学术报告

作者与出版信息

本文的主要研究作者包括 Jing Xiao、Wenjian Guo、Jin’ge Yang、Shuxin Bai、Shifeng Zhang 和 Degan Xiong。他们分别隶属于湖南工业职业技术学院、华东交通大学材料科学与工程学院、国防科技大学航天科学学院、民用化学防护国家重点实验室以及湖南丰盛科技发展有限公司合作的湖南省高导热金属基复合材料工程研究中心。本研究发表在国际期刊《Ceramics International》上，刊号为50 (2024) 31937–31945，在线发布日期为2024年5月31日。

研究背景

本研究属于超高温陶瓷基复合材料（Ultra-High Temperature Ceramic Matrix Composites, UHTCMCs）领域的前沿探索，其目标是改进材料的抗烧蚀性能，以满足高超音速飞行器等极端环境下的热防护要求。UHTCMCs由其卓越的机械性能和高温耐烧蚀性能，被广泛应用于航空航天中。然而，这类材料的设计开发过程中依赖于试验-迭代的过程，不仅成本高、周期长、效率低，而且受限于复杂实验条件下的数据可靠性。此外，尽管仿真和建模技术为材料性能预测提供了一些方法，但这些方法依赖于理想化假设，仿真结果和实际性能之间存在较大差距。

为解决上述问题，近年来机器学习（Machine Learning, ML）因其对多领域复杂问题的卓越表现被应用到材料科学领域。通过ML，研究者能够从数据中挖掘关键因素及其复杂模式，快速预测材料性能，显著减少研发成本和时间。本研究正是借助ML模型对UHTCMCs的线性烧蚀速率（Linear Ablation Rate, LAR）展开深入分析，揭示影响材料烧蚀性能的关键因素及其规律性。

研究流程详述

该研究分为以下几个主要阶段：

1. 数据收集与特征定义
   研究从Elsevier、Wiley 和 Springer 的高水平文献中收集超高温陶瓷基复合材料烧蚀性能相关数据，通过关键词搜索（例如SiC、ZrC、HfC、ZrB2、HfB2）筛选过去三年内发表的文献，共获得132组数据。在特征选取方面，基于领域知识定义了26个可能影响LAR的维度特征，包括陶瓷平均熔点（AMPc）、材料的热导率（TCM）和氧化物的热膨胀系数（TECO）等。

2. 特征降维
   为减少模型计算复杂性和降低过拟合风险，研究采用特征方差（Feature Variance）、皮尔逊相关系数（Pearson Correlation Coefficient）和基于模型的特征重要性评估等方法逐步降维。

   • 首先，基于特征方差移除了12个低方差特征，保留领域知识认为重要的特征如ABEc（Average Bond Energy of Ceramic）。
     
   • 其次，通过皮尔逊相关分析移除相关性系数绝对值大于0.8的特征对（例如AMPc与氧化物熔点MPO之间的高相关性）。降维后的特征从26维缩减至12维。
   • 最后，使用树模型评估特征重要性，结合累计权重值最终筛选出影响LAR的五个关键特征：陶瓷平均熔点（AMPc）、材料热导率（TCM）、氧化物热膨胀系数（TECO）、材料制备温度（FTM）和烧蚀时间（AT）。

3. 模型训练与优化
   研究选择了8种经典机器学习模型：包括线性回归（LR）、随机森林（RF）、支持向量机回归（SVR）等。通过网格搜索优化模型超参数并完成训练。实验结果表明，随机森林模型在测试集上的预测精度最高，其平均绝对误差（MAE）为2.75 μm s⁻¹、平均平方误差（MSE）为7.3（μm s⁻¹）²，决定系数（R²）达到了0.71。

4. 结果解释与模式挖掘
   基于SHapley Additive exPlanations值（SHAP），研究量化了每个特征对LAR的影响，结果表明，AMPc、TCM 和 TECO 对LAR具有指数负相关关系。特征重要性的排序为：AMPc > TCM > TECO > FTM > AT。此外，基于符号回归的方法得出AMPc 对LAR的影响最显著，其次为TCM 和TECO，两者影响同等重要。研究进一步通过基于CF/(TiZrHfNbTa)C 复合材料的实验验证了这些关键发现，实验数据与模型预测结果一致。

5. 实验验证
   利用短切碳纤维（CF, 3 mm）增强的(TiNbTaZrHf)C 高熵陶瓷，探讨陶瓷熔点、热导率及制备温度对烧蚀性能的具体影响。通过调整ZrC 和 HfC 含量并引入高热导碳纤维（CF-H），研究发现，在2000°C、300秒的烧蚀环境中，优化后的复合材料实现了接近零的线性烧蚀速率（LAR约为0.1 μm s⁻¹），证实高熔点陶瓷和高热导设计大幅提升了抗烧蚀性能。

研究结果与逻辑关系

主要实验结果如下：
- 不同陶瓷组分比对LAR的影响清晰地表明，提升高熔点陶瓷（如ZrC、HfC）的比例能显著降低烧蚀速率。过高比例的ZrC 和HfC 可能导致氧化层过度膨胀，从而不利于烧蚀性能。
- 高热导碳纤维（CF-H）有效减少了传热不平衡现象，其设计显著降低了复合材料的表面温度，进一步改善了热响应性能。

研究的逻辑清晰地贯穿了数据驱动下的材料设计、特征提取与优化、有针对性的实验验证三大环节，证明了模型预测与实验验证之间的一致性。

研究结论与意义

该研究提出了一种基于ML的高效策略，用于加速UHTCMCs设计迭代过程。从统计角度揭示关键影响因素（如陶瓷熔点、热导率等）的作用规律，对后续材料学研究具有深远指导意义。实验验证表明，使用数据驱动的方法不仅成本较低，而且大幅缩短了开发周期，这为解决传统试验-迭代方法的局限提供了一条创新性途径。

研究亮点与创新性

1. 成功将机器学习模型应用于UHTCMCs抗烧蚀性能的关键模式挖掘，特别是在以随机森林模型为核心的深度分析上，这为材料设计提供了新思路。
   
2. 开创性地使用SHAP与符号回归结合的分析方法，清楚量化了特征对目标性能的作用模式。
   
3. 数据驱动的发现通过CF/(TiZrHfNbTa)C高熵陶瓷的实验成功验证，首次实现了超高温复合材料的极低烧蚀速率设计。

论文的潜在价值

此研究在UHTCMCs材料研发领域提供了理论与实践结合的新范式。它显著降低了研发成本，为未来极端环境材料的高效开发、优化和应用铺平了道路，同时也为学术界与工业界在智能材料设计领域带来了启发。