1、前言

鈦及鈦合金因其具有比強(qiáng)度高、韌性強(qiáng)、耐腐蝕、無(wú)磁、可焊、優(yōu)良的生物相容性以及出色的高低溫適應(yīng)性等特點(diǎn)，廣泛應(yīng)用于航空、航天、航海、冶金、機(jī)械、石油化工以及醫(yī)療衛(wèi)生等領(lǐng)域，獲得了“第三金屬”的美稱，整個(gè)鈦工業(yè)也一直保持穩(wěn)定增長(zhǎng)的態(tài)勢(shì)[1,2]。

隨著科技的飛速進(jìn)步，尤其是航空航天領(lǐng)域?qū)︹伜辖鸩牧系囊蟛粩嗵岣?，如何進(jìn)一步提升合金性能成為鈦合金研發(fā)的重要方向之一。近年來(lái)，調(diào)控合金元素種類、含量及工藝參數(shù)等途徑已成為改善鈦合金性能的主要手段。然而，隨著合金元素種類的增加，鈦合金的成分與性能之間的映射關(guān)系變得愈加復(fù)雜，傳統(tǒng)的設(shè)計(jì)方法，如鉬當(dāng)量（[Mo]Eq）[3]、d-電子合金理論[4,5]、價(jià)電子濃度[6,7]等理論，已難以有效捕捉合金元素間復(fù)雜的交互作用及其對(duì)性能的影響，從而導(dǎo)致新型鈦合金的設(shè)計(jì)進(jìn)展緩慢。因此，亟需開(kāi)發(fā)新的方法指導(dǎo)鈦合金的設(shè)計(jì)和開(kāi)發(fā)，以滿足日益復(fù)雜和高性能的應(yīng)用需求。

隨著數(shù)據(jù)技術(shù)的快速發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的模式已成為新材料研發(fā)的重要手段，催生了材料信息學(xué)這一新興領(lǐng)域。自2016年起，我國(guó)通過(guò)推廣和應(yīng)用材料基因工程與技術(shù)，推動(dòng)了數(shù)據(jù)驅(qū)動(dòng)的材料智能化研發(fā)模式的快速興起，為機(jī)器學(xué)習(xí)在材料研發(fā)領(lǐng)域的廣泛應(yīng)用奠定了堅(jiān)實(shí)的基礎(chǔ)。隨著材料信息學(xué)的不斷發(fā)展，材料領(lǐng)域積累了豐富的數(shù)據(jù)信息，包括材料的熱力學(xué)、聲學(xué)、光學(xué)、電學(xué)以及相結(jié)構(gòu)、晶體結(jié)構(gòu)等數(shù)值型數(shù)據(jù)，以及各類衍射譜圖[8]、顯微組織[9]等圖像數(shù)據(jù)，形成了多種多樣的材料數(shù)據(jù)庫(kù)。在已有數(shù)據(jù)的基礎(chǔ)上，機(jī)器學(xué)習(xí)能夠通過(guò)算法構(gòu)建影響因素（材料特征）與目標(biāo)量（如結(jié)構(gòu)、組織、材料性能等）之間的映射關(guān)系，從而實(shí)現(xiàn)對(duì)新材料結(jié)構(gòu)、組織、性能的預(yù)測(cè)，挖掘出材料數(shù)據(jù)中的隱含信息，協(xié)助材料研究人員更深入地理解材料科學(xué)問(wèn)題[10-12]。如圖1所示，機(jī)器學(xué)習(xí)模型構(gòu)建的一般流程包括：數(shù)據(jù)獲取與預(yù)處理、特征工程、模型訓(xùn)練、評(píng)估與應(yīng)用[13]。具體來(lái)說(shuō)，針對(duì)特定的材料問(wèn)題，首先準(zhǔn)備相應(yīng)的材料數(shù)據(jù)集，并對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理；然后，通過(guò)特征工程確定影響目標(biāo)量的關(guān)鍵材料特征，并將其輸入到機(jī)器學(xué)習(xí)模型中；訓(xùn)練多個(gè)機(jī)器學(xué)習(xí)模型，利用交叉驗(yàn)證等方法評(píng)估模型性能，并選出表現(xiàn)最好的機(jī)器學(xué)習(xí)模型；最后，應(yīng)用訓(xùn)練好的機(jī)器學(xué)習(xí)模型預(yù)測(cè)未知材料的目標(biāo)性能，根據(jù)預(yù)測(cè)結(jié)果設(shè)計(jì)實(shí)驗(yàn)，能夠顯著縮短材料研發(fā)周期，降低研發(fā)成本。因此，以機(jī)器學(xué)習(xí)為代表的數(shù)據(jù)挖掘方法在材料領(lǐng)域得到了廣泛的應(yīng)用，取得了一批創(chuàng)新性的研究成果。近年來(lái)研究人員從不同角度針對(duì)機(jī)器學(xué)習(xí)在材料領(lǐng)域的應(yīng)用做了系統(tǒng)的歸納和總結(jié)[14-21]。例如，Xie等[19]以材料預(yù)測(cè)和優(yōu)化設(shè)計(jì)為主線，簡(jiǎn)述了材料特征構(gòu)建與篩選，總結(jié)了機(jī)器學(xué)習(xí)在材料結(jié)構(gòu)、組織、性能、服役行為預(yù)測(cè)等方面的應(yīng)用進(jìn)展。Hart等[12]系統(tǒng)地闡述了機(jī)器學(xué)習(xí)在高熵合金、形狀記憶合金、非晶合金、高溫合金等合金研發(fā)中的典型應(yīng)用。Choudhary等[16]在簡(jiǎn)述深度學(xué)習(xí)方法的基礎(chǔ)上，詳細(xì)討論了深度學(xué)習(xí)在原子模擬、材料圖像處理、頻譜分析和自然語(yǔ)言處理等方向的最新研究進(jìn)展。Su等[17]在材料基因工程思想框架下，從材料數(shù)據(jù)庫(kù)搭建、機(jī)器學(xué)習(xí)理論與方法、關(guān)鍵技術(shù)與裝備、材料研發(fā)的工程化應(yīng)用、人才培養(yǎng)等方面，綜述了中國(guó)材料基因工程的研究進(jìn)展。Lookman等[20]則主要總結(jié)了貝葉斯優(yōu)化與主動(dòng)學(xué)習(xí)策略在加速新材料發(fā)現(xiàn)中的應(yīng)用。

本文以機(jī)器學(xué)習(xí)輔助鈦合金研究應(yīng)用的一般流程為主線，綜述了數(shù)據(jù)驅(qū)動(dòng)的智能化研發(fā)方式在鈦合金設(shè)計(jì)中的研究進(jìn)展。首先，介紹了鈦合金機(jī)器學(xué)習(xí)中數(shù)據(jù)獲取與預(yù)處理以及特征工程技術(shù)?；谶@些內(nèi)容，進(jìn)一步介紹了常用的機(jī)器學(xué)習(xí)模型與算法，并從β轉(zhuǎn)變溫度、力學(xué)性能、熱加工行為等方面闡述了機(jī)器學(xué)習(xí)在鈦合金預(yù)測(cè)中的具體應(yīng)用。接著，總結(jié)了機(jī)器學(xué)習(xí)融合優(yōu)化算法在鈦合金設(shè)計(jì)中的最新研究進(jìn)展。最后，討論了機(jī)器學(xué)習(xí)在鈦合金領(lǐng)域面臨的發(fā)展機(jī)遇與挑戰(zhàn)。

2、鈦合金數(shù)據(jù)

2.1鈦合金數(shù)據(jù)集

材料數(shù)據(jù)是利用機(jī)器學(xué)習(xí)進(jìn)行材料設(shè)計(jì)和開(kāi)發(fā)的基礎(chǔ)，鈦合金數(shù)據(jù)主要來(lái)源于實(shí)驗(yàn)表征和計(jì)算模擬。實(shí)驗(yàn)數(shù)據(jù)雖然獲取周期長(zhǎng)且成本高，但通常具有較高的質(zhì)量。

通過(guò)正交設(shè)計(jì)方法，可以在同一實(shí)驗(yàn)室內(nèi)進(jìn)行控制變量實(shí)驗(yàn)，得到高質(zhì)量的實(shí)驗(yàn)數(shù)據(jù)集。這些實(shí)驗(yàn)數(shù)據(jù)集噪聲小，僅通過(guò)少量實(shí)驗(yàn)就可以建立有效的機(jī)器學(xué)習(xí)模型[22,23]。作者統(tǒng)計(jì)了近30篇使用鈦合金實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)的研究工作[22-47]，如圖2所示，其中超過(guò)一半的研究使用的是同一實(shí)驗(yàn)室完成的數(shù)據(jù)，大部分樣本數(shù)量小于50。通過(guò)這些成功的研究可以看出，數(shù)據(jù)挖掘中的數(shù)據(jù)并不一定需要“大”，而是與數(shù)據(jù)質(zhì)量密切相關(guān)。相比傳統(tǒng)合金設(shè)計(jì)方法需要大量試錯(cuò)實(shí)驗(yàn)耗時(shí)耗力，機(jī)器學(xué)習(xí)能夠基于小樣本數(shù)據(jù)實(shí)現(xiàn)多組元合金在復(fù)雜工藝下的成分設(shè)計(jì)與工藝優(yōu)化，從而大大提高了研究效率。

隨著鈦合金研究的深入，科技文獻(xiàn)中已經(jīng)積累了大量的實(shí)驗(yàn)數(shù)據(jù)。盡管文獻(xiàn)數(shù)據(jù)較多，但由于它們來(lái)自不同的科研人員和實(shí)驗(yàn)室，數(shù)據(jù)中存在著不可避免的誤差。

數(shù)據(jù)質(zhì)量下降，一定程度上可以通過(guò)數(shù)量彌補(bǔ)。從圖1可以看出，文獻(xiàn)數(shù)據(jù)通常超過(guò)100個(gè)樣本。為了有效利用這些已發(fā)表數(shù)據(jù)，可以借助自然語(yǔ)言處理技術(shù)，從大量相關(guān)的科技文獻(xiàn)中快速提取有用的數(shù)據(jù)，從而進(jìn)一步提升數(shù)據(jù)集的規(guī)模和多樣性，為機(jī)器學(xué)習(xí)模型的訓(xùn)練提供更為豐富的信息[48-50]。

另外，通過(guò)高通量實(shí)驗(yàn)?zāi)軌蛟诙虝r(shí)間內(nèi)覆蓋多個(gè)材料組合和不同的實(shí)驗(yàn)條件，獲取大量樣本數(shù)據(jù)，為構(gòu)建大數(shù)據(jù)集提供了堅(jiān)實(shí)基礎(chǔ)[51-53]。Chen等[54]利用反向分析法[55]從四元擴(kuò)散偶的載荷-位移（L-D）曲線中提取楊氏模量和硬度。研究表明，單個(gè)擴(kuò)散偶能夠提供數(shù)10個(gè)不同成分的性能數(shù)據(jù)。在Ti-Nb-Zr基擴(kuò)散偶系列實(shí)驗(yàn)中，研究者共獲得了1290組鈦合金的力學(xué)性能數(shù)據(jù)。

材料高性能模擬計(jì)算是鈦合金數(shù)據(jù)的重要來(lái)源之一，常見(jiàn)的技術(shù)手段包括第一性原理計(jì)算[56-58]、相場(chǎng)模擬[59,60]、分子動(dòng)力學(xué)模擬[61,62]以及蒙特卡洛模擬[63-65]等。通 過(guò)這些模擬方法獲取的材料數(shù)據(jù)，再結(jié)合機(jī)器學(xué)習(xí)技術(shù)，可以顯著加速模擬過(guò)程的效率。Peng等[47]為高效獲得微觀組織分布均勻的Ti6554合金棒材制備工藝參數(shù)，利用實(shí)驗(yàn)驗(yàn)證的熱擠壓有限元模型獲取數(shù)據(jù)集，結(jié)合機(jī)器學(xué)習(xí)技術(shù)，構(gòu)建了組織均勻度預(yù)測(cè)模型。通過(guò)該預(yù)測(cè)模型，組織均勻度的預(yù)測(cè)時(shí)間僅為有限元調(diào)參預(yù)測(cè)時(shí)間的0.7%，大幅提升了模擬效率。

2.2數(shù)據(jù)預(yù)處理

在機(jī)器學(xué)習(xí)輔助鈦合金設(shè)計(jì)中，數(shù)據(jù)預(yù)處理是提升模型精度和可靠性的關(guān)鍵步驟。鈦合金設(shè)計(jì)涉及復(fù)雜的合金成分、工藝參數(shù)和性能數(shù)據(jù)，這些數(shù)據(jù)往往存在缺失值、噪聲和異常值等問(wèn)題。為確保機(jī)器學(xué)習(xí)模型能夠準(zhǔn)確挖掘數(shù)據(jù)中的規(guī)律，采用科學(xué)合理的數(shù)據(jù)預(yù)處理方法至關(guān)重要。

數(shù)據(jù)清洗是數(shù)據(jù)預(yù)處理的首要步驟，其目的是去除數(shù)據(jù)中的錯(cuò)誤、重復(fù)和不一致的部分，從而確保數(shù)據(jù)的完整性和可靠性。在鈦合金的機(jī)器學(xué)習(xí)研究中，常見(jiàn)的數(shù)據(jù)清洗任務(wù)包括重復(fù)數(shù)據(jù)去除、缺失值填補(bǔ)和異常值檢測(cè)等。

數(shù)據(jù)歸一化是一種常用的數(shù)據(jù)預(yù)處理技術(shù)，主要目的是將不同尺度的數(shù)據(jù)映射到相同的范圍，以消除特征之間的量綱差異。常見(jiàn)的歸一化方法包括最小-最大歸一化和Z-score標(biāo)準(zhǔn)化等。通過(guò)歸一化，數(shù)據(jù)可以在0到1之間或者呈現(xiàn)均值為0、標(biāo)準(zhǔn)差為1的分布，確保各個(gè)特征具有相同的尺度和范圍，避免因維度差異而導(dǎo)致的結(jié)果偏差。通常，在進(jìn)行模型訓(xùn)練之前，對(duì)特征進(jìn)行標(biāo)準(zhǔn)化或歸一化處理，以提高模型的訓(xùn)練效率和預(yù)測(cè)準(zhǔn)確性。例如，Markovi?等[34]采用線性回歸、四分位距（interquartilerange，IQR）、局部離群因子（localoutlierfactor，LOF）等方法對(duì)彈性模量數(shù)據(jù)集中的異常值進(jìn)行檢測(cè)，從而獲得了更高質(zhì)量的訓(xùn)練數(shù)據(jù)集。Swetlana等[37]則首先利用Z分?jǐn)?shù)異常檢測(cè)方法進(jìn)行數(shù)據(jù)清洗，盡量減少數(shù)據(jù)中的誤導(dǎo)性表示，并進(jìn)行標(biāo)準(zhǔn)化處理以消除不同特征值之間的差異，從而有效控制鈦合金疲勞壽命數(shù)據(jù)集的質(zhì)量。這些數(shù)據(jù)預(yù)處理技術(shù)在確保數(shù)據(jù)質(zhì)量和提 高模型精度方面發(fā)揮了重要作用。

3、鈦合金特征工程

特征工程指的是對(duì)原始數(shù)據(jù)的處理和轉(zhuǎn)換，將其中有價(jià)值的信息提取出來(lái)，并將其轉(zhuǎn)化為機(jī)器學(xué)習(xí)模型可以理解的數(shù)值形式，從而更有效地描述不同材料的特征，提升模型的預(yù)測(cè)精度。特征工程技術(shù)包括特征構(gòu)建、特征選擇和特征降維。

3.1材料特征構(gòu)建

在數(shù)據(jù)分布較為集中的一些研究中，材料的成分和工藝參數(shù)可以直接作為材料特征，輸入到機(jī)器學(xué)習(xí)模型中[27,31,66-68]。例如，Niu等[66]在構(gòu)建鈦合金β轉(zhuǎn)變溫度的預(yù)測(cè)模型時(shí)，直接以Ti，Al，V，Zr，Mo，Si，Cr，F(xiàn)e等11個(gè)元素的含量為輸入。Wu等[68]基于文獻(xiàn)中搜集的200個(gè)鈦合金力學(xué)性能數(shù)據(jù)，以合金成分、時(shí)效時(shí)間、時(shí)效溫度、冷卻速率等加工工藝參數(shù)為輸入的材料特征，建立了彈性模量和屈服強(qiáng)度的預(yù)測(cè)模型。針對(duì)鈦合金的駐留疲勞壽命壽命預(yù)測(cè)，則需要同時(shí)考慮合金成分、屈服強(qiáng)度、抗拉強(qiáng)度、疲勞試驗(yàn)參數(shù)和試樣直徑等因素的影響。然而，當(dāng)需要預(yù)測(cè)的新材料中出現(xiàn)其他元素或新工藝時(shí)，此類模型構(gòu)建的映射關(guān)系不再適用，限制了機(jī)器學(xué)習(xí)模型的泛化能力。而且在小數(shù)據(jù)背景下，材料的成分種類多樣、分布范圍廣、工藝參數(shù)復(fù)雜等特點(diǎn)，導(dǎo)致材料數(shù)據(jù)在高維空間中分布稀疏，給機(jī)器學(xué)習(xí)模型的訓(xùn)練造成了很大的困難。

研究人員通過(guò)引入領(lǐng)域知識(shí)構(gòu)建新的材料特征，可以有效提升模型的泛化能力，并改善數(shù)據(jù)的原始分布。

例如，通過(guò)將元素的物理化學(xué)性質(zhì)與成分信息結(jié)合，利用數(shù)學(xué)公式構(gòu)建描述材料的特征。Ghiringhelli等[69]指出，在構(gòu)建材料特征時(shí)，應(yīng)盡量滿足“易得性”（simple）、“獨(dú) 特性”（unique）和“完備性”（complete）的要求。Seko等[70]則將常用的元素性質(zhì)分為3類，包括本征量（intrinsicquantities）、啟發(fā)量（heuristicquantities）和物理性質(zhì)。本征量包括原子序數(shù)、原子質(zhì)量、周期數(shù)和族數(shù)、第一電離能等；啟發(fā)量則包括鮑林電負(fù)性、艾倫電負(fù)性、范德華半徑、共價(jià)半徑、原子半徑等；物理性質(zhì)包括熔點(diǎn)、沸點(diǎn)、密度、熔化焓、蒸發(fā)焓、熱導(dǎo)率等。通過(guò)這些領(lǐng)域知識(shí)的引入，構(gòu)建的特征能夠更全面地描述材料特性，進(jìn)而提高機(jī)器學(xué)習(xí)模型的預(yù)測(cè)能力和準(zhǔn)確性。例如，Markovi?等[34]計(jì)算了Mo當(dāng)量、d電子結(jié)合次數(shù)（Bo）、d電子軌道能級(jí)（Md）和平均價(jià)電子濃度（e/a）等經(jīng)驗(yàn)參數(shù)，還考慮了相關(guān)的熱力學(xué)性質(zhì)和力學(xué)性能對(duì)彈性模量的影響，共構(gòu)建了46個(gè)材料特征。在設(shè)計(jì)低彈性模量近β鈦合金時(shí)，Zou等[32]除合金成分外，根據(jù)原子半徑（r）、熔點(diǎn)（MP）、沸點(diǎn)（BP）、電負(fù)性（χ）、原子質(zhì)量（m）、密度（ρ）和電離能（IE）構(gòu)建了27個(gè)材料特征。

將機(jī)器學(xué)習(xí)與計(jì)算模擬結(jié)合，可以獲得更豐富的材料特征。Wang等[71]利用第一性原理計(jì)算，獲得了不同合金成分β鈦合金的晶格常數(shù)、晶胞體積、密度、彈性常數(shù)等結(jié)構(gòu)信息，并以此為輸入，建立了高精度的鈦合金彈性模量預(yù)測(cè)模型。針對(duì)鈦合金的塑性變形機(jī)制預(yù)測(cè)，Coffigniez等[72]基于密度泛函理論計(jì)算，獲取了體積模量、剪切模量、泊松比、平均聲子頻率、缺陷形成能、d能級(jí)和平均層錯(cuò)能等多個(gè)材料特征。這些通過(guò)計(jì)算模擬獲得的材料特征為機(jī)器學(xué)習(xí)模型提供了更為豐富的輸入，進(jìn)一步提高了對(duì)鈦合金性能的預(yù)測(cè)能力。

對(duì)于特定的材料問(wèn)題或目標(biāo)量，則需要結(jié)合具體問(wèn)題場(chǎng)景，利用領(lǐng)域知識(shí)，選擇所需的材料特征。例如，在利用機(jī)器學(xué)習(xí)構(gòu)建鈦合金熱加工圖時(shí)，常選取變形溫度、應(yīng)變速率和應(yīng)變作為輸入特征[39,73-76]。如果研究關(guān)注的是鈦合金的疲勞壽命，則需要考慮鍛造工藝參數(shù)、加載條件以及表面粗糙度等特征[77-79]。在增材制造鈦合金的工藝優(yōu)化問(wèn)題中，輸入特征通常與增材制造技術(shù)的類別密切相關(guān)。例如，在優(yōu)化定向能量沉積鈦合金的工藝窗口時(shí)，所選的材料特征包括激光功率、激光掃描速率和粉末進(jìn)料速率等特定的工藝參數(shù)。針對(duì)鈦合金的高溫氧化性能，Bhattacharya等[80]構(gòu)建了一個(gè)包含合金成分、組成相、氧化溫度、氧化時(shí)間、氧氣含量、水蒸氣含量、氣氛條件和氧化模式的材料特征集。

3.2材料特征選擇與降維

一般來(lái)說(shuō)，鈦合金數(shù)據(jù)樣本較為有限，若材料特征的數(shù)量過(guò)多，會(huì)導(dǎo)致維度災(zāi)難和過(guò)擬合問(wèn)題，尤其是在高維特征空間中，有限的樣本會(huì)更加稀疏。因此，為了提高機(jī)器學(xué)習(xí)模型的精度并增強(qiáng)其物理可解釋性，需要通過(guò)特征選擇方法對(duì)材料特征空間進(jìn)行篩選，找出對(duì)目標(biāo)材料性能具有重要影響的關(guān)鍵特征。常見(jiàn)的特征選擇方法主要分為3類：過(guò)濾法、包裹法和嵌入法。過(guò)濾法通常通過(guò)統(tǒng)計(jì)方法（如方差、卡方檢驗(yàn)等）對(duì)特征進(jìn)行初步篩選，去除冗余或不相關(guān)的特征；包裹法通過(guò)建立模型評(píng)估特征子集的性能，選擇最佳特征子集，常用的如遞歸特征消除（recursivefeatureelimination，RFE）方法；嵌入法則在模型訓(xùn)練過(guò)程中進(jìn)行特征選擇，通過(guò)模型本身（如決策樹(shù)、LASSO等）來(lái)評(píng)估特征的重要性，進(jìn)而選擇最具預(yù)測(cè)能力的特征。

Bhattacharya等[80]利用過(guò)濾法中的相關(guān)性分析確定了影響鈦合金高溫氧化的拋物線速率常數(shù)的前5個(gè)材料特征，分別為溫度、氧氣含量、氣氛條件、氧化時(shí)間和近α相，如圖3所示。McElfresh等[81]通過(guò)嵌入法中的隨機(jī)森林（randomforest，RF）模型評(píng)估特征重要性，發(fā)現(xiàn)晶粒形狀對(duì)雙相Ti-6Al-4V合金的屈服強(qiáng)度和硬化速率幾乎沒(méi)有影響，而β相分?jǐn)?shù)是最重要的材料特征。Niu等[66]通過(guò)過(guò)濾法中的敏感性分析發(fā)現(xiàn)，去除任意特征都會(huì)導(dǎo)致模型性能下降，表明所使用的全部特征都對(duì)β相轉(zhuǎn)變溫度有效。Yang等[77]結(jié)合BP神經(jīng)網(wǎng)絡(luò)和平均影響值方法（meanimpactvalue，MIV）對(duì)影響Ti-685合金高周疲勞壽命的工藝參數(shù)和加載條件進(jìn)行了預(yù)先篩選，并結(jié)合包裹法通過(guò)迭代去除特征，觀察模型性能變化來(lái)評(píng)估特征的重要性，研究發(fā)現(xiàn)比熱容是影響低彈性模量生物相容性鈦合金的最重要特征參量[34]。

特征降維是指將原始材料特征映射到維度更低的特征空間，通過(guò)組合和轉(zhuǎn)化，將多個(gè)特征壓縮為幾個(gè)互不相關(guān)的特征，同時(shí)盡量保持原有特征的信息含量。常用的特征降維方法包括主成分分析（principalcomponentanalysis，PCA）、線性判別分析（lineardiscriminantanalysis，LDA）和獨(dú)立成分分析（independentcomponentanalysis，ICA）等。例如，Zhang等[82]利用PCA將聲發(fā)射信號(hào)的特征從11維壓縮到了5維，顯著提升了數(shù)據(jù)處理的效率，并降低了模型的計(jì)算復(fù)雜度，同時(shí)保留了數(shù)據(jù)中的關(guān)鍵信息。

4、鈦合金機(jī)器學(xué)習(xí)建模與預(yù)測(cè)

4.1機(jī)器學(xué)習(xí)模型構(gòu)建與評(píng)估

在具備充足的材料數(shù)據(jù)并確定合適的材料特征后，可以開(kāi)始構(gòu)建用于材料分析的機(jī)器學(xué)習(xí)模型。機(jī)器學(xué)習(xí)方法主要分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)兩大類。監(jiān)督學(xué)習(xí)適用于有標(biāo)簽數(shù)據(jù)的任務(wù)，根據(jù)標(biāo)簽類型的不同，可以進(jìn)一步分為分類任務(wù)和回歸任務(wù)。分類任務(wù)用于目標(biāo)變量為離散類別的情況，例如預(yù)測(cè)鈦合金的類型或性能等級(jí)；回歸任務(wù)則用于預(yù)測(cè)連續(xù)數(shù)值的目標(biāo)變量，例如強(qiáng)度、韌性、彈性模量等鈦合金性能。無(wú)監(jiān)督學(xué)習(xí)則處理無(wú)標(biāo)簽數(shù)據(jù)，主要通過(guò)探索數(shù)據(jù)的潛在結(jié)構(gòu)和模式進(jìn)行學(xué)習(xí)，常用于聚類分析、異常值檢測(cè)和降維等任務(wù)。在鈦合金設(shè)計(jì)與優(yōu)化過(guò)程中，機(jī)器學(xué)習(xí)模型的選擇和訓(xùn)練需結(jié)合數(shù)據(jù)的特點(diǎn)和具體任務(wù)，以確保模型能夠提供有效的預(yù)測(cè)和分析。

常見(jiàn)的監(jiān)督學(xué)習(xí)算法復(fù)雜程度不同，帶來(lái)的擬合效果和可解釋性也有所差別。以包括線性回歸、支持向量機(jī)（supportvectormachines，SVM）、RF和極致梯度提升樹(shù)（extremegradientboosting，XGBoost）為例，這些算法廣泛應(yīng)用于鈦合金性能預(yù)測(cè)。線性回歸適用于描述簡(jiǎn)單的線性關(guān)系，具有較好的物理可解釋性，便于理解和分析其模型結(jié)果；SVM則更適合數(shù)據(jù)集較小且存在復(fù)雜非線性關(guān)系的情境，通過(guò)構(gòu)建高維特征空間來(lái)實(shí)現(xiàn)非線性的分類和回歸；RF和XGBoost等集成學(xué)習(xí)算法在面對(duì)高度復(fù)雜的非線性關(guān)系時(shí)展現(xiàn)出較高的精度和魯棒性，通過(guò)集成多個(gè)弱分類器或回歸器提高預(yù)測(cè)性能，能夠?yàn)殁伜辖鸬男阅茴A(yù)測(cè)提供更為準(zhǔn)確和穩(wěn)定的結(jié)果。集成方法通常具有較強(qiáng)的泛化能力，能夠有效減少過(guò)擬合問(wèn)題，因此在鈦合金的性能預(yù)測(cè)中得到了廣泛應(yīng)用[29,32,83,84]。

深度學(xué)習(xí)作為一種強(qiáng)大的監(jiān)督學(xué)習(xí)方法，尤其適合處理大規(guī)模和高維數(shù)據(jù)，近年來(lái)在材料設(shè)計(jì)中的應(yīng)用不斷得到擴(kuò)展。常見(jiàn)的深度學(xué)習(xí)模型包括人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ANN）和卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetwork，CNN）等。ANN通常由輸入層、隱藏層和輸出層組成。輸入層的節(jié)點(diǎn)數(shù)量由數(shù)據(jù)集中特征的數(shù)量決定，每個(gè)輸入節(jié)點(diǎn)對(duì)應(yīng)一個(gè)輸入特征；輸出層的節(jié)點(diǎn)數(shù)量則取決于任務(wù)目標(biāo)，例如回歸任務(wù)中通常為一個(gè)節(jié)點(diǎn)，而分類任務(wù)中輸出節(jié)點(diǎn)的數(shù)量由類別數(shù)決定。隱藏層的數(shù)量和每層節(jié)點(diǎn)的數(shù)量通常與問(wèn)題的復(fù)雜性和數(shù)據(jù)量相關(guān)，通過(guò)逐層傳遞和變換數(shù)據(jù)，隱藏層能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的隱含特征和關(guān)系，從而實(shí)現(xiàn)更加精準(zhǔn)的預(yù)測(cè)。在鈦合金的性能預(yù)測(cè)中，ANN能夠處理復(fù)雜的非線性問(wèn)題，并通過(guò)多層結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行深度分析，提升模型的預(yù)測(cè)準(zhǔn)確性[27,28,85]。

CNN則是一種特別適合圖像數(shù)據(jù)分析的深度學(xué)習(xí)模型，其結(jié)構(gòu)通常包括卷積層、池化層和全連接層。卷積層負(fù)責(zé)從原始圖像中提取特征，池化層則用于減少數(shù)據(jù)維度和計(jì)算量，同時(shí)保持重要的特征信息；全連接層則用于最終的預(yù)測(cè)和分類。在鈦合金的微觀結(jié)構(gòu)分析中，CNN能夠處理掃描電鏡圖像、晶體結(jié)構(gòu)圖像等空間數(shù)據(jù)，通過(guò)卷積操作自動(dòng)識(shí)別局部特征，進(jìn)而學(xué)習(xí)不同結(jié)構(gòu)與材料性能之間的復(fù)雜關(guān)系[26,66,86]。因此，CNN在鈦合金微觀結(jié)構(gòu)與性能之間的映射中發(fā)揮了重要作用，尤其是在自動(dòng)化和高效分析鈦合金圖像數(shù)據(jù)方面具有顯著優(yōu)勢(shì)。

在模型訓(xùn)練后，需要通過(guò)評(píng)估驗(yàn)證其可靠性，并與其他模型進(jìn)行比較，以確保其能夠在未知數(shù)據(jù)上有效泛化[21]。常見(jiàn)的評(píng)估方法包括留出法和交叉驗(yàn)證。留出法是將數(shù)據(jù)集按照一定比例（如80%訓(xùn)練集，20%測(cè)試集）劃分，訓(xùn)練集用于訓(xùn)練模型，測(cè)試集則用于評(píng)估模型的預(yù)測(cè)精度。留出法簡(jiǎn)單且計(jì)算速度快，但評(píng)估結(jié)果可能受數(shù)據(jù)劃分的影響，因此通常需要進(jìn)行多次留出法取平均值。k折交叉驗(yàn)證則是將數(shù)據(jù)集劃分為k個(gè)子集，輪流使用k-1個(gè)子集訓(xùn)練模型，剩余一個(gè)子集用于測(cè)試，最終取各輪測(cè)試結(jié)果的平均值來(lái)評(píng)估模型性能。

在評(píng)估過(guò)程中，需要根據(jù)具體任務(wù)選擇合適的評(píng)估指標(biāo)。對(duì)于回歸任務(wù)，常用的評(píng)估指標(biāo)包括均方誤差（MSE）、平均絕對(duì)誤差（MAE）和決定系數(shù)（R2），它們能有效衡量預(yù)測(cè)值與真實(shí)值之間的差異；而分類任務(wù)則通常使用準(zhǔn)確率、召回率、F1-score及ROC曲線等指標(biāo)，這些指標(biāo)可以幫助判斷模型對(duì)不同類別的預(yù)測(cè)性能。

此外，通過(guò)超參數(shù)調(diào)優(yōu)（如網(wǎng)格搜索或隨機(jī)搜索），可以進(jìn)一步提升模型性能，確保其在實(shí)際應(yīng)用中的高效性與穩(wěn)定性。

4.2鈦合金機(jī)器學(xué)習(xí)預(yù)測(cè)

利用訓(xùn)練好的機(jī)器學(xué)習(xí)模型對(duì)鈦合金性能進(jìn)行預(yù)測(cè)，以指導(dǎo)目標(biāo)性能鈦合金的設(shè)計(jì)，是鈦合金機(jī)器學(xué)習(xí)應(yīng)用中的重要方向。當(dāng)前，已有大量研究集中于鈦合金性能的預(yù)測(cè)，涵蓋了多個(gè)關(guān)鍵性能指標(biāo)，例如β相轉(zhuǎn)變溫度、彈性模量、強(qiáng)度、延伸率、塑性變形機(jī)制、疲勞壽命預(yù)測(cè)以及熱加工圖構(gòu)建等。這些研究不僅為鈦合金的設(shè)計(jì)提供了理論依據(jù)，還為新型鈦合金材料的優(yōu)化和開(kāi)發(fā)提供了有效工具。

鈦合金的β轉(zhuǎn)變溫度是指在熱平衡狀態(tài)下，顯微組織中α相完全轉(zhuǎn)變?yōu)棣孪嗟淖畹蜏囟?。隨著近β鍛造等先進(jìn)鍛造技術(shù)的廣泛應(yīng)用，對(duì)鈦合金相變溫度的預(yù)測(cè)精度提出了更高的要求。Banu等[85]為了預(yù)測(cè)鈦合金的β相轉(zhuǎn)變，基于合金成分開(kāi)發(fā)了ANN和多元線性回歸（multiplelinearregression，MLR）模型。盡管MLR模型的預(yù)測(cè)誤差略高于ANN模型，但多元線性回歸模型具有更好的可解釋性，研究發(fā)現(xiàn)Mo，V，Zr，Cr，F(xiàn)e，Al，Si和O是β相變的主要決定因素。Niu等[66]建立了ANN、高斯過(guò)程回歸、SVM和集成回歸樹(shù)4種機(jī)器學(xué)習(xí)模型，用于預(yù)測(cè)鈦合金的β相轉(zhuǎn)變溫度，研究發(fā)現(xiàn)具有10個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)模型具有最高的預(yù)測(cè)準(zhǔn)確性，而具有8個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)模型具有最強(qiáng)的泛化能力。

Guo等[35]通過(guò)線性回歸分析量化合金元素含量對(duì)β相轉(zhuǎn)變溫度的影響，給出了計(jì)算相變溫度的簡(jiǎn)單公式，可用于調(diào)控鈦合金組織結(jié)構(gòu)。

加工圖可以有效地反映合金的熱加工安全區(qū)域，幫助減少材料損耗，降低生產(chǎn)成本。近年來(lái)，部分學(xué)者將人工智能技術(shù)與合金熱加工圖相結(jié)合，采用機(jī)器學(xué)習(xí)算法預(yù)測(cè)合金的熱變形行為，取得了較好的預(yù)測(cè)效果，能夠準(zhǔn)確反映合金的熱變形規(guī)律[39-41,73-76]。Li等[73]利用Gleeble-1500熱模擬壓縮試驗(yàn)機(jī)，在變形溫度750～1000℃和應(yīng)變速率0.01～10s-1的變形條件下，對(duì)Ti-2Al-9.2Mo2Fe鈦合金進(jìn)行熱模擬壓縮試驗(yàn)，獲取了576個(gè)實(shí)驗(yàn)數(shù)據(jù)，以變形溫度、應(yīng)變速率、應(yīng)變?yōu)檩斎胱兞亢土髯儜?yīng)力為輸出，建立了3個(gè)隱藏層的深度神經(jīng)網(wǎng)絡(luò)（DNN）模型，預(yù)測(cè)流變應(yīng)力的相關(guān)系數(shù)達(dá)到0.999，使用DNN模型構(gòu)建的加工圖可有效預(yù)測(cè)鈦合金的微觀結(jié)構(gòu)演變。

Liu等[39]為了提高近β鈦合金在熱變形過(guò)程中的流動(dòng)行為預(yù)測(cè)精度，使用鯨魚(yú)優(yōu)化神經(jīng)網(wǎng)絡(luò)算法（whaleoptimizedneuralnetworkalgorithm，WOA-BP）建立了流變應(yīng)力的預(yù)測(cè)模型，根據(jù)預(yù)測(cè)值構(gòu)建了Ti-3Mo-6Cr-3Al3Sn鈦合金在真應(yīng)變?yōu)?.6時(shí)的熱加工圖。如圖4所示，WOA-BP模型相對(duì)于改進(jìn)的J-C本構(gòu)結(jié)構(gòu)模型和阿倫尼烏斯本構(gòu)結(jié)構(gòu)模型實(shí)現(xiàn)了更低的預(yù)測(cè)誤差。

鈦及鈦合金因其優(yōu)異的生物相容性和力學(xué)性能，在醫(yī)用金屬領(lǐng)域具有廣闊的應(yīng)用前景。近年來(lái)通過(guò)調(diào)控合金化元素種類、含量研發(fā)低彈性模量β鈦合金成為了醫(yī)用材料研究的重要方向之一。Wu等[68]通過(guò)融合冶金理論與類神經(jīng)網(wǎng)絡(luò)算法，設(shè)計(jì)開(kāi)發(fā)了一種名為“betaLow”的學(xué)習(xí)器，該學(xué)習(xí)器能預(yù)測(cè)富鈦中熵合金的相結(jié)構(gòu)以及楊氏模量，并開(kāi)發(fā)出成分為T(mén)i-12Nb-12Zr-12Sn（Ti-12）的新型鈦合金，其楊氏模量?jī)H有43GPa，且在具有低密度的同時(shí)兼有近900MPa的抗拉強(qiáng)度。根據(jù)領(lǐng)域知識(shí)，在材料設(shè)計(jì)流程中嵌入有物理意義的材料特征可以加速新材料的研發(fā)速度。Yang等[30]利用XGBoost算法，結(jié)合Mo當(dāng)量構(gòu)建了Ti-Mo-Nb-Zr-Sn-Ta體系彈性模型的預(yù)測(cè)模型，通過(guò)將團(tuán)簇式成分作為約束條件嵌入到遺傳算法中，極大的簡(jiǎn)化合金成分，降低了實(shí)驗(yàn)難度，成功發(fā)現(xiàn)了5種不同的新型低彈β合金，優(yōu)化流程如圖5所示。Raj等[31]采用了3種機(jī)器學(xué)習(xí)技術(shù)，包括MLR、ANN和模糊推理系統(tǒng)（fuzzyinferencesystem，F(xiàn)IS），用于設(shè)計(jì)具有足夠強(qiáng)度的低彈性模量生物醫(yī)學(xué)鈦合金。研究發(fā)現(xiàn)，合金元素如Al，Zr，F(xiàn)e，Sn和Cr在降低鈦合金的彈性模量方面發(fā)揮著重要作用，而不會(huì)對(duì)鈦合金的強(qiáng)度產(chǎn)生太大影響。

隨著航空航天技術(shù)的飛速發(fā)展，對(duì)高強(qiáng)度、高韌性的新型鈦合金需求日益增加。鈦合金的力學(xué)性能主要受合金成分和微觀組織的影響，而微觀結(jié)構(gòu)又受到加工和熱處理參數(shù)的制約，導(dǎo)致合金成分、工藝與性能之間的映射關(guān)系愈加復(fù)雜。如圖6所示，Malinov等[27]基于764個(gè)鈦合金數(shù)據(jù)樣本，使用合金成分、熱處理參數(shù)和測(cè)試溫度等作為輸入，建立了抗拉強(qiáng)度、屈服強(qiáng)度、延伸率、斷面收縮率、沖擊強(qiáng)度、硬度、彈性模量、疲勞強(qiáng)度和斷裂韌性等力學(xué)性能的神經(jīng)網(wǎng)絡(luò)模型。該模型的預(yù)測(cè)效果與實(shí)驗(yàn)結(jié)果基本相符，且他們從金屬學(xué)角度對(duì)預(yù)測(cè)結(jié)果進(jìn)行了深入分析，同時(shí)開(kāi)發(fā)了圖形用戶界面，方便研究人員使用此鈦合金預(yù)測(cè)模型。Jeong等[28]基于30個(gè)相變誘導(dǎo)塑性（transformationinducedplasticity，TRIP）鈦合金的實(shí)驗(yàn)數(shù)據(jù)，采用Mn含量和熱處理溫度作為輸入，建立了TRIP鈦合金強(qiáng)度和延伸率的ANN模型。根據(jù)預(yù)測(cè)結(jié)果，研究了低成本合金化元素對(duì)性能的影響，最終設(shè)計(jì)出的Ti-4Al-2Fe-1.4Mn合金比強(qiáng)度和延伸率分別達(dá)到了289MPa·cm3/g和34%。Zhao等[26]基于14種鈦合金在不同熱處理工藝和測(cè)試條件下獲得的1215張顯微結(jié)構(gòu)圖像和604條應(yīng)力-應(yīng)變曲線，提出了一種結(jié)合CNN和回歸神經(jīng)網(wǎng)絡(luò)的模型。首先，利用CNN建立鈦合金微觀結(jié)構(gòu)分類模型，實(shí)現(xiàn)了鈦合金微觀組織的自動(dòng)分類和特征學(xué)習(xí)。

然后，從卷積層提取特征圖作為輸入，并將合金成分和測(cè)試條件信息拼接為回歸模型線性層中的特征向量，并將力學(xué)性能作為輸出，構(gòu)建回歸神經(jīng)網(wǎng)絡(luò)模型。通過(guò)兩階段神經(jīng)網(wǎng)絡(luò)模型的融合和線性層的拼接，該模型能夠直接從文本數(shù)據(jù)（合金成分）和圖像數(shù)據(jù)（微觀結(jié)構(gòu)）預(yù)測(cè)合金力學(xué)性能曲線（如應(yīng)力-應(yīng)變曲線）。

準(zhǔn)確預(yù)測(cè)鈦合金材料的疲勞壽命對(duì)于確保裝備的安全性、可靠性和長(zhǎng)壽命使用具有至關(guān)重要的作用。Zhu等[79]基于2492個(gè)鈦合金高周疲勞實(shí)驗(yàn)數(shù)據(jù)，設(shè)計(jì)了一種名為Auto_Gluon（AG）的多算法集成模型，用于預(yù)測(cè)航空發(fā)動(dòng)機(jī)用TC17鈦合金的高周疲勞壽命。如圖7所示，該模型將多種不同映射機(jī)制的機(jī)器學(xué)習(xí)算法堆疊在多個(gè)層級(jí)，并逐層訓(xùn)練。與常用的機(jī)器學(xué)習(xí)算法RF和SVM相比，AG模型能夠更準(zhǔn)確地預(yù)測(cè)TC17在各種使用條件下的SN曲線。針對(duì)增材制造鈦合金件內(nèi)隨機(jī)分布的缺陷，Liu等[87]利用增材制造鈦合金TA15的性能數(shù)據(jù)，建立了考慮缺陷特征參數(shù)的機(jī)器學(xué)習(xí)模型，顯著提升了疲勞壽命預(yù)測(cè)的精度，為工程應(yīng)用提供了重要參考。

5、鈦合金優(yōu)化設(shè)計(jì)

鈦合金研究的一個(gè)最重要任務(wù)是新合金的研制與應(yīng)用，尤其是在制備測(cè)試之前預(yù)測(cè)未知合金的性能，并根據(jù)性能需求進(jìn)行設(shè)計(jì)，這是研究人員永恒的追求。新合金的研發(fā)通常涉及成分、制備和加工工藝等多個(gè)因素，因此，建立性能與這些因素（如成分、工藝、服役條件）之間的定量映射關(guān)系至關(guān)重要。通過(guò)這種映射關(guān)系，可以實(shí)現(xiàn)新合金的性能預(yù)測(cè)與優(yōu)化設(shè)計(jì)，并進(jìn)一步對(duì)性能或工藝條件進(jìn)行快速優(yōu)化。然而，由于合金成分和工藝的搜索空間巨大，通常需要借助優(yōu)化算法進(jìn)行有效的尋優(yōu)。Chai等[88]以Mo當(dāng)量和價(jià)電子濃度比（e/a）為輸入，使用了XGBoost建立了彈性模量的預(yù)測(cè)模型，在遺傳算法優(yōu)化合金成分前，利用Mo當(dāng)量值、d電子理論和價(jià)電子濃度比3種物理冶金模型來(lái)約束合金成分范圍，成功設(shè)計(jì)了兩種低彈性模量新成分鈦合金：Ti79.08Mo1.96Nb18Sn0.96和Ti75.11Mo0.24Nb23.32Zr0.5Sn0.83。Hu等[89]通過(guò)實(shí)驗(yàn)測(cè)試了鈦合金銑削加工性能，以主軸轉(zhuǎn)速、切削步距、切削寬度、每齒進(jìn)給量4個(gè)特征為輸入，建立了材料去除率和切削載荷的SVM模型，利用多目標(biāo)優(yōu)化算法獲得了最佳的加工參數(shù)。Gupta等[90]利用粒子群優(yōu)化算法對(duì)鈦合金車削加工參數(shù)的優(yōu)化，獲得了最佳的切削速度、進(jìn)給速度和側(cè)切削刃角3個(gè)加工參數(shù)的組合。Peng等[47]首先利用RF算法構(gòu)建Ti6554鈦合金棒材的組織均勻度預(yù)測(cè)模型。在此基礎(chǔ)上，利用粒子群優(yōu)化隨機(jī)森林回歸（PSO-RFR）模型映射的數(shù)據(jù)，建立了關(guān)于擠壓速度、擠壓溫度、擠壓比和組織均勻度的多項(xiàng)式方程，并利用遺傳算法進(jìn)行工藝優(yōu)化，獲得了組織分布均勻的鈦合金棒材制備工藝組合：擠壓比9.06、擠壓速度47.9mm/s、擠壓溫度989℃。

6、結(jié)語(yǔ)

近年來(lái)，機(jī)器學(xué)習(xí)已廣泛應(yīng)用于鈦合金材料研究中。本文以機(jī)器學(xué)習(xí)輔助鈦合金研究的一般流程為敘述主線，綜述了鈦合金機(jī)器學(xué)習(xí)的關(guān)鍵環(huán)節(jié)，包括數(shù)據(jù)獲取與預(yù)處理、材料特征構(gòu)建與選取、機(jī)器學(xué)習(xí)建模與性質(zhì)預(yù)測(cè)以及進(jìn)一步的優(yōu)化設(shè)計(jì)，展示了機(jī)器學(xué)習(xí)在鈦合金領(lǐng)域的廣泛適用性。通過(guò)利用現(xiàn)有鈦合金數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，可以在一定程度上減少成本昂貴的實(shí)驗(yàn)或計(jì)算工作。在這一過(guò)程中，要充分考慮設(shè)計(jì)目標(biāo)的特點(diǎn)，在構(gòu)建和選取材料特征時(shí)要與領(lǐng)域知識(shí)充分結(jié)合，并選擇合適的機(jī)器學(xué)習(xí)模型以達(dá)到最佳應(yīng)用效果。

目前，機(jī)器學(xué)習(xí)在鈦合金設(shè)計(jì)應(yīng)用中還存在很大的發(fā)展空間。

（1）數(shù)據(jù)是開(kāi)展機(jī)器學(xué)習(xí)的基礎(chǔ)，建立完備的鈦合金材料數(shù)據(jù)庫(kù)是大數(shù)據(jù)時(shí)代科學(xué)發(fā)展的必經(jīng)之路。目前，鈦合金的實(shí)驗(yàn)和生產(chǎn)數(shù)據(jù)規(guī)模都較小，且普遍存在數(shù)據(jù)完整性不足、數(shù)據(jù)質(zhì)量差等問(wèn)題。因此，迫切需要建立統(tǒng)一標(biāo)準(zhǔn)的材料數(shù)據(jù)共享與管理平臺(tái)，為鈦合金機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展提供強(qiáng)有力的支撐。

（2）增加機(jī)器學(xué)習(xí)模型的可解釋性，增強(qiáng)算法的物理感知能力，是當(dāng)前亟待解決的問(wèn)題。雖然現(xiàn)有的主流機(jī)器學(xué)習(xí)方法能夠?qū)ξ粗牧线M(jìn)行有效預(yù)測(cè)，但其“黑箱”特性使得預(yù)測(cè)過(guò)程缺乏透明度，難以理解和驗(yàn)證。因此，迫切需要發(fā)展能夠解釋機(jī)器學(xué)習(xí)模型輸出的技術(shù)，以便深入了解輸入的材料特征如何影響目標(biāo)性能。這將有助于提升模型的可靠性和可操作性，使研究人員能夠更加直觀地理解和優(yōu)化材料設(shè)計(jì)的過(guò)程。

（3）鈦合金成分和工藝的龐大搜索空間導(dǎo)致傳統(tǒng)正向設(shè)計(jì)方法效率較低。因此，發(fā)展基于特定應(yīng)用或性能需求的逆向設(shè)計(jì)技術(shù)，成為了未來(lái)的一個(gè)重要方向。逆向設(shè)計(jì)技術(shù)可以根據(jù)給定的功能需求（如力學(xué)性能、耐腐蝕性等），輸出最優(yōu)的成分、結(jié)構(gòu)和加工工藝，從而更快速地發(fā)現(xiàn)具有特定功能的鈦合金新材料。

（4）隨著鈦合金歷史數(shù)據(jù)的指數(shù)級(jí)增長(zhǎng)以及計(jì)算能力的躍升，基于大數(shù)據(jù)和深度學(xué)習(xí)技術(shù)的“大模型”正逐漸成為鈦合金研究中的關(guān)鍵發(fā)展方向。通過(guò)構(gòu)建和訓(xùn)練具有海量參數(shù)的大型機(jī)器學(xué)習(xí)模型，能夠顯著加速鈦合金的設(shè)計(jì)、性能預(yù)測(cè)和優(yōu)化，為材料研發(fā)提供更高效、更精確的支持。

參考文獻(xiàn) References

[1] 辛社偉，劉向宏，張思遠(yuǎn)，等．稀有金屬材料與工程[J]，2023，52 (11): 3971-3980.

XIN S W，LIU X H，ZHANG S Y，et al．Rare Metal Materials and Engineering[J]，2023，52 (11): 3971-3980.

[2] 趙永慶．中國(guó)材料進(jìn)展[J]，2010，29 (5): 1-8．

ZHAO Y Q．Materials China[J]，2010，29(5): 1-8．

[3] ZHOU T，AINDOW M，ALPAY S P，et al．Scripta Materialia [J]，2004，50(3): 343-348．

[4] YOU L，SONG X P．Scripta Materialia [J]，2012，67(1): 57-60．

[5] ABDEL-HADY M，HINOSHITA K，MORINAGA M．Scripta Materialia[J]，2006，55(5): 477-480．

[6] TANE M，AKITA S，NAKANO T，et al．Acta Materialia[J]，2008，56(12): 2856-2863．

[7] HAO Y L，LI S J，SUN S Y，et al．Applied Physics Letters[J]，2005，87(9): 3．

[8] LONG C J，HATTRICK-SIMPERS J，MURAKAMI M，et al．Review of Scientific Instruments[J]，2007，78(7):6．

[9] AZIMI S M，BRITZ D，ENGSTLER M，et al．Scientific Reports [J]，2018，8: 2128．

[10] LU W C，XIAO R J，YANG J，et al．Journal of Materiomics[J]，2017，3(3): 191-201．

[11] LIU Y L，NIU C，WANG Z，et al．Journal of Materials Science & Technology[J]，2020，57: 113-122．

[12] HART G L W，MUELLER T，TOHER C，et al．Nature Reviews Materials[J]，2021，6(8): 730-755．

[13] TAO Q L，XU P C，LI M J，et al．npj Computational Material[J]，2021，7(1): 18．

[14] AGRAWAL A，CHOUDHARY A．APL Materials[J]，2016，4(5): 10．

[15] SCHMIDT J，MARQUES M R G，BOTTI S，et al．npj Computational Material[J]，2019，5: 36．

[16] CHOUDHARY K，DECOST B，CHEN C，et al．npj Computational Material[J]，2022，8(1): 26．

[17] SU Y J，F(xiàn)U H D，BAI Y，et al．Acta Metallurgica Sinica[J]. 2020，56(10): 1313-1323．

[18] HU J，XU X，JI X，et al．Chinese Journal of Engineering[J]，2023，45(9): 1517-1527．

[19] XIE J X，SU Y J，XUE D Z，et al．Acta Metallurgica Sinica[J]，2021，57(11): 1343-1361．

[20] LOOKMAN T，BALACHANDRAN P V，XUE D Z， et al．npj Computational Material[J]，2019，5(1): 21．

[21] LOOKMAN T ， ALEXANDER F J ， RAJAN K．Information Science for Materials Discovery and Design[M]. Switzerland: Springer，2015．

[22] KOSARAC A，TABAKOVIC S，MLADJENOVIC C，et al ． Journal of Manufacturing and MaterialsProcessing[J]，2023，7(6): 202．

[23] 翁劍，莊可佳，浦棟麟，等．中國(guó)機(jī)械工程[J]，2021，32: 771-777．

WENG J，ZHUANG K J，PU D L，et al．China Mechanical Engineering[J]，2021，32: 771-777．

[24] AN S Y，LI K，ZHU L，et al．Frontiers in Materials [J]，2024，11: 1364572．

[25] Séchepée I ， PAULAIN P ， NAGASAKI Y ， et al．Materials Transactions[J]，2023，64(1): 111-120．

[26] ZHAO P，WANG Y，JIANG B，et al．Materials Science and Engineering: A[J]，2023，879: 145202．

[27] MALINOV S ， SHA W ， MCKEOWN J J．Computational Materials Science[J]，2001，21(3):375-394．

[28] OH J M，NARAYANA P L，HONG J K，et al．Journal of Alloys and Compounds[J]，2021，884: 161029．

[29] WANG Z，ZHANG H，WANG S，et al．Materials Today Communications[J]，2024，41: 110309．

[30] YANG F，LI Z，WANG Q，et al．npj Computational Materials[J]，2020，6(1): 11．

[31] RAJ A C A ， DATTA S ． Journal of Materials Engineering and Performance[J]，2023，32(24): 11205-11216．

[32]ZOU H，TIAN Y Y，ZHANG L G，et al．Rare Metals[J]，2024，43(1): 309-323．

[33] CHAI C R ， WANG Y ， ZHAO S A ， et al．Computational Materials Science[J]，2024，238: 9．

[34] MARKOVIC G，MANOJLOVIC V，RUZIC J， et al．Materials[J]，2023，16(19): 20．

[35] GUO Z，MALINOV S， SHA W．Computational Materials Science[J]，2005，32(1): 1-12．

[36] JIA Y，F(xiàn)U R，LING C，et al．International Journal of Fatigue[J]，2023，172: 107645．

[37] SWETLANA S，ROUT A，SINGH A K．APL Machine Learning[J]，2023，1: 016102．

[38] LI J，YANG Z，QIAN G，et al．International Journal of Fatigue[J]，2022，158: 106764．

[39] LIU X， ZHANG H，ZHANG S，et al．Journal of Alloys and Compounds[J]，2023，968: 172052．

[40] XIAO Y，DENG Y，AN Y，et al．Materials Today Communications[J]，2024，40: 109881．

[41] ZHANG S，ZHANG H，LIU X，et al．Journal of Materials Research and Technology[J]，2024，29: 589-608．

[42] 孫岑花，施文鵬，王津，等．精密成形工程[J]，2024，16(8): 102-110．

SUN C，SHI W P，WANG J，et al．Journal of Netshape Forming Engineering[J]，2024，16(8): 102-110．

[43] 牟義強(qiáng)，張洺川，喬澤，等．沈陽(yáng)工業(yè)大學(xué)學(xué)[J]，2024，46(3): 291-297．

MU Y Q，ZHANG M C，QIAO Z，et al．Journal of Shenyang University of Technology[J]，2024，46(3):291-297．

[44] EBERLE M ， PINCHES S ， GUZMAN P ， et al．Computational Materials Science[J]，2024，244:113224．

[45]BROOKE R，QIU D，LE T，et al．Scientific Reports[J]， 2024，14(1): 6975．

[46] ZACHARIA K，KRISHNAKUMAR P．Materials Today: Proceedings[J]，2020，24: 350-358．

[47] 彭志偉，武川，王園園，等．精密成形工程[J]，2024，16: 91-101．

PENG Z W，WU C，WANG Y Y，et al．Journal of Netshape Forming Engineering[J]，2024，16: 91-101．

[48] CHOI J，LEE B．Communications Materials[J]，2024， 5(1): 13．

[49] LEE J H，LEE M，MIN K．International Journal of Precision Engineering and Manufacturing-Green Technology[J]，2023，10(5): 1337-1349．

[50] TIAN S ， JIANG X ， WANG W ， et al ． Acta Materialia[J]，2025，285: 120663．

[51] REN F，WARD L，WILLIAMS T，et al．Science Advances[J]，2018，4(4): eaaq1566．

[52] LEE C，XIE D，KYLE DERBY B，et al．Materials & Design[J]，2022，223: 111259．

[53] HE B，CHI S，YE A，et al．Scientific Data[J]，2020，7(1): 151．

[54] CHEN W M，LING J F，BAI K，et al．Transactions of Nonferrous Metals Society of China[J]，2024，34(10): 3194-207．

[55] DAO M，CHOLLACOOP N，VAN VLIET K J，etal．Acta Materialia[J]，2001，49(19): 3899-3918．

[56] QIAO L，LAI Z，LIU Y，et al．Journal of Alloys and Compounds[J]，2021，853: 156959．

[57] KIM G，DIAO H，LEE C，et al．Acta Materialia[J]， 2019，181: 124-138．

[58] ZOU C，LI J，WANG W Y，et al．Acta Materialia[J]，2021，202: 211-21．

[59] WANG Q，ZHANG G，LI Y，et al．npj Computational Materials[J]，2020，6(1): 176．

[60] ZHANG C ， BAO X ， HAO M ， et al ． Nature Communications[J]，2022，13(1): 5966．

[61] LI J ， LU W ， LIU L ， et al ． Optics & Laser Technology[J]，2024，175: 110748．

[62] SKRIPNYAK N V，PONOMAREVA A V，BELOV M P，et al．Acta Materialia[J]，2020，188: 145-154．

[63] REITZ D M，BLAISTEN-BAROJAS E．Scientific Reports[J]，2019，9(1): 704．

[64] GANESAN H，SUTMANN G．Journal of Materials Science & Technology[J]，2025，213: 98-108．

[65] MOHAMMADI H，EIVANI A R，SEYEDEIN S H， et al．Journal of Materials Research and Technology[J]，2020，9(5): 9620-9631．

[66] NIU Y，HONG Z Q，WANG Y Q，et al．Journal of Materials Research and Technology[J]，2023，23: 515-529．

[67] ZHAN Z, HU W, MENG Q．Engineering Fracture Mechanics[J]，2021，252: 107850．

[68] WU C T，CHANG H T，WU C Y，et al．Materials Today[J]，2020，34: 41-50．

[69] GHIRINGHELLI L M，VYBIRAL J，LEVCHENKO S V，et al．Physical Review Letters[J]，2015，114(10):5．

[70] SEKO A，TOGO A，TANAKA I．Descriptors for Machine Learning of Materials Data[M] ∥ Tanaka,I．Nanoinformatics．Singapore: Springer，2018:3-23.

[71] 王園園，武川，彭志偉，等．精密成形工程[J]，2024，16(1): 33-42．

WANG Y Y，WU C，PENG Z W，et al．Journal of Netshape Forming Engineering[J]，2024，16(1): 33-42．

[72] COFFIGNIEZ M，DE BREUCK P P，CHOISEZ L，et al．Materials & Design[J]，2024，239: 112801．

[73] LI C L，NARAYANA P L，REDDY N S，et al．Journal of Materials Science & Technology[J]，2019，35(5): 907-916．

[74] BAE M H，KIM M，YU J，et al．Heliyon[J]，2022，8(10): 4．

[75] ZHAO J，DING H，ZHAO W，et al．Computational Materials Science[J]，2014，92: 47-56．

[76] ZHANG S ， ZHANG H ， WANG C ， et al．Intermetallics[J]，2024，175: 108523．

[77] YANG H J，GAO J X，ZHU P N，et al．Engineering Fracture Mechanics[J]，2023，286: 109331．

[78] JINLONG W ， YUXIN M ， WENJIE P ， et al．Engineering Failure Analysis[J]，2023，153: 15．

[79] ZHU S Y，ZHANG Y，CHEN X，et al．Engineering Fracture Mechanics[J]，2023，289: 109485．

[80] BHATTACHARYA S K，SAHARA R，NARUSHIMA T．Oxidation of Metals[J]，2020，94(3): 205-218．

[81] MCELFRESH C ， ROBERTS C ， HE S ， et al．Computational Materials Science[J]，2022，208:111267．

[82] ZHANG W，AI Y，ZHANG W．Materials Today Communications[J]，2024，39: 108854．

[83] CHI J， HUANG X，HE D，et al．Materials Letters[J]， 2024，356: 135537．

[84] RAHMAN S A，CHANDRAKER A，PRAKASH O，et al．Engineering Fracture Mechanics[J]，2024，306:110214．

[85] NOORI BANU P S，DEVAKI RANI S．Materials Discovery[J]，2015，2: 16-23．

[86] WANG Y ， NG C H ， BERMINGHAM M ， et al．Additive Manufacturing[J]，2024，90: 104323．

[87] LIU Y，GAO X，ZHU S，et al．Engineering Fracture Mechanics[J]，2025，314: 110676．

[88] CHAI C-R，WANG Y，ZHAO S，et al．Computational Materials Science[J]，2024，238: 112902．

[89] 胡志榮，溫金龍，李峰，等．中國(guó)工程機(jī)械學(xué)報(bào)[J]，2023，21(3): 241-245．

HU Z R，WEN J L，LI F，et al．Chinese Journal of Construction Machinery[J]，2023，21(3): 241-245．

[90] GUPTA M K，SOOD P K，SHARMA V S．Materials and Manufacturing Processes[J]，2016，31(13): 1671-1682．

相關(guān)鏈接