封面文章 | 北科大谢建新院士课题组：基于贝叶斯优化的超低Co含量新型Cu–Ni–Co–Si–X合金二次形变-时效参数快速设计
合金成分设计与制备工艺优化是提升合金性能的最主要手段，近年来快速发展的数据驱动方法可大大提高设计效率、降低研发成本，为成分理性设计和工艺参数高效优化提供了智能化解决方案。传说老君控制三昧真火炼制丹药，救世济民，今人工智能调控成分与工艺，推动材料科学发展。正如封面论文所展示，采用先进的贝叶斯优化机器学习方法，实现了高性能铜合金成分、工艺参数的快速设计。
基于贝叶斯优化的超低Co含量新型Cu–Ni–Co–Si–X合金二次形变-时效参数快速设计 (点击阅读原文)
张洪涛，付华栋
Int. J. Miner. Metall. Mater., 29(2022), No. 6, pp. 1197-1205
https://doi.org/10.1007/s12613-022-2479-3
文章亮点1
提出了一种工艺参数的快速设计策略，并实现了铜合金二次形变-时效参数的快速优化。
文章亮点2工艺参数优化后超低Co含量新型Cu–Ni–Co–Si–X合金性能水平达到C70350。
文章亮点3探究了合金二次形变-时效处理后的显微组织与强化机制。
文章导读
Cu–Ni–Co–Si系合金具有优异的综合性能，是高端集成电路引线框架的理想材料之一，其开发和应用受到广泛重视。合金成分设计与制备工艺优化是提升析出强化型Cu–Ni–Co–Si合金性能的重要手段，然而，传统的合金成分设计和工艺参数优化主要依靠实验试错，需要通过大量的穷举实验进行筛选，导致实验研究周期长、效率低且成本高。
近日，北京科技大学北京材料基因工程高精尖创新中心谢建新院士课题组在Int. J. Miner. Metall. Mater. 上发表了题为“Rapid design of secondary deformation-aging parameters for ultra-low Co content Cu–Ni–Co–Si–X alloy via Bayesian optimization machine learning”的研究文章，将贝叶斯优化算法和实验迭代研究策略应用于超低Co含量Cu–1.85Ni–0.4Co–0.55Si–X合金的二次形变–时效参数设计，突破了工艺参数设计周期长、效率低、成本高等复杂性难题，实现了合金二次形变–时效参数的快速设计。
具体采用了实验获取基本样本数据→机器学习建模→双目标效能函数贝叶斯优化→参数设计→实验验证与反馈迭代的设计策略：
（1）首先参考相关文献所报道的Cu–Ni–Co–Si系合金的合适工艺参数范围，制定基本实验参数：冷轧变形量为0%、50%和70%，时效温度为425°C、450°C、475°C，时效时间为1 h、2 h和3 h。测试得到27种基本实验条件下所得样品的硬度和导电率，建立合金“冷轧变形量–时效温度–时效时间–性能（硬度和导电率）”的基本样本数据。
（2）然后对比不同机器学习算法，选择合适的算法建立“工艺参数-硬度”模型（简称硬度模型）和“工艺参数-导电率”模型（简称导电率模型）。基于所构建的机器学习模型，分别计算用于硬度和导电率贝叶斯优化的效能函数。针对呈倒置矛盾关系的力学和导电双目标性能同时优化的需求，本研究参考用强塑积表示合金强度和塑性综合性能的方法，构建了综合效能函数MOEI，用于基于贝叶斯优化算法的工艺参数设计。
（3）最后通过实验验证和反馈迭代设计工艺参数，优化合金综合性能。
结果显示，支持向量回归（SVR）算法建立的硬度模型和导电率模型的误差均最低，硬度模型的误差为1.2±0.7%，导电率模型的误差为1.9±1.0%。基于SVR算法构建的机器学习模型进行效能函数计算和贝叶斯优化迭代，随着迭代的进行，冷轧变形量由50%快速增加到90%。经过4次迭代，合金的性能得到较大提升，硬度为HV 285，导电率44.2%IACS。第5次迭代后，合金性能开始下降。考虑到迭代成本和“快速设计”的需求，停止迭代。第4次迭代设计参数（90%冷轧–450°C1.25 h时效，简称优化工艺参数）所得实验验证试样的性能最高（硬度HV 285，导电率44.2%IACS），相比于一次时效态，合金硬度和导电率乘积提升了15.5%；相比于基本样本数据集最佳值（冷轧变形量70%，时效温度450°C，时效时间1 h），合金硬度和导电率乘积提升了7.6%。且该工艺处理后，合金的抗拉强度为872 MPa，屈服强度为841 MPa，导电率为44.2%IACS，达到了ASTM标准C70350合金性能指标水平。
此外，本研究采用贝叶斯优化算法和实验迭代研究策略，基于27个实验构建的基本样本数据，只进行了5次迭代实验，快速设计了合理的二次形变–时效参数，所用实验量仅为候选参数5280种组合的0.6%，大大提高了参数设计效率。这主要是由于效能函数EI综合考虑了性能预测值大小和预测不确定性，在优化性能的同时，也进行了机器学习模型的优化，使得参数设计效率高。
最后，观察工艺参数优化后合金的显微组织，发现合金中存在大量位错缠结和纳米级析出相，这些纳米析出相主要为 (Ni,Co)2Si和Ni3Si，计算发现位错强化和析出强化效果分别达到了120 MPa和584 MPa，时效析出强化是新型铜合金的最主要强化方式。
图1 贝叶斯优化算法和实验迭代相结合的工艺参数快速设计和合金综合性能提升
采用贝叶斯优化算法和实验迭代相结合的研究策略快速设计新型铜合金工艺参数，突破时效强化铜合金形变-时效参数试错设计效率低、成本高的难题，并提升合金的力/电综合性能，使得超低Co含量的新型Cu–Ni–Co–Si合金性能达到C70350合金相同水平。
团队简介
北京科技大学北京材料基因工程高精尖创新中心，是在服务国家发展战略和重大需求，服务北京国际科技创新中心建设，服务北京高精尖产业发展的背景下，由北京市政府支持、依托高校建设的高水平国际化创新平台。中心通过跨学科、跨单位的交叉创新，在材料高通量计算方法、高通量制备与表征技术、服役行为高效评价与预测技术、面向材料基因工程的材料大数据技术等关键技术领域取得系列化创新研究成果。
图文 | 张洪涛， IJMMM
排版 | 候晓梅，IJMMM
-END-
《矿物冶金与材料学报（英文版）》(InternationalJournal of Minerals, Metallurgy and Materials，IJMMM)是由教育部主管、北京科技大学主办、Springer Nature合作出版的英文学术期刊，1994年创刊，月刊。主要刊载矿物、冶金和材料领域的原创研究论文和特约综述等。被SCIE，EI，CAS，Scopus，ProQuest，OCLC，INSPEC等国际著名文摘或检索系统作为文献源期刊收录。入选中科院期刊分区二区。2020 JCR影响因子为2.232，在冶金与冶金工程学科位于Q2区。2021 CiteScore为4.7，在材料科学-金属与合金类期刊中排名第27位（共155种期刊），位于Q1区。入选《有色金属领域高质量科技期刊分级目录》T1级别；《冶金工程技术领域高质量科技期刊分级目录》T1级别。
联系我们CONTACT US加入学科微信群
为了更好地为专家提供服务，促进学术交流，我们建立了“矿物”“冶金”“材料”三个学科微信群”。微信群定位为期刊作者和读者提供与期刊编辑在投审稿、编校和文章宣传推广、论文写作与投稿技能等方面进行交流的互动平台，同时也是相关学科专家们进行学术交流互动的平台。
想加入群的作者和专家，请加右侧各专业的微信负责人微信，并留言想要加入的群（备注：名字+单位），营销广告人员请勿扰！
矿物学科：
负责人：杜焱
微信号：mcgrady2006duyan
冶金学科：
负责人：陈佩仙
微信号：flywincpx
材料学科：
负责人：潘璐
微信号：panlu151017
其他联系方式
网址：http://ijmmm.ustb.edu.cn
http://www.springer.com/journal/12613
邮箱：journal@ustb.edu.cn
电话：+86 010 62332875
关注我们