数据管理。

利益冲突声明

作者声明不存在已知的 competing 经济利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了 山东省重点研发计划(重大创新与工程技术,项目编号:2024CXGC010316),山东省自然科学基金(项目编号:ZR2023QE065),山东实验室计划(项目编号:SYS202204),国家重点研发计划(编号:2022YFB3706204),泰山产业领军人才工程,以及烟台市科技创新发展规划项目(2024ZDCX013)的支持。
Wenjie Zhong|Liyuan Wang|Gang Xu|Xinlong Li|Wengang Sheng|Huaguo Tang|Zhuhui Qiao
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号