机器学习辅助分析预测和可视化电镀铬层材料属性间的非线性关系

《Advanced Engineering Materials》：Machine Learning-Supported Analysis for Predicting and Visualizing Nonlinear Relationships Between Material Properties in Electroplated Chromium Layers

　　

本研究旨在采用基于机器学习（ML）的回归模型，准确捕捉电镀工艺参数与铬层厚度之间的非线性关系，同时实现这些非线性效应的解释和可视化。为此，研究人员分析了来自实验室规模（1L）和中试规模（14L）实验的两个统计上不同的数据集。训练过程中使用超参数调优和五折交叉验证，以使结果对不同数据配置具有鲁棒性和透明性。评估了几种模型，决定系数（R²）高达75%，由于非线性参数相互作用，通常优于线性回归（LR）。模型性能因数据集而异，没有单一的机器学习方法被证明普遍优越。对于整个数据集，CatBoost模型取得了最佳结果，平均R²为70.5%。使用SHAP、置换重要性和全局特征重要性对数据进行了更深入的分析。为了可视化潜在的非线性关系，进行了部分依赖分析，以评估单个工艺参数的影响。该分析确认了几个参数与铬层厚度之间存在特定的非线性依赖关系。本研究确定的工艺参数之间的相关性对工业浴管理和工艺优化具有高度相关性。

**论文解读：机器学习辅助分析电镀铬层材料属性的非线性关系**

**研究背景与问题**

电镀行业正在经历深刻转型，旨在提升可持续性并应对日益严格的化学法规。三价铬（Cr(III)）电解液作为六价铬的替代方案，其沉积过程高度复杂：Cr(III)³⁺离子在水溶液中易通过羟桥聚合形成惰性羟基聚合物，需加入络合剂（如羧酸、尿素、甘氨酸）来稳定可还原的Cr(III)络合物和Cr(II)中间体。沉积机制分为两步（Cr(III)→Cr(II)→Cr(0)），同时伴随大量析氢反应（HER），导致电流效率极低（2%–10%）。铬层厚度是决定颜色、光泽和耐腐蚀性的关键属性，但其受多个工艺参数（pH值、电流密度、温度、浴龄、杂质浓度等）影响，且这些影响呈现强非线性耦合特性。传统的线性回归模型难以准确预测厚度，而现有机器学习研究多聚焦于锌、镍或六价铬等较简单的电镀体系，尚未涉及装饰铬沉积。因此，采用机器学习方法捕捉非线性关系、预测厚度并解释其机理具有重要的科学和工业价值。

**研究内容与结论**

本研究从实验室规模（1L烧杯）和中试规模（14L试验线）两个实验装置中收集数据，共获得441个样本，涵盖11个工艺参数。通过重复分层五折交叉验证（3次重复，共15折）训练7种回归模型（包括随机森林RF、XGBoost、CatBoost、梯度提升回归、CART、Lasso回归及Ridge回归），并使用贝叶斯优化（Optuna）进行超参数调优。结果表明，CatBoost模型在组合数据集上取得最佳性能，平均决定系数R²为70.5%。通过SHAP（SHapley Additive exPlanations）分析、置换重要性和全局特征重要性，发现沉积时间是最主导的影响因素，其次为电流密度、pH值、浴龄等。部分依赖图（PDP）揭示了参数间的非线性关系：电流密度在3–4 A/dm²范围内使厚度快速增加，随后在4–11 A/dm²区间趋于平稳；铁杂质在不同浓度范围表现出相反效应（低浓度抑制、高浓度促进）。模型性能受限于数据方差，验证误差在训练后期停滞，表明需更多样化和更大量的数据来提升泛化能力。

**主要技术方法**

研究人员采用重复分层五折交叉验证（3次重复，随机种子42，共15折）训练7种回归模型：随机森林（RF）、XGBoost、CatBoost、梯度提升回归、CART、Lasso回归及Ridge回归。超参数调优使用贝叶斯优化（Optuna），对每折独立搜索50次。模型性能通过决定系数R²、平均绝对误差（MAE）和均方根误差（RMSE）评估。解释分析包括SHAP值、置换重要性、模型内置特征重要性以及部分依赖图（PDP）。数据来源包括1L烧杯（79个样本）和14L中试线（362个样本）实验，涉及11个工艺参数（如表1所示）。

**研究结果**

**模型性能对比**：在烧杯实验数据上，多个模型R²达0.72–0.77，其中Lasso回归最高（0.7694）；中试实验数据上，CatBoost最佳（R²=0.6775）；组合数据集上CatBoost最优（R²=0.7054）。线性模型（LR、Lasso、Ridge）在组合数据集中表现较差，而CART始终最低。配对Wilcoxon符号秩检验表明，CatBoost显著优于除RF以外的所有模型。

**特征重要性分析**：沉积时间是最重要的特征，其SHAP主效应（0.1013）远高于任何交互效应（最大为pH×电流密度，0.0047）。其他重要特征包括电流密度、pH、浴龄，而体积贡献最小。SHAP摘要图显示，高沉积时间、低pH值、年轻浴场和高温均正向推动厚度预测。

**非线性关系可视化**：部分依赖图表明，电流密度在3–4 A/dm²时厚度迅速上升，此后趋于平台；铁杂质在低浓度（1–2 mg/L）时轻微抑制沉积，在高浓度（30–100 mg/L）时则加速沉积；浴龄和再活化时间呈负向非线性影响，反映了Cr(III)物种随时间的聚合效应。

**交互与相关性**：方差膨胀因子（VIF）分析显示所有特征无显著多重共线性（VIF<2.5）。SHAP交互矩阵显示沉积时间参与8个最强交互对，如沉积时间×浴龄、pH×电流密度等。相关分析显示，在不同数据子集中，部分参数的关联方向会发生变化（如铁杂质在烧杯实验中正相关，在中试实验中负相关），归因于浓度范围差异。

**模型稳定性挑战**：训练-验证曲线显示训练误差持续下降，而验证误差在初期改善后趋于平台，表明模型容量已足够但数据信息量有限。不同交叉验证折之间的R²差异可达0.3，反映出模型对数据划分敏感，需更大数据集以增强稳定性。

**总结讨论与结论翻译**

讨论部分强调，模型输出的非线性关系与电化学原理高度一致：沉积时间符合法拉第定律（经PDP斜率验证，约为0.03 μm/min，与理论法拉第速率吻合）；电流密度平台归因于与析氢反应（HER）的竞争；铁杂质的不同浓度效应源于其对Cr(III)络合物的影响；浴龄和pH的负向效应反映了Cr(III)物种向惰性聚合物的转变。这些发现对工业浴管理具有指导意义，例如在4–11 A/dm²内降低电流密度可节能而不牺牲厚度，同时需严格控制镍、铁杂质浓度。模型性能受限于数据方差，未来需更宽参数范围和更多数据以提升R²至90%以上。

**研究结论**（翻译）：在本研究中，研究人员采用机器学习对三价电解液沉积装饰铬层进行实验数据评估。使用了两个实验系列的数据：一个在1L烧杯中，另一个在14L中试规模。由于实验设计目标不同，数据集在统计上存在差异。使用各种模型进行评估，得到平均R²值在55%到76%之间。由于不同的数据集，机器学习模型显示出不同的结果，没有单一模型对所有数据集都取得最高性能。然而，总体而言，由于非线性工艺参数的影响，机器学习模型对烧杯和中试实验数据的表现通常优于线性模型。利用部分依赖图（PDP）有效地展示了单个参数的影响，为线性和非线性关系提供了新的见解。虽然之前关于电镀的机器学习研究集中在更简单的系统（如锌、锌镍、六价铬）或孤立方面（如缺陷分类），但本研究涉及一个根本更复杂的电解液系统——三价铬，具有多种络合剂、低电流效率和强非线性耦合。因此，科学贡献超越了增量性的工业知识：（i）这是首次基于机器学习的装饰Cr(III)沉积分析；（ii）量化了11个工艺参数的相对重要性和成对交互作用，包括浴老化和再活化历史，这在机器学习文献中很少涉及；（iii）将可解释的机器学习输出（SHAP、PDP）与既有的电化学机制（如物种形成动力学和HER竞争）联系起来。本工作的发现对进一步的实验设计很重要，表明应规划更大的工艺参数变化并生成更多数据。尽管如此，确定的发现和关系已可应用于工业过程，并允许改进浴管理和优化。未来的研究应使用真实的工业生产数据验证模型，以评估其实用性，同时通过更大的数据集进一步增强模型稳定性。此外，可以扩展实验设计，例如更宽的参数空间和额外的（多）目标情况，以同时分析光泽和耐腐蚀性。最后，有了更广泛的数据集，可以采用先进的解释方法来确保减少由特征相关性和目标变量引起的偏差，例如可以更详细地研究厚度的分布。