粉末冶金制备Al/B4C/ZrO2铝基混杂复合材料的摩擦学性能优化：田口设计与机器学习协同策略

《Next Materials》：Application of taguchi design and machine learning techniques for optimising the tribological performance of Al/B4C/ZrO2 hybrid composite

针对传统单一增强相及非线性工况下磨损预测不准难题，本研究结合田口试验与多种机器学习算法，系统优化了Al/B4C/ZrO2复合材料干滑动磨损行为，发现滑动速度(贡献率44.94%)为核心影响因素，随机森林与多项式回归模型预测精度超0.95，为高性能耐磨材料设计提供可靠多参数优化框架。

　　

随着航空航天与高端装备对轻量化耐磨部件需求激增，铝基复合材料凭借低密度、耐腐蚀优势成为焦点。然而纯铝在严苛工况下易因硬度不足产生严重磨损，虽引入单一陶瓷颗粒可提升性能，但对Al/B₄C/ZrO₂多元混杂体系——尤其是粉末冶金工艺下的协同强化机制仍缺乏系统性认知。更棘手的是，传统田口法难以捕捉载荷、速度、距离与双相增强体含量间的复杂非线性交互作用，导致工业应用中的磨损预测偏差较大。为此，来自印度Sri Eshwar工程学院的Gokilakrishnan团队在《Next Materials》发表研究，融合统计优化与机器学习突破预测瓶颈，为定制化耐磨材料开发提供新范式。

研究采用高能球磨+冷压烧结（700?MPa/750℃氩气保护）制备Al-xB₄C-yZrO₂（x,y=2,5,8?wt%）系列样品，基于田口L₂₇正交表设计五因素三水平干滑动磨损实验（载荷10-30?N、速度0.5-1.5?m/s、距离500-1000?m），通过信号噪声比（S/N）锁定最优工况，借助方差分析（ANOVA）量化参数贡献度，并对比线性回归与四种机器学习模型（多项式回归/随机森林/SVR/KNN）的预测效能，最终经确认实验验证模型可靠性。

3. Results and discussion

参数敏感性排序与最优解

实验测得磨损量区间为0.06255-0.19240?mm³/m，极差达67%。S/N响应表显示：滑动速度Δ值3.08居首，距离Δ值2.44次之，随后为载荷(1.45)、ZrO₂(1.32)与B₄C(1.14)。主效应曲线揭示：速度与距离增加均显著降低磨损，载荷在20?N时出现拐点，5?wt%?B₄C与8?wt%?ZrO₂组合效果最佳——因适量B₄C强化基体承载，过量则引发团聚；ZrO₂持续提升硬度和抗犁削能力。交互作用中仅“载荷-速度”呈现明显耦合，其余因子近似独立。

统计显著性拆解

ANOVA证实速度贡献率44.94%（F=85.41, p=0.000）具绝对主导性，距离占24.39%，载荷与ZrO₂分别贡献11.42%、10.28%，B₄C仅4.75%。误差项4.21%验证实验可控性，无冗余干扰。

模型精度跃升

线性回归R²=82.81%，残差诊断满足正态性与同方差假设。机器学习端：多项式回归与随机森林R²>0.95，均方误差低至3.3×10^-5与3.6×10^-5；SVR达0.91，KNN仅0.81。前者成功拟合非线性特征，后者受局部波动影响泛化弱。

验证闭环

最优组（20?N/1.5?m/s/1000?m/5?wt%?B₄C/8?wt%?ZrO₂）实测磨损0.06255?mm³/m，预测值0.05950?mm³/m，相对误差4.88%，模型有效性获实证支撑。

本研究攻克了混杂增强铝基复合材料多参数耦合优化的工程痛点，首次将田口筛选与高阶机器学习结合，不仅精确定位滑动动力学参数的核心地位（远超增强体配比影响），更搭建出高精度磨损预测框架。相比传统试错法，该策略大幅压缩研发周期，为航空制动盘、发动机衬套等耐磨件的高效设计提供了可迁移的方法论与数据基础。