摘要：氧化物彌散強化鋼（ODS）具有優(yōu)異的力學性能和顯著的耐輻照、耐腐蝕和抗氧化性能，是可用于第四代核反應堆的一種非常有前途的包殼材料。在這項工作中，結合不同微觀表征手段研究了八種ODS鋼的基體晶粒形貌、彌散形貌和氧化物顆粒相。并收集了不同ODS鋼的500多個數(shù)據，并使用420個項目進行機器學習（ML）建模，將微觀結構特征作為特征變量被引入到ML算法中。利用平均絕對誤差（MAE）、均方根誤差（RMSE）和決定系數(shù)（）來對比不同模型的優(yōu)劣，從而選擇最佳模型，驗證材料性能的準確性。結構表明，ML模型具有精確預測ODS鋼硬度和屈服強度的潛力，從而為新型ODS鋼的設計和優(yōu)化提供有價值的理論框架。

研究方法：圖1顯示了整個ML模型的工作流程圖，模型訓練的方法包括：邏輯回歸算法（LR）、支持向量回歸算法（SVR）、K鄰近回歸算法（KNR）、多層感知機算法（MLP）、核嶺回顧算法（KRR）、隨機森林回歸算法（RFR）以及梯度提升算法（XGB）。從谷歌學術和CNKI收集了500多組關于ODS鋼的數(shù)據。該數(shù)據集包括化學成分、熱處理工藝、微觀結構描述符(如氧化物顆粒的平均尺寸、數(shù)量密度、顆粒間距和體積分數(shù))和機械性能等信息。

圖1. 模型工作流程圖。

表1. 特征與描述的類型。

結果：圖2給出了不同ODS鋼中基體晶粒的STEM-HAADF圖像和尺寸分布圖。ODS鋼的基體晶粒在垂直于擠軸的橫截面上是等軸的。

圖2. 不同ODS鋼微觀組織尺寸分布圖。

十五個描述符之間的皮爾遜相關系數(shù)呈現(xiàn)在圖3中。圓圈越大，紅色越深，相關性越強。可以看到， 、鋯和鈦之間以及鉻和鋁之間具有高度的存在線性相關性；納米顆粒的平均尺寸（AS）和其體積分數(shù)（VF）之間存在線性相關性。表明具有高線性相關性的兩個特征可以在某種程度上相互替代。

圖3. 隨機森林篩選后各特征值組合的相關系數(shù)。

圖4顯示了六種硬度預測算法模型的RMSE、MAE和值。XGB模型具有低的RMSE值與MAE值，最高的值，表明與其他回歸模型相比具有更好的預測準確性。

圖4. 不同ML模型關于硬度數(shù)據集的預測。

圖5給出了不同模型在評估數(shù)據集上屈服強度的預測能力對比。從圖中可以

看出，XGB模型具有最佳的預測性能。

圖5. 不同ML模型關于屈服強度的預測。

圖6給出了會影響硬度和屈服強度的輸入變量的重要性順序。熱處理工藝化學成分以及微觀結構參數(shù)對硬度以及屈服強度的影響有所差異。對硬度的影響顯著的是熱處理工藝，而對屈服強度的影響的則是化學成分。

圖6. 不同數(shù)據特征對硬度以及屈服強度影響的重要性順序。

圖7顯示了五種ODS鋼的維氏硬度的測量值和XGB模型預測值，預測值與實驗測量值之間的誤差不大，均在可接受的范圍內。表2為屈服強度的測量值與預測值的對比，誤差同意是可以接受的。

圖7. 硬度的測量值與預測值對比。

表2. 屈服強度的測量值與預測值對比。

結論：利用表征手段對ODS鋼中納米粒子的微觀結構進行了表征。然后評估了ML模型在硬度和屈服強度數(shù)據集上的預測性能。選擇最佳模型來驗證硬度和屈服強度的預測值和實驗值的準確性：

（1）XGB模型對于硬度以及屈服強度預測的RMSE值和MAE值，值很高，表明XGB模型對ODS鋼的預測。

（2）熱處理工藝對硬度的影響很大；化學成分對屈服強度的影響很大。

（3）預測的硬度和屈服強度與相應的實驗值吻合良好，證實了XGB模型預測力學性能的有效性。研究有助于合金的設計與優(yōu)化，從而開發(fā)出具有更好機械性能的ODS鋼。

相關工作以“Prediction of hardness or yield strength for ODS steels based on machine learning"為題發(fā)表在Materials Characterization期刊上，論文第一作者為Tian Xing Yang，通訊作者為Peng Dou。