基于机器学习的ODS钢硬度与屈服强度预测

摘要：氧化物弥散强化钢（ODS）具有优异的力学性能和显著的耐辐照、耐腐蚀和抗氧化性能，是可用于第四代核反应堆的一种非常有前途的包壳材料。在这项工作中，结合不同微观表征手段研究了八种ODS钢的基体晶粒形貌、弥散形貌和氧化物颗粒相。并收集了不同ODS钢的500多个数据，并使用420个项目进行机器学习（ML）建模，将微观结构特征作为特征变量被引入到ML算法中。利用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（）来对比不同模型的优劣，从而选择最佳模型，验证材料性能的准确性。结构表明，ML模型具有精确预测ODS钢硬度和屈服强度的潜力，从而为新型ODS钢的设计和优化提供有价值的理论框架。

研究方法：图1显示了整个ML模型的工作流程图，模型训练的方法包括：逻辑回归算法（LR）、支持向量回归算法（SVR）、K邻近回归算法（KNR）、多层感知机算法（MLP）、核岭回顾算法（KRR）、随机森林回归算法（RFR）以及梯度提升算法（XGB）。从谷歌学术和CNKI收集了500多组关于ODS钢的数据。该数据集包括化学成分、热处理工艺、微观结构描述符(如氧化物颗粒的平均尺寸、数量密度、颗粒间距和体积分数)和机械性能等信息。

图1. 模型工作流程图。

表1. 特征与描述的类型。

结果：图2给出了不同ODS钢中基体晶粒的STEM-HAADF图像和尺寸分布图。ODS钢的基体晶粒在垂直于挤轴的横截面上是等轴的。

图2. 不同ODS钢微观组织尺寸分布图。

十五个描述符之间的皮尔逊相关系数呈现在图3中。圆圈越大，红色越深，相关性越强。可以看到， 、锆和钛之间以及铬和铝之间具有高度的存在线性相关性；纳米颗粒的平均尺寸（AS）和其体积分数（VF）之间存在线性相关性。表明具有高线性相关性的两个特征可以在某种程度上相互替代。

图3. 随机森林筛选后各特征值组合的相关系数。

图4显示了六种硬度预测算法模型的RMSE、MAE和值。XGB模型具有低的RMSE值与MAE值，最高的值，表明与其他回归模型相比具有更好的预测准确性。

图4. 不同ML模型关于硬度数据集的预测。

图5给出了不同模型在评估数据集上屈服强度的预测能力对比。从图中可以

看出，XGB模型具有最佳的预测性能。

图5. 不同ML模型关于屈服强度的预测。

图6给出了会影响硬度和屈服强度的输入变量的重要性顺序。热处理工艺化学成分以及微观结构参数对硬度以及屈服强度的影响有所差异。对硬度的影响显著的是热处理工艺，而对屈服强度的影响的则是化学成分。

图6. 不同数据特征对硬度以及屈服强度影响的重要性顺序。

图7显示了五种ODS钢的维氏硬度的测量值和XGB模型预测值，预测值与实验测量值之间的误差不大，均在可接受的范围内。表2为屈服强度的测量值与预测值的对比，误差同意是可以接受的。

图7. 硬度的测量值与预测值对比。

表2. 屈服强度的测量值与预测值对比。

结论：利用表征手段对ODS钢中纳米粒子的微观结构进行了表征。然后评估了ML模型在硬度和屈服强度数据集上的预测性能。选择最佳模型来验证硬度和屈服强度的预测值和实验值的准确性：

（1）XGB模型对于硬度以及屈服强度预测的RMSE值和MAE值，值很高，表明XGB模型对ODS钢的预测。

（2）热处理工艺对硬度的影响很大；化学成分对屈服强度的影响很大。

（3）预测的硬度和屈服强度与相应的实验值吻合良好，证实了XGB模型预测力学性能的有效性。研究有助于合金的设计与优化，从而开发出具有更好机械性能的ODS钢。

相关工作以“Prediction of hardness or yield strength for ODS steels based on machine learning"为题发表在Materials Characterization期刊上，论文第一作者为Tian Xing Yang，通讯作者为Peng Dou。