机器学习辅助增强成形性双相钢的设计与组织性能关系解析
摘要:增强成形性双相钢(DH 钢)是在双相钢(DP 钢)基础上研发的先进高强钢,以满足汽车复杂形状零件成形对材料塑性的更高要求。目前,抗拉强度980 MPa 级别的DH 钢已实现规模化生产,抗拉强度1180 MPa 级别的DH 钢研发受到广泛关注。采用面向性能的机器学习方法,设计了一种1180 MPa级DH 钢的化学成分和制备工艺参数,并通过可解释性机器学习分析了材料显微组织特征与力学性能之间的内禀关系。首先,基于文献数据,采用神经网络算法构建成分/工艺−性能预测模型,并采用多目标遗传算法高效设计了新型DH 钢的化学成分。然后,基于新型DH 钢的制备工艺参数正交实验结果,采用随机森林算法构建了以工艺参数为输入的抗拉强度和断后伸长率(A80)预测模型,通过多目标遗传优化算法得到了较优的制备工艺参数,即卷曲温度510℃、退火温度860℃、退火时间160 s、缓冷温度715℃、过时效温度340℃、过时效时间110 s。设计的新型DH 钢具有优异的强塑性匹配,抗拉强度和断后伸长率分别为1214 MPa 和15.5%。最后,采用SHAP 分析揭示了组织特征对力学性能的影响规律,为先进高强钢的设计和组织性能调控提供理论参考。





