学术报告摘要

研究作者及发表信息

本文的研究由Jing Xiao、Wenjian Guo、Jin’ge Yang、Shuxin Bai、Shifeng Zhang和Degan Xiong共同完成，参与单位包括Hunan Industry Polytechnic、East China Jiao Tong University、National University of Defense Technology等。研究成果发表于国际期刊《Ceramics International》第50卷（2024年），文章标题为“Analysis and regularity of ablation resistance performance of ultra-high temperature ceramic matrix composites using data-driven strategy”（通过数据驱动策略分析超高温陶瓷基复合材料的抗烧蚀性能及其规律），在线发布时间为2024年5月31日。

研究背景和目的

本研究的领域属于材料科学，聚焦于超高温陶瓷基复合材料（Ultra-High Temperature Ceramic Matrix Composites, UHTCMCs）的抗烧蚀性能。UHTCMCs因其卓越的高温机械性能和抗烧蚀性能，被广泛用作高超声速飞行器关键的热防护材料。然而，这类材料的设计和性能优化的过程通常需耗费大量时间与成本，且效率较低。传统的试验-错误方法依赖多种实验设计和验证，面临周期长、成本高的问题。因此，有必要引入更高效的策略来加速UHTCMCs的研发和性能改进。

近年来，机器学习（Machine Learning, ML）算法因其在多领域表现出的卓越能力而备受瞩目。其能够通过数据驱动从材料属性、测试条件等关键影响因素中提取复杂的非线性关系，从而加速材料优化过程。本文研究的主要目的是采用机器学习技术，深入分析超高温陶瓷基复合材料（UHTCMCs）线性烧蚀速率（Linear Ablation Rate, LAR）的关键影响因素，建立相关性能预测模型，并验证其有效性。

研究工作流程

研究主要分为以下几个部分：

1. 数据获取与特征预处理

研究者对已有文献进行数据挖掘，从Elsevier、Wiley和Springer等数据库中获取了共132组与UHTCMCs材料烧蚀性能相关的数据。这些数据覆盖26个可能会影响材料烧蚀性能的特征，包括氧化物的物理化学参数、材料结构和加工特性、测试条件等。为提高模型效率和避免过拟合，研究通过特征方差分析、皮尔逊相关系数（Pearson Correlation Coefficient）和模型特征重要性评估逐步筛选特征，最终从26个初始特征中降维至5个关键特征：

• 平均熔点（Average Melting Point of Ceramics, AMPC）
  
• 材料的热导率（Thermal Conductivity of Material, TCM）
  
• 氧化物热膨胀系数（Thermal Expansion Coefficient of Oxides, TECO）
  
• 材料的制备温度（Fabrication Temperature of Material, FTM）
  
• 烧蚀时间（Ablation Time, AT）
  

2. 模型建立及性能验证

研究采用了包含8种主流机器学习算法的模型群，包括随机森林（Random Forest, RF）、线性回归（Linear Regression, LR）、支持向量回归（Support Vector Machine Regression, SVR）、K近邻回归（KNN）等。对每个模型的超参数通过网格搜索（Grid Search）进行优化，模型性能由均方误差（Mean Squared Error, MSE）、平均绝对误差（Mean Absolute Error, MAE），以及判定系数（R²）进行评估。

最终，随机森林模型表现最佳，其预测的MAE为2.75 μm s⁻¹，MSE为7.3 (μm s⁻¹)²，R²为0.71。该模型的预测精度已通过实验验证具有高度可靠性。因此，研究选择随机森林模型作为抗烧蚀性能的代理模型，并使用Shapley值（SHAP）进一步分析了各特征的重要性。

3. 数据驱动模式挖掘与数学显式表达

研究利用符号回归（Symbolic Regression）分析特征与线性烧蚀速率的数学关系，发现平均熔点（AMPC）、热导率（TCM）和氧化物热膨胀系数（TECO）对线性烧蚀速率的影响呈指数型负相关关系。这意味着这些特征的微小变化，将显著影响材料的抗烧蚀性能。此外，符号回归过程生成了多组数学表达式，其中AMPC在所有表达式中都有重要作用，进一步验证了其作为关键变量的可靠性。

4. 实验验证

为验证数据驱动结论的有效性，研究制备了碳纤维增强高熵陶瓷（CF/(TiNbTaZrHf)C）复合材料，并系统研究了不同配比材料的抗烧蚀性能：通过优化高熵陶瓷中HfC与ZrC比例，同时引入高热导率碳纤维，并进行2000°C的高温热处理，成功将材料的烧蚀速率降低至接近零。比如，特定配比的CF-H/(TiNbTa)_0.24Zr_0.38Hf_0.38C复合材料的线性烧蚀率仅为0.1 μm s⁻¹，远优于其他配比的复合材料。

研究主要结果

1. 数据分析揭示，AMPC、TCM、TECO是对材料线性烧蚀速率影响最大的三个特征，它们的影响呈负相关，平均熔点对烧蚀性能的影响尤为显著。
2. 在实验验证中，通过提高陶瓷基体的熔点、选择高热导率碳纤维，以及超高温热处理的设计显著增强了UHTCMCs的抗烧蚀性能。
3. Shap值分析与符号回归方法验证了机器学习模型预测的可靠性，并指出特征关系之间的统计规律。

研究意义与价值

本文研究首次将机器学习系统性地应用于超高温陶瓷基复合材料的抗烧蚀性能研究，不仅显著加速了材料研发的进程，还以数据驱动的方式发掘了材料性能优化的关键影响因素。通过数学显式表达式和实验验证，本文为UHTCMCs的设计提供了科学依据和明确指导，对于该类材料从实验室设计快速过渡到工程应用具有重要价值。此外，本文工作还为机器学习在材料科学中的应用提供了成功范例，可推广到其他高性能材料研究领域。

研究亮点

1. 创新性地结合机器学习与实验验证，揭示了UHTCMCs抗烧蚀性能的关键驱动因素；
2. 随机森林模型表现优异，为类似复杂材料属性预测问题提供了代理模型；
3. 符号回归探索出部分关键特征与线性烧蚀速率之间的指数关系；
4. 多项实验验证进一步证实了数据分析结论的有效性，显著降低了基于传统方法的研发时间和成本。