基于机器学习的先进高强汽车钢力学性能预测与可解释性分析

周军1，刘朝阳2，黄颖1(1.上海宝信软件股份有限公司；2．上海大学材料科学与工程学院)

摘要: 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。

关键词: 机器学习; 先进高强汽车钢; 性能预测; 可解释性