物理冶金信息指导机器学习的镍基单晶高温合金蠕变寿命预测

蠕变寿命是影响镍基单晶高温合金材料服役寿命和力学性能的关键材料参数。因此,如何准确有效地预测合金的蠕变寿命具有重要现实意义。尽管多年来许多研究学者已经建立起多种蠕变寿命的预测模型,但是由于不同温度应力下的蠕变机制复杂且蠕变过程涉及长时间的显微组织演化,已有模型尚难以实现有效预测。对此,采用物理冶金原理指导下的数据挖掘结合机器学习这一研究策略,通过文献调研建立起了高温低应力下的镍基单晶合金的高质量蠕变数据集,在物理冶金原理指导下对原始数据进行挖掘,提高了原始数据的内在质量,并基于Pearson系数和随机森林平均精确度降低值分别对原始数据特征进行了相关性分析和重要性评估,表明所建立的数据集符合基本的物理冶金学机制,同时阐明了引入的三维物理冶金信息对于蠕变寿命预测的重要意义。随后,基于机器学习方法在数据挖掘后的数据集上对合金的蠕变寿命进行了预测,并根据平方相关系数(R~2)、平均绝对误差(MAE)和过拟合程度评估了不同的机器学习模型。结果表明,支持向量回归(SVR)模型在本研究中具有较好的泛化能力且不容易过拟合,同时结合了物理冶金信息的机器学习模型拥有更好的预测准确性和泛化能力。最终成功地建立起了高温低应力下镍基单晶高温合金成分、工艺以及引入的物理冶金参数和蠕变寿命之间的关系,能够实现对镍基单晶高温合金蠕变寿命的有效预测,并有望应用于基于合金服役条件的成分工艺的反向设计。