金属热处理

作者：周军, 刘朝阳, 黄颖

单位：1.上海宝信软件股份有限公司, 上海 201900;；2.上海大学 材料科学与工程学院, 上海 200444

关键词：机器学习,先进高强汽车钢,性能预测,可解释性

本研究集成了文献中经TRIP处理的先进高强钢(AHSS)成分和工艺参数以及力学性能指标等数据,采用梯度提升回归(GBR)、人工神经网络(ANN)、支持向量机回归(SVR)、随机森林回归(RFR)和K近邻回归(KNN)5种机器学习方法,构建了TRIP辅助双相钢(TDP)力学性能的预测模型。研究以钢板材料厚度、合金成分、两相区退火温度与时间、过时效温度与时间为特征,以抗拉强度(UTS)和断后伸长率(TE)为目标变量,在数据预处理基础上,结合随机搜索与网格搜索方法优化模型超参数并进行训练。结果表明,在多种算法中,GBR模型表现出最优的预测性能。进一步借助SHAP值、部分依赖图(PDP)和个体条件期望图(ICE)方法对模型进行可解释性分析,随着Mn、C含量的增加,抗拉强度上升,而断后伸长率下降。随着两相区退火温度从750 ℃升至900 ℃时,抗拉强度提升而断后伸长率下降。随着过时效温度的增加,抗拉强度总体呈下降趋势,而断后伸长率先增加后下降。此外,研究表明,通过确信独立性筛选与稀疏算子(SISSO)算法得到的符号回归表达式能够揭示特征与目标变量之间的关系,但其预测精度低于GBR模型。

来源：2026年第3期

《金属热处理》期刊编辑部

查看金属热处理杂志2026年第3期