面向可持续合金设计的物理信息机器学习：可实现可回收统一成分Q&P钢的研究

《Advanced Science》：Physics-Informed Machine Learning for Sustainable Alloy Design: Toward a Recyclable Unified Q&P Steel

　　

摘要：为实现可持续合金设计，统一成分(unified-composition)策略提供了一种通过减少化学成分复杂度来在同一合金上获得多种性能等级的有效途径。淬火配分(Quenching and Partitioning, Q&P)钢是广泛应用的高强钢，但其传统牌号开发依赖各牌号专属的化学成分，导致焊接复杂化并阻碍高效回收。本研究提出一种物理信息机器学习(Physics-Informed Machine Learning, PIML)框架用于统一成分Q&P钢设计，使其可通过热处理调控实现多种强度等级。一个物理引导的性能桥接(Property-Bridging, PB)模型将冶金描述符与近高通量硬度数据相结合，在拉伸标签稀疏条件下将硬度知识迁移至拉伸性能预测，提升了极限抗拉强度(Ultimate Tensile Strength, UTS)和总延伸率(Total Elongation, TEL)的预测精度。采用多目标遗传算法(Multi-Objective Genetic Algorithm, MOGA)搜索成分—工艺空间，确定了一种可通过工艺调整同时满足Q&P980、Q&P1180和Q&P1380目标等级的合金。与纯数据驱动基准相比，该框架显著提高了拉伸预测精度(R2最高达84% vs. 74%)，并在数据稀疏时保持更好的模型稳定性。实验验证表明，同一化学成分在不同Q&P工艺下可获得约980、约1180和约1380 MPa的拉伸强度及相应塑性。该物理信息框架为减少合金成分种类、简化回收的可持续合金设计提供了范例。

论文解读：面向可持续合金设计的物理信息机器学习实现统一成分Q&P钢的研究

本文发表于《Advanced Science》。当前第三代先进高强钢中的淬火配分(Quenching and Partitioning, Q&P)钢虽具有优良的强塑积，但各强度等级(Q&P980、Q&P1180、Q&P1380等)通常需配制不同化学成分，导致钢厂废钢按成分分类困难、焊接参数复杂，严重阻碍闭环回收与低碳生产。统一成分(unified-composition)合金概念指单一化学成分通过差异热处理获得多等级性能，可降低合金种类并利于回收，但Q&P钢涉及碳配分(Carbon Partitioning)、残留奥氏体(Retained Austenite, RA)稳定化及多阶段相变，冶金机理复杂，传统试错开发成本高。此外Q&P钢拉伸数据获取昂贵且稀疏，纯数据驱动模型难以在小样本下泛化。为此，研究人员开发了物理冶金学信息—性能桥接(Physical Metallurgy-informed Property-Bridging, PM–PB)框架，融合约束碳平衡(Constrained Carbon Equilibrium Theory, CCET)衍生的物理冶金(Physical Metallurgy, PM)描述符与自近高通量硬度数据预训练再向拉伸性能迁移的两阶段卷积神经网络(Convolutional Neural Network, CNN)，并嵌入多目标遗传算法(Multi-Objective Genetic Algorithm, MOGA)搜索可同时达标的统一成分，最终经实验制备与力学/显微表征验证。结果表明该单一成分合金经不同Q&P工艺可分别实现~980 MPa、~1180 MPa及~1380 MPa抗拉强度并保有适宜塑性，证明物理信息跨属性迁移学习可支撑数据稀缺条件下的可持续合金逆向设计。

主要关键技术方法

研究人员构建两个互补数据集：72组近高通量小试样Gleeble模拟Q&P处理后的洛氏硬度(HRC)数据，以及来源于文献精选与前期实验的117组极限抗拉强度(UTS)与52组总延伸率(TEL)数据，输入变量含C、Mn、Si、Al、Cr、Mo、Nb含量(wt.%)及奥氏体化温度(Austenitizing Temperature, AT)、淬火温度(Quenching Temperature, QT)、配分温度(Partitioning Temperature, PT)、配分时间(Partitioning time, Pt)。基于Thermo-Calc(TCFE9数据库)热力学平衡计算、经验Ms(Martensite Start Temperature)与Bs(Bainite Start Temperature)公式及CCET模型计算10个PM描述符(Ms₁、Ms₂、Bs、铁素体分数f_F、初生马氏体分数f_M1、未转变奥氏体分数f_A1、贝氏体分数f_B、次生马氏体分数f_M2、残留奥氏体分数f_RA、残留奥氏体中碳浓度C_RA)。先以源CNN(Source-CNN)在硬度数据集上预训练提取成分类—工艺—PM描述符的共享表征，再以冻结源编码器拼接可训练目标编码器构建性能桥接CNN(PB-CNN)预测UTS和TEL。将PM–PB模型耦合NSGA-II型多目标遗传算法以三等级(980 MPa/22%、1180 MPa/15.5%、1380 MPa/12%)性能偏差为同步最小化目标寻优，取理想点(Euclidean距离最小)附近Pareto前沿解之最优统一成分为候选。最优成分配制50 kg真空感应炉铸锭，锻造热轧冷轧至1.5 mm后实施三套GA推荐Q&P工艺，按ASTM E8进行准静态拉伸，SEM/EBSD及X射线衍射(X-Ray Diffraction, XRD)定量RA分数。

2 Results and Discussion

2.1 Mechanical性能预测(Mechanical Property Prediction)

研究人员对比PM–PB模型与纯数据驱动CNN基线在硬度、UTS及TEL上的表现。硬度模型于72条件预训练中达平均R²=80.1%±14.3%、MAE=1.47±0.40 HRC，最佳划分R²=99.2%，证实可捕获成分—工艺—硬化性关系，为迁移提供可靠基底。UTS预测中基线R²=74.1%±19.2%、MAE=59.9±16.3 MPa，PM–PB模型提升至R²=83.8%±10.3%、MAE=45.8±12.1 MPa且在数据更稀疏时优势扩大；TEL预测亦有类似误差降低趋势。50次随机划分下PM–PB测试R²分布整体右移、MAE极坐标图中大误差尖峰减少，证明引入PM描述符与硬度域预训练赋予物理归纳偏置使模型在数据稀缺时仍稳健。SHAP分析显示Ms₁、Bs、f_F、f_B等PM描述符为UTS与TEL最主要特征，表明模型依仗相变温度、相分数及RA稳定化信息而非仅靠标称成分，符合物理引导设计初衷。

2.2 统一Q&P钢的设计与实验验证(Design and Experimental Validation of Unified Q&P Steel)

研究人员以MOGA搜索得到三维损失空间Pareto前沿，采用理想点准则选取兼顾三等级偏差最小的Top-1成分(wt.%: C 0.23, Mn 1.98, Si 1.5, Cr 0.2, Mo 0, Nb 0.01)，三套Q&P工艺分别为：①AT=785℃/QT=284℃/PT=365℃/Pt=180 s(Q&P980); ②AT=828℃/QT=210℃/PT=479℃/Pt=180 s(Q&P1180); ③AT=920℃/QT=247℃/PT=369℃/Pt=180 s(Q&P1380)。实验测得UTS与TEL与PM–PB预测吻合良好，工程应力—应变曲线显示Q&P980具较长均匀塑性流变及渐进加工硬化，Q&P1180强塑均衡，Q&P1380初始高流变应力伴缩减但稳定均匀延伸；n值随真应变呈先降后部分恢复的非单调特征，Q&P1380恢复减弱反映TRIP(Transformation-Induced Plasticity)效应受抑。EBSD显示三相均为马氏体基体中弥散RA(红色标记)，XRD定量RA分数分别为15.2%(Q&P980)、10.7%(Q&P1180)、10.8%(Q&P1380)，RA随强度升高减少与均匀延伸降低一致，高强下RA仍均匀分布未粗化从而维持残余TRIP增韧。证实单成分靠热处理调制马氏体分数、碳配分及RA稳定性可实现多级强塑组合。

2.3 消融研究与数据效率分析(Ablation Study and Data-Efficiency Analysis)

研究人员设四组对照：纯数据驱动基线、仅加PM描述符(PM-only)、仅硬度预训练无PM(PB-only)及全PM–PB。UTS预测中PM-only较基线R²提升、PB-only提升更显著、PM–PB达最高R²最低MAE且方差最小，说明PM描述符编码相变机制与硬度预训练提供信息表征具协同非冗余效应。TEL因对微观不均匀敏感整体更难预测，但PM–PB同样获最优准确度与稳健性。逐步削减训练集比例时基线迅速退化，PM描述符减缓退化，PB-only在小数据量时即表现优良，PM–PB在全训练集规模区间保持最高R²，直接支撑其在有限拉伸标签下的多等级设计适用性。另经成分族划分验证与嵌套交叉验证该优势仍存，排除分组偏好假象。

讨论与结论翻译

本研究建立了一种物理信息且数据高效的统一成分Q&P钢设计框架，通过单一合金化学成分配合差异化热处理即可实现多强度等级。通过结合CCET衍生的物理冶金(PM)描述符与自近高通量硬度数据的性能桥接(Property-Bridging, PB)迁移策略，PM–PB模型在拉伸标签稀疏时给出准确稳健的UTS与TEL预测，为多目标优化提供可信代理模型。由PM–PB引导的三目标遗传算法筛选出理想点统一成分，实验证实经定制Q&P工艺可满足Q&P980、Q&P1180及Q&P1380性能目标。力学测试与显微表征验证强度等级依赖的马氏体分数与残留奥氏体(RA)稳定性受控于热处理，所学成分—工艺—性能关系具跨工艺迁移性。本工作展示了可持续合金通用设计原则：将物理冶金学嵌入跨属性机器学习可在减少合金种类增殖同时实现可信多等级设计，为可回收结构材料提供可扩展路径。