作者信息

赵行知（Xingzhi Zhao），北京科技大学博士研究生

张洪涛（Hongtao Zhang），北京科技大学，赣南实验室

付华栋（Huadong Fu），北京科技大学，赣南实验室

雍维（WeiYong），北京科技大学

张文涛（WentaoZhang），北京科技大学

朱帅成（ShuaichengZhu），北京科技大学

刘海燕（HaiyanLiu），北京科技大学

论文全文：https://doi.org/10.1016/j.jallcom.2026.188789

1、背景介绍

铝青铜是一种典型的耐蚀高性能铜合金，兼具高抗拉强度和优异的耐蚀性能，被广泛应用于螺旋桨、泵、阀门和齿轮等复杂服役环境下的关键零部件。随着高端装备对更严苛的服役条件和更长使用寿命的需求日益增长，如何进一步提升铝青铜的综合力学和耐蚀性能成为重要课题。成分设计和工艺优化是提升合金综合性能的关键因素，然而多元合金元素与加工参数的组合构成了高维设计问题，使得成分-工艺一体化设计极具挑战。机器学习技术的快速发展为合金高效设计提供了新机遇，但铝青铜合金数据集的稀缺性和有限规模进一步加剧了一体化建模中的“维数灾难”。铝青铜合金的力学性能和腐蚀性能均受析出相的强烈影响，两种性能之间存在内在关联。利用这种性能间的信息关联进行数据增强，有望缓解有限稀疏数据集带来的建模挑战。

2、文章亮点

本研究提出了一种基于多目标性能关联嵌入（Performance Correlation Embedding, PCE）的机器学习建模方法。通过在目标性能数据之间进行信息传递，增强数据表示能力，实现了铝青铜合金的精确成分-工艺一体化设计。首先建立了“成分+工艺→强度”的随机森林模型；随后利用PCE方法构建了“成分+工艺+强度→腐蚀电流密度”模型，相比直接建模分别降低了47.6%和20.0%的预测误差。基于Pareto前沿搜索设计了高性能铝青铜合金Cu-9Al-3Ni-1Mn-1Si-0.2Ce-0.1Mg，实验测得抗拉强度为888±10 MPa，腐蚀电流密度为8.4±1.7 μA/cm²，综合性能优于文献报道的铝青铜合金。

图1基于多目标PCE建模的合金设计策略

本研究采用"数据收集→关联建模→合金设计→实验验证"的研究策略。从已发表文献中收集了120条铝青铜合金数据，包括70条力学性能数据和50条腐蚀性能数据。PCE为两阶段级联预测方法：第一阶段通过随机森林建立力学性能预测模型；第二阶段将预测的抗拉强度作为附加输入特征，结合成分和工艺参数构建腐蚀性能预测模型。通过十折交叉验证进行超参数优化，并采用留一法交叉验证（LOOCV）评估模型泛化能力。

在力学性能建模中，通过比较支持向量回归、岭回归、Lasso回归、高斯过程回归和随机森林等多种算法，发现随机森林模型具有最佳预测性能，在训练集和测试集上分别取得4.0%和5.9%的MAPE以及31.9 MPa和49.3 MPa的RMSE，表明其能够准确建立铝青铜合金成分、工艺参数与抗拉强度之间的映射关系，故选随机森林模型作为UTS预测模型。

图2力学性能数据集的建模性能:（a）力学性能模型误差对比；（b）随机森林回归算法建模效果

在腐蚀性能建模中，引入PCE的模型在10×10折交叉验证过程中始终表现出更低的误差。PCE模型在训练集和测试集上的RMSE分别为1.1μA/cm²、1.6μA/cm²。为进一步分析引入PCE方法对模型的影响，通过留一法来验证PCE对模型的改进效果，LOOCV结果表明，PCE方法相较于基线模型的RMSE降低了约33.3%，证明引入UTS增强了特征表示，将力学性能作为中间物理约束，提高了腐蚀性能预测的物理一致性和泛化能力。

图3基线模型与PCE方法的耐蚀性能预测结果对比：（a）算法误差比较；（b）10×10折交叉验证RMSE比较；（c）误差比较；（d）（e）预测值与实测值对比；（f）LOOCV误差比较；（g）（h）LOOCV下预测值与实测值对比。

基于样本分布范围构建了成分和工艺候选空间，通过Pareto前沿优化筛选出高性能合金Cu-9Al-3Ni-1Mn-1Si-0.2Ce-0.1Mg（命名为NAB），设计工艺为900°C/2h固溶+300°C/2h一次时效+550°C/2h二次时效。实验验证表明，NAB合金的抗拉强度为888±10 MPa，屈服强度为643±3 MPa，腐蚀电流密度为8.4±1.7 μA/cm²。该合金的综合强度-耐蚀性能优于文献中已报道的铝青铜合金，位于文献数据Pareto前沿之外。

图4材料候选空间内的力学和腐蚀性能分布

图5 NAB合金：（a）力学性能；（b）腐蚀性能；（c）文献报道合金综合性能的对比

根据表征结果，NAB合金中存在多种析出相：微米级富Ce-Si-Ni的(NixCe)₃Si₅相可有效钉扎和强化晶界；亚微米级κ_Ⅲ相（NiAl，平均直径247 nm）；纳米级Mn₆Ni₁₆Si₇相（平均直径86 nm）和κ_Ⅳ相（NiAl，平均直径40 nm）。这些析出相均与Cu基体非共格，强化机制以Orowan绕过机制为主。强化机理定量分析表明：晶界强化贡献236 MPa，析出强化贡献189 MPa，位错强化贡献157 MPa，固溶强化贡献41 MPa，理论计算屈服强度为623 MPa，与实验值643±3 MPa仅相差3.1%。

图6 NAB合金的微观组织形貌：（a）（b）NAB合金的光学显微组织；（c）NAB合金的XRD衍射图谱；（d）NAB合金的SEM形貌及EDS元素面分布结果；（e）（f）NAB合金的EDS点分析结果。

图7 NAB合金微观组织的TEM表征：（a）NAB合金的STEM图像及对应EDS元素面分布；（b）（c）κ_Ⅲ析出相的明场像及对应选区电子衍射花样；（d）（e）Mn₆Ni₁₆Si₇析出相的明场像及对应选区电子衍射花样；（f）Mn₆Ni₁₆Si₇析出相平均直径统计分布；（g）κ_Ⅲ和κ_Ⅳ析出相平均直径统计分布。

对NAB合金腐蚀过程的进一步研究显示，NAB合金表面出现明显的局部腐蚀特征，形成了大量腐蚀坑并伴随表面粗糙化，表明腐蚀过程以局部腐蚀为主。腐蚀初期，亚稳态β’相优先发生选择性溶解，成为局部腐蚀的萌生位置；随后，α基体与κ相之间由于电化学性质差异形成微电偶腐蚀，使活性更高的α相优先溶解，并促进腐蚀坑的形成与扩展。EDS分析结果表明，腐蚀过程中表面形成了以Cu、Al氧化物为主的较稳定腐蚀膜，对基体具有一定保护作用；随着腐蚀进行，难溶的Si元素逐渐在腐蚀膜表面富集，并随腐蚀产物层的局部开裂和剥落而脱落。

图8 NAB合金的腐蚀形貌：（a1）NAB合金表面腐蚀形貌；（b1）-（k1）对应表面区域中Cu、Al、Mn、Cl、Mg、Si、Ni、Ce和O元素的EDS面分布结果；（b2）NAB合金截面腐蚀形貌；（c2）–（k2）对应截面区域中Cu、Al、Mn、Cl、Mg、Si、Ni、Ce和O元素的EDS面分布结果。

3、总结与展望

本研究提出了一种基于多目标性能关联嵌入的机器学习合金设计方法，成功开发了兼具优异力学性能和耐蚀性能的铝青铜合金。主要结论如下：

（1）建立了铝青铜“成分+工艺→强度”机器学习模型，训练集和测试集的RMSE分别为31.9 MPa和49.3 MPa。利用PCE方法构建了“成分+工艺+强度→腐蚀电流密度”模型，RMSE分别为1.1 μA/cm²和1.6 μA/cm²，预测误差相比直接建模分别降低47.6%和20.0%。

（2）通过Pareto前沿优化设计了合金Cu-9Al-3Ni-1Mn-1Si-0.2Ce-0.1Mg，实测抗拉强度888±10 MPa，腐蚀电流密度8.4±1.7 μA/cm²，综合性能优于文献报道的铝青铜合金。

（3）晶界强化、析出强化和位错强化是合金屈服强度的主要贡献来源，理论计算屈服强度623 MPa与实验值643±3 MPa吻合良好。合金中细小弥散的κ相有助于形成致密氧化膜，增强耐蚀性能。本研究为合金的成分-工艺一体化设计和多目标性能优化提供了新策略。