科技导报

编号	t_c/℃	t₁/℃	t_s/℃	t₂/℃	τ₂/s	R_m/MPa	A/%
1	500	780	640	290	30	1305	8.3
2	550	780	680	410	150	1153	11.1
3	600	780	720	330	120	1086	15.9
4	650	780	660	450	90	1292	8.2
5	700	780	700	370	60	1410	10.4
6	500	800	720	410	90	1229	13.9
7	550	800	660	330	60	1398	10.1
8	600	800	700	450	30	1200	6.6
9	650	800	640	370	150	1228	10.3
10	700	800	680	290	120	1415	8.3
11	500	820	700	330	150	1144	14.9
12	550	820	640	450	120	1259	10.8
13	600	820	680	370	90	1160	11.1
14	650	820	720	290	60	1344	8.1
15	700	820	660	410	30	1439	8.3
16	500	840	680	450	60	1106	12.3
17	550	840	720	370	30	1426	9.8
18	600	840	660	290	150	1101	9.1
19	650	840	700	410	120	1002	16.7
20	700	840	640	330	90	1298	9.4
21	500	860	660	370	120	1129	14.6
22	550	860	700	290	90	1522	9.0
23	600	860	640	410	60	1272	6.5
24	650	860	680	330	30	1414	8.0
25	700	860	720	450	150	1164	10.3

编号	t_c/℃	t₁/℃	t_s/℃	t₂/℃	τ₂/s	R_m/MPa	A/%
1	500	780	640	290	30	1305	8.3
2	550	780	680	410	150	1153	11.1
3	600	780	720	330	120	1086	15.9
4	650	780	660	450	90	1292	8.2
5	700	780	700	370	60	1410	10.4
6	500	800	720	410	90	1229	13.9
7	550	800	660	330	60	1398	10.1
8	600	800	700	450	30	1200	6.6
9	650	800	640	370	150	1228	10.3
10	700	800	680	290	120	1415	8.3
11	500	820	700	330	150	1144	14.9
12	550	820	640	450	120	1259	10.8
13	600	820	680	370	90	1160	11.1
14	650	820	720	290	60	1344	8.1
15	700	820	660	410	30	1439	8.3
16	500	840	680	450	60	1106	12.3
17	550	840	720	370	30	1426	9.8
18	600	840	660	290	150	1101	9.1
19	650	840	700	410	120	1002	16.7
20	700	840	640	330	90	1298	9.4
21	500	860	660	370	120	1129	14.6
22	550	860	700	290	90	1522	9.0
23	600	860	640	410	60	1272	6.5
24	650	860	680	330	30	1414	8.0
25	700	860	720	450	150	1164	10.3

编号	V_γ/%	C_γ/%	V_α/%	D_g/μm	R_m/MPa	A/%
1	5.0	1.41	24.3	2.2	1305	8.3
2	3.4	1.30	28.5	2.4	1153	11.1
3	5.4	1.26	26.3	2.1	1086	15.9
4	2.9	1.09	24.2	3.2	1292	8.2
5	3.2	1.68	19.6	1.9	1410	10.4
6	6.6	1.49	21.5	1.9	1229	13.9
7	4.9	1.40	20.9	2.1	1398	10.1
8	6.2	1.51	23.7	2.3	1200	6.6
9	3.8	0.94	25.4	2.1	1228	10.3
10	3.4	0.84	19.5	2.0	1415	8.3
11	5.8	1.32	23.2	2.1	1144	14.9
12	3.3	0.88	21.3	2.0	1259	10.8
13	5.5	1.54	28.7	2.3	1160	11.1
14	6.8	1.34	14.3	2.3	1344	8.1
15	3.0	1.20	20.1	1.9	1439	8.3
16	6.9	1.47	24.7	1.9	1106	12.3
17	5.9	1.06	14.6	1.8	1426	9.8
18	2.1	0.66	31.2	2.2	1101	9.1
19	7.0	1.53	32.2	2.6	1002	16.7
20	6.3	1.45	17.6	1.8	1298	9.4
21	7.1	1.54	24.5	2.2	1129	14.6
22	4.3	1.50	14.6	1.9	1522	9.0
23	5.3	1.00	13.2	1.7	1272	6.5
24	5.2	1.37	15.3	1.8	1414	8.0
25	4.2	1.22	15.1	2.0	1164	10.3

编号	V_γ/%	C_γ/%	V_α/%	D_g/μm	R_m/MPa	A/%
1	5.0	1.41	24.3	2.2	1305	8.3
2	3.4	1.30	28.5	2.4	1153	11.1
3	5.4	1.26	26.3	2.1	1086	15.9
4	2.9	1.09	24.2	3.2	1292	8.2
5	3.2	1.68	19.6	1.9	1410	10.4
6	6.6	1.49	21.5	1.9	1229	13.9
7	4.9	1.40	20.9	2.1	1398	10.1
8	6.2	1.51	23.7	2.3	1200	6.6
9	3.8	0.94	25.4	2.1	1228	10.3
10	3.4	0.84	19.5	2.0	1415	8.3
11	5.8	1.32	23.2	2.1	1144	14.9
12	3.3	0.88	21.3	2.0	1259	10.8
13	5.5	1.54	28.7	2.3	1160	11.1
14	6.8	1.34	14.3	2.3	1344	8.1
15	3.0	1.20	20.1	1.9	1439	8.3
16	6.9	1.47	24.7	1.9	1106	12.3
17	5.9	1.06	14.6	1.8	1426	9.8
18	2.1	0.66	31.2	2.2	1101	9.1
19	7.0	1.53	32.2	2.6	1002	16.7
20	6.3	1.45	17.6	1.8	1298	9.4
21	7.1	1.54	24.5	2.2	1129	14.6
22	4.3	1.50	14.6	1.9	1522	9.0
23	5.3	1.00	13.2	1.7	1272	6.5
24	5.2	1.37	15.3	1.8	1414	8.0
25	4.2	1.22	15.1	2.0	1164	10.3

	化学成分（质量分数）/%		力学性能
优化设计结果	0.25	0.55	2.00	0.45	0.25	0.25	0.10	0.020		1195	15.2
实验验证结果	0.24	0.60	1.87	0.50	0.22	0.32	0.11	0.019		1252	10.5

	化学成分（质量分数）/%		力学性能
优化设计结果	0.25	0.55	2.00	0.45	0.25	0.25	0.10	0.020		1195	15.2
实验验证结果	0.24	0.60	1.87	0.50	0.22	0.32	0.11	0.019		1252	10.5

机器学习辅助增强成形性双相钢的设计与组织性能关系解析

PDF下载

张浩 ¹^,² , 张书海 ¹^,³ , 张世博 ¹^,⁵ , 赵帆 ¹^,³^,⁴^,^* , 张志豪 ¹^,³ , 谢建新 ¹^,³^,⁴

科技导报 | 特色专题 2025,43(24): 61-70

收起

科技导报 |特色专题 2025 , 43 (24) : 61 -70

机器学习辅助增强成形性双相钢的设计与组织性能关系解析

全屏

张浩¹^,², 张书海¹^,³, 张世博¹^,⁵, 赵帆¹^,³^,⁴^,^*, 张志豪¹^,³, 谢建新¹^,³^,⁴

作者信息

¹北京科技大学新材料技术研究院，现代交通金属材料与加工技术北京实验室，北京 100083

²首钢集团有限公司技术研究院，北京 100043

³北京科技大学新材料技术研究院，材料先进制备技术教育部重点实验室，北京 100083

⁴北京科技大学高精尖学院，北京材料基因工程高精尖创新中心，北京 100083

⁵冶金工业经济发展研究中心，北京 100010

通讯作者:

赵帆（通信作者），副研究员，研究方向为高性能合金智能化设计与制造，电子信箱：zhaofan@ustb.edu.cn

Design of dual−phase steel with improved formability and analysis of microstructure−properties relationship via machine learning

Hao ZHANG¹^,², Shuhai ZHANG¹^,³, Shibo ZHANG¹^,⁵, Fan ZHAO¹^,³^,⁴^,^*, Zhihao ZHANG¹^,³, Jianxin XIE¹^,³^,⁴

Affiliations

¹Beijing Laboratory of Metallic Materials and Processing for Modern Transportation, Institute for Advanced Materials and Technology, University of Science and Technology Beijing, Beijing 100083

²Research Institute of Technology, Shougang Group Co., Ltd., Beijing 100043

³Key Laboratory for Advanced Materials Processing (MOE), Ministry of Education, Institute for Advanced Materials and Technology, University of Science and Technology Beijing, Beijing 100083

⁴Beijing Advanced Innovation Center for Materials Genome Engineering, School of Advanced Materials Innovation, University of Science and Technology Beijing, Beijing 100083

⁵Economic Development Research Center of Metallurgical Industry, Beijing 100010

出版时间: 2025-12-28 doi: 10.3981/j.issn.1000-7857.2025.11.00093

文章导航

摘要

收起

增强成形性双相钢（DH钢）是在双相钢（DP钢）基础上研发的先进高强钢，以满足汽车复杂形状零件成形对材料塑性的更高要求。目前，抗拉强度980 MPa级别的DH钢已实现规模化生产，抗拉强度1180 MPa级别的DH钢研发受到广泛关注。采用面向性能的机器学习方法，设计了一种1180 MPa级DH钢的化学成分和制备工艺参数，并通过可解释性机器学习分析了材料显微组织特征与力学性能之间的内禀关系。首先，基于文献数据，采用神经网络算法构建成分/工艺−性能预测模型，并采用多目标遗传算法高效设计了新型DH钢的化学成分。然后，基于新型DH钢的制备工艺参数正交实验结果，采用随机森林算法构建了以工艺参数为输入的抗拉强度和断后伸长率（A₈₀）预测模型，通过多目标遗传优化算法得到了较优的制备工艺参数，即卷曲温度510℃、退火温度860℃、退火时间160 s、缓冷温度715℃、过时效温度340℃、过时效时间110 s。设计的新型DH钢具有优异的强塑性匹配，抗拉强度和断后伸长率分别为1214 MPa和15.5%。最后，采用SHAP分析揭示了组织特征对力学性能的影响规律，为先进高强钢的设计和组织性能调控提供理论参考。

关键词

增强成形性双相钢（DH钢） / 机器学习 / 成分设计 / 工艺优化 / 组织性能

Abstract

收起

Dual−phase steel with improved formability (DH steel) is developed as an evolution of conventional dual−phase steel (DP steel) to meet the increased ductility requirements associated with the fabrication of complex−shaped automotive components. Currently, DH steel with a tensile strength of 980 MPa has reached mass production, while the development of DH steel with a tensile strength of 1180 MPa has attracted significant research interest. In this study, a performance−driven machine learning methodology was employed to design the chemical composition and processing parameters of 1180 MPa−grade DH steel. Additionally, interpretable machine learning techniques were used to elucidate the fundamental relationships between the microstructural characteristics and mechanical properties. Initially, leveraging data extracted from the literature, a composition and process−performance predictive model was developed using a neural network algorithm. Subsequently, a multi−objective genetic algorithm was implemented to efficiently design the chemical composition of the novel DH steel. Following this, based on orthogonal experimental data concerning the processing parameters of the newly designed DH steel, a random forest algorithm was applied to construct predictive models for tensile strength and fracture elongation, with processing parameters serving as input variables. An optimized set of preparation process parameters was determined using a multi−objective genetic optimization algorithm. The resulting parameters are as follows: a coiling temperature of 510°C, an annealing temperature of 860°C, an annealing duration of 160 s, a slow cooling temperature of 715°C, an over−aging temperature of 340°C, and an over−aging duration of 110 s. The resulting DH steel demonstrated an exceptional balance between strength and ductility, achieving a tensile strength of 1214 MPa and an elongation after fracture (A₈₀) of 15.5%. Finally, SHAP analysis was conducted to reveal the influence patterns of microstructural features on mechanical performance, thereby providing theoretical insights to guide the design and microstructure−performance optimization of advanced high−strength steels.

Key words

DH steel / machine learning / composition design / process optimization / microstructure and property

引用本文

张浩, 张书海, 张世博, 赵帆, 张志豪, 谢建新. 机器学习辅助增强成形性双相钢的设计与组织性能关系解析. 科技导报, 2025 , 43 (24) : 61 -70 . DOI: 10.3981/j.issn.1000-7857.2025.11.00093

Hao ZHANG, Shuhai ZHANG, Shibo ZHANG, Fan ZHAO, Zhihao ZHANG, Jianxin XIE. Design of dual−phase steel with improved formability and analysis of microstructure−properties relationship via machine learning[J]. Science & Technology Review, 2025 , 43 (24) : 61 -70 . DOI: 10.3981/j.issn.1000-7857.2025.11.00093

正文

收起

汽车零件的特异化发展对先进高强钢的成形性能提出了更高要求，通过在已广泛应用的双相钢（dual−phase steel，DP钢）中引入残余奥氏体，在成形过程中产生相变诱导塑性（transformation−induced plasticity，TRIP）效应，开发了增强成形性双相钢（dual−phase steel with enhanced formability，DH钢）。DH钢可以用于制造形状更为复杂的汽车结构件，并显著提高碰撞吸能能力。目前，抗拉强度980 MPa级的DH钢已实现规模化生产，但汽车轻量化发展对材料强度提出了更高要求，抗拉强度1180 MPa级DH钢的研发受到了学术界和工业界的广泛关注^[1]。如何通过成分/工艺的合理设计，实现显微组织的精确调控，在提高强度水平的同时保持良好的塑性是目前的主要挑战。

合金成分和制备工艺是决定DH钢力学性能的2大重要因素。Demir等^[2]发现在DP钢中加入适量的Ni元素可显著提高奥氏体的淬透性，保证合理铁素体+马氏体双相结构的形成，从而获得较优的强塑性匹配。Terao等^[3]发现在高锰DP钢中添加微量Nb元素能促进马氏体在铁素体基体中的细小均匀分布，显著提高双相钢的强度。Li等^[4]的研究表明，适当提高铁素体−贝氏体DP钢的卷曲温度能促进多边形铁素体与粒状贝氏体双组织的均匀分布，显著提高DP钢的成形能力。Ayres等^[5]的研究表明，适当提高退火温度可促进铁素体与马氏体双相组织的均匀分布并提高马氏体体积分数，从而优化DP钢的强塑性组合。综上所述，优化化学成分和制备工艺参数是提高DH钢力学性能的有效途径。然而，钢铁材料合金元素种类多，DH钢制备工艺复杂，采用传统“试错法”开展研究，难以准确全面获得合金元素含量和工艺参数对力学性能的量化影响，研发效率低。另一方面，DH钢的显微组织构成较为复杂，对力学性能的影响规律难以定量解析，限制了对该类材料的深入理解和进一步发展应用。

近年来，人工智能和大数据技术快速发展，促进了数据驱动的新范式在材料研发领域的应用^[6−9]。笔者所在课题组自主开发了面向材料性能要求的机器学习设计方法，实现了高强高导铜合金^[10]、高强韧7000系铝合金^[11]和高强无取向硅钢^[12]的化学成分快速设计，显著提高了合金的综合性能。Trofimov等^[13]采用梯度提升算法构建了基于钢铁材料数据库的成分/工艺−性能预测模型，并通过进化算法和实验迭代，设计了具有优异强韧性的反应容器用钢。Zhou等^[14]采用梯度提升回归算法构建了基于文献数据的性能预测模型，并通过多目标遗传算法设计了新型孪生诱发塑性钢（TWIP钢）。另一方面，可解释性机器学习在分析材料组织性能关系方面也展现出了强大能力。Li等^[15]建立了一种氧化物弥散强化钢（ODS钢）的可解释机器学习流程，利用极限梯度提升模型和SHAP（shapley additive explanations）分析，揭示了Ti、Y₂O₃、Cr、W等元素的含量以及热处理温度、固结温度等核心工艺参数对材料力学性能的影响机理与交互作用。Ackermann等^[16]提出了一种基于可解释机器学习的贝氏体钢性能预测框架，揭示了马奥岛组织的关键特征对材料韧性的影响规律。上述研究表明，数据驱动的机器学习可有效提高材料设计效率，并辅助阐明相关内在机理，已逐渐成为破解钢铁材料成分/工艺−组织−性能复杂关系的有力工具。

本研究通过收集公开文献，采用机器学习方法实现面向强度和塑性目标的新型DH钢化学成分设计，并基于正交实验结果的机器学习建模，采用多目标遗传算法优化了所设计钢种的制备工艺参数，最后采用可解释性机器学习方法辅助阐明了新型DH钢显微组织和力学性能的内禀关系。本研究可为先进高强钢的开发和组织性能调控提供有益参考。

1 研究方法

收起

1.1 化学成分设计方法

1.1.1 文献数据集构建

由于DH钢的文献数据较少，本研究同时收集了其他采用连续退火工艺钢种数据，共得到数据185条，构建了数据集。数据集包括化学成分（C、Si、Mn、Al、Cr、Ni、Mo、Nb）、制备工艺参数（退火温度t₁、退火时间τ₁、过时效温度t₂、过时效时间τ₂）和力学性能参数（抗拉强度R_m、断后伸长率A）。

1.1.2 机器学习建模和化学成分设计

以4∶1的比例将数据集随机划分为训练集和测试集，以化学成分和工艺参数为输入，采用人工神经网络算法分别建立R_m和A的预测模型。在建立机器学习模型时，对比了不同算法（人工神经网络、支持向量机、随机森林、梯度提升回归等）所建立模型的精度，选用精度较高的算法。在训练集上对模型进行训练，并通过网格搜索法优化超参数^[17]，采用平均绝对百分比误差（mean absolute percentage error，MAPE）评估机器学习模型的精度：

$ \mathit{\mathrm{\mathit{MAPE}}}=\frac{100\%}{n}\sum_{ }^{ }\limits_{i=1}^n\, \left|\frac{\hat{y}_i-y_i}{y_i}\right| $

式中，n为样本数量，

$ {\hat{y}}_{i} $

为机器学习预测值，

$ {y}_{i} $

为样本数据真实值。

神经网络隐藏层层数为2层，优化后的R_m预测模型的节点数为5−9，A预测模型的节点数为6−5。基于构建的抗拉强度和断后伸长率预测模型，以R_m=1200 MPa、A=15%为目标，采用多目标遗传算法NSGA−II^[18−19]在数据集的数据空间内寻优化学成分。在遗传算法寻优时，将生产企业常用的连续退火工艺参数（t₁=800℃、τ₁=160 s、t₂=390℃、τ₂=90 s）作为预测模型的固定输入。

需要特别说明的是，本研究虽然建立起了通过成分和工艺参数预测性能的机器学习模型，但由于文献数据集的数据量不大，同时精确优化成分和工艺参数的难度仍然较大，且难以面向工业生产可用的工艺窗口进行设计。因此，先设计化学成分，随后再进一步优化工艺参数，以提高设计结果的准确性和可用性。

1.2 工艺参数优化方法

1.2.1 正交实验数据集构建

按照设计的化学成分，采用真空熔炼法制备实验钢铸锭，并在1150℃下锻造为20 mm厚的板坯；在板坯上切取115 mm×480 mm×20 mm的试样，在880~1200℃下热轧至8 mm厚，轧后冷却至不同温度，在加热炉中保温40 min，以模拟不同卷曲温度；最后冷轧至2 mm厚，并使用连续退火模拟机进行连续退火处理。

采用正交法设计了25组不同制备工艺参数组合，包括卷曲温度t_c、退火温度t₁、缓冷温度t_s、过时效温度t₂、过时效时间τ₂。其中，t_c取500、550、600、650、700℃ 5个水平，t₁取780、800、820、840、860℃ 5个水平，t_s取640、660、680、700、720℃ 5个水平，t₂取290、330、370、410、450℃ 5个水平，τ₂取30、60、90、120、150 s 5个水平，τ₁固定为160 s。连续退火工艺参数示意见图1。对不同工艺参数制备的DH钢进行力学行能测试，构建数据集，包括工艺参数（t_c、t₁、t_s、t₂、τ₂）和力学性能（R_m、A），具体见表1。

1.2.2 机器学习建模和工艺参数优化

以工艺参数为输入，采用随机森林算法构建R_m和A的预测模型。建模时通过网格搜索法优化超参数，采用MAPE评估机器学习模型的精度。优化后的R_m和A预测模型的树数量均为100、最大深度均为10。

基于构建的抗拉强度和断后伸长率预测模型，采用多目标遗传算法NSGA−II在数据集空间内寻优工艺参数组合，生成代表R_m和A最优匹配的帕累托前沿面，并在前沿面上人为选择较优的数据点，将其对应的工艺参数作为优化结果。

1.3 组织−性能关系解析方法

1.3.1 组织特征数据集构建

基于25组正交实验的显微组织表征和力学性能测试结果构建数据集，开展组织−性能关系研究。数据集中的组织特征包括残余奥氏体体积分数V_γ、残余奥氏体碳质量分数C_γ、铁素体体积分数V_α及等效晶粒尺寸D_g，力学性能参数包括R_m和A，具体见表2。残余奥氏体含量和碳含量通过XRD测试获得^[20−21]，铁素体含量显微组织通过分析扫描电镜拍摄的二次电子图像获得，等效晶粒尺寸通过电子背散射衍射（electron backscattered diffraction，EBSD）分析获得（以15°为识别晶界的取向差阈值）。

1.3.2 机器学习建模和可解释性分析

以组织特征为输入，采用随机森林算法构建R_m和A的预测模型。建模时通过网格搜索法优化超参数，采用MAPE评估机器学习模型的精度。优化后的R_m和A预测模型的树数量均为100、最大深度均为10。基于建立的机器学习模型，采用可解释性SHAP算法来分析各个组织特征对力学性能的影响。

1.4 表征和测试方法

1）拉伸性能测试。为贴合生产企业采用的检测方法，按照国家标准GB/T 228.1−2021，采用标距段长度80 mm、宽度20 mm的A₈₀非比例标准试样，在TFW−200S万能电子拉伸试验机上进行室温力学性能测试。拉伸过程的应变速率在屈服结束前为0.00025 s⁻¹，屈服结束后为0.0067 s⁻¹。

2）显微组织表征。使用JEOL JSM−7900F场发射扫描电子显微镜观察显微组织，试样采用4%体积分数的硝酸酒精溶液腐蚀。利用XRD射线衍射仪分析显微组织中的物相，试样为抛光态。采用EBSD分析晶粒组织，扫描步长为0.2 μm，试样在15%体积分数的高氯酸酒精溶液中进行电解抛光。

2 结果与讨论

收起

2.1 基于文献数据集的化学成分设计

图2所示为文献数据集的化学成分和力学性能分布。图2（a）为化学成分分布的小提琴图，图中蓝色数据点代表每个合金元素的质量分数，数据点对应的彩色轮廓为核密度图，轮廓的宽度代表数据分布的密度。图2（b）为力学性能的分布散点图，随R_m增大，A整体呈现下降趋势，两者之间呈现明显的矛盾关系。本研究的性能设计目标（R_m=1200 MPa、A=15%）位于数据集的帕累托前沿面附近。

图3所示为神经网络模型对文献数据的R_m和A的预测结果，可见预测值与真实值具有良好的一致性，R_m预测模型测试集的MAPE为6.3%，A预测模型测试集的MAPE为16.2%，证实了所建立预测模型的可靠性。

基于上述构建的预测模型，以R_m=1200 MPa、A=15%为目标，在固定工艺参数条件下（t₁=800℃、τ₁=160 s、t₂=390℃、τ₂=90 s），采用多目标遗传算法进行化学成分优化。成分的质量分数优化空间为0.20%~0.30% C、0.20%~0.80% Si、1.50%~2.50% Mn、0.20%~0.80% Al、0~0.50% Cr、0~0.50% Ni、0~0.30% Mo、0~0.03% Nb。根据优化成分，按第1.2节所述方法对实验钢进行热锻开坯和轧制，卷曲和连退工艺参数为t_c=500℃、t₁=800℃、τ₁=160 s、t_s=680℃、t₂=390℃、τ₂=90 s。优化设计结果和实验验证结果如表3所示。可见，所设计钢种的R_m超过了设计目标，而A低于设计目标，需要进一步优化制备工艺。

2.2 基于正交实验数据集的工艺参数优化

基于表1的25组正交实验数据，采用随机森林算法构建力学性能的预测模型。预测效果如图4所示，模型具有较好的精度，R_m预测模型的MAPE为3.2%，A预测模型的MAPE为7.9%，可以反映工艺参数对力学性能的影响规律。

基于上述预测模型，采用多目标遗传算法进行工艺参数寻优，寻优空间：t_c为500~700℃、t₁为780~860℃、t_s为640~720℃、t₂为290~450℃、τ₂为30~150 s。如图5（a）所示，得到了抗拉强度和断后伸长率的帕累托前沿面。绿色三角代表力学性能的帕累托前沿解，蓝色圆点为正交实验数据集中的力学性能，红色星号代表目标性能。选取帕累托前沿解中最接近目标性能的工艺参数（t_c=510℃、t₁=860℃、τ₁=160 s、t_s=715℃、t₂=340℃、τ₂=110 s）进行实验验证，拉伸性能测试曲线如图5（b）所示，力学性能测试结果（R_m=1214 MPa、A=15.5%）和模型预测值（R_m=1206 MPa、δ=15.2%）高度一致，达到了力学性能设计目标。优化工艺参数的退火温度t₁和缓冷温度t_s较高，这使快冷前的奥氏体含量提高，在冷却后更容易产生残余奥氏体，从而提高钢材的塑性。

图6所示为工艺优化后的DH钢显微组织。如图6（a）所示，显微组织较为细小均匀，主要由马氏体和铁素体组成，另外可以观察到少量的贝氏体和残余奥氏体；经测量统计，铁素体体积分数为22.6%。如图6（b）所示，EBSD以15°取向差识别的等效晶粒尺寸为2.1 μm。图7所示为XRD分析结果，计算结果表明，残余奥氏体体积分数为6.2%，残余奥氏体碳质量分数为1.45%。多种显微组织的合理匹配使工艺优化后的DH钢获得了较高综合力学性能。为破解复杂显微组织特征与力学性能之间的内禀关系，需要开展进一步的深入分析研究。

2.3 组织−性能关系解析

基于多种表征手段获得的25组正交实验试样的显微组织特征（表2），采用随机森林算法构建R_m和A的预测模型。预测效果如图8所示，模型具有较好的精度，可以反映工艺参数对力学性能的影响规律。

基于上述预测模型，进行SHAP可解释性分析。图9所示为不同显微组织特征（残余奥氏体体积分数V_γ、残余奥氏体碳质量分数C_γ、铁素体体积分数V_α及等效晶粒尺寸D_g）对R_m的影响。图9（a）蜂群图中x轴的SHAP值表示显微组织特征对力学性能的影响程度和方向，SHAP值越大，代表影响越大；SHAP值为正代表正向影响，为负代表负向影响。左侧显微组织特征自上而下的排序代表其对力学性能的影响程度逐渐减小。图中点的颜色代表显微组织特征值的大小，红色代表值较高，蓝色代表值较低。可见，R_m主要受V_α影响，且呈现明显的负相关，即V_α越大，R_m越低。这是因为铁素体的强度相对较低，其体积分数增大会导致强度降低。V_γ、C_γ、D_g对R_m的影响相对较小。图9（b）、（c）、（d）、（e）分别分析了V_α、V_γ、D_g、C_γ与其对R_m的SHAP值的关系。如图9（b）所示，当V_α在20%以下时，其对R_m影响的变化不显著；当V_α升高至20%以上后，其导致R_m降低的速度增大。如图9（c）所示，随V_γ增大，整体导致R_m降低，但影响较小。如图9（d）、（e）所示，D_g和C_γ对R_m的影响较小，规律不显著。

基于上述预测模型，进行SHAP可解释性分析。图10所示为不同显微组织特征（残余奥氏体体积分数V_γ、残余奥氏体碳质量分数C_γ、铁素体体积分数V_α及等效晶粒尺寸D_g）对A的影响。可见，A主要受V_α和V_γ的影响，且均呈现明显的正相关，即V_α和V_γ越大，A越高。与马氏体相比，铁素体的塑性较好，其体积分数增大对塑性有利；残余奥氏体体积分数的增大有利于变形过程中的相变诱导塑性效应，也会提高钢材的塑性。C_γ和D_g对A的影响不显著。图10（b）、（c）、（d）、（e）分别分析了V_α、V_γ、D_g、C_γ与其对A的SHAP值的关系。如图10（b）所示，V_α对A的影响较为显著，随V_α增大，A逐渐提高。如图10（c）所示，V_γ对A的影响也较显著，随V_γ增大，A逐渐提高；V_γ增大至6%以上时，A提高的速度增大。如图10（d）、（e）所示，D_g和C_γ对A的影响较小，规律不显著。

综上所述，在本研究的工艺参数范围内，对R_m和A影响较大的显微组织特征是铁素体体积分数V_α和残余奥氏体体积分数V_γ。为实现较优的强塑性匹配，将V_α控制在20%左右，而V_γ控制在6%以上，较为合理。这与第2.2节优化工艺下的显微组织分析结果（V_α=22.6%、V_γ=6.2%）吻合较好。上述组织−性能关系研究可为高性能双相钢的设计提供有益参考。

3 结论

收起

1）采用数据驱动方法高效设计了一种1180 MPa级DH钢化学成分和制备工艺参数，实测抗拉强度和断后伸长率A₈₀分别为1214 MPa和15.5%，显微组织主要由马氏体和铁素体组成，还含有少量的贝氏体和残余奥氏体。

2）采用可解释性机器学习方法分析了新型DH钢显微组织与力学性能的关系。在本研究的工艺参数范围内，对抗拉强度和断后伸长率影响较大的显微组织特征是铁素体体积分数和残余奥氏体体积分数，当其分别控制在20%左右和6%以上时，可获得较优的强塑性匹配。

3）本研究仅围绕DH钢的强度和塑性开展设计，为实现工程应用，还需要围绕钢材的加工硬化性能、冲压性能、耐蚀性能、焊接性能开展深入研究，以满足先进高强钢性能要求的复杂性和多样性。

基金

收起

北京科技大学−首钢集团有限公司合作项目(2024110016100018)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

杨玉环, 褚晓红, 路洪洲, 等. 连续退火工艺参数对1180 MPa级含Nb增强成形性双相钢组织性能的影响[J]. 中国冶金, 2024, 34(1): 72-80.

[2]

Demir

, Erdoğan

. The hardenability of austenite with different alloy content and dispersion in dual−phase steels[J]. Journal of Materials Processing Technology, 2008, 208(1/2/3): 75-84.

[3]

Terao

, Cauwe

. Influence of additional elements (Mo, Nb, Ta and B) on the mechanical properties of high−manganese dual−phase steels[J]. Journal of Materials Science, 1988, 23(5): 1769-1778.

[4]

Z R

, Zhou

, Liu

J H

, et al. Effect of coiling temperature on microstructure and properties of ferritic−bainitic dual−phase steels[J]. Metals, 2024, 14(3): 365.

[5]

Ayres

, Penney

, Evans

, et al. Effect of intercritical annealing on the mechanical properties of dual−phase steel[J]. Ironmaking & Steelmaking, 2022, 49(8): 821-827.

[6]

谢建新, 宿彦京, 薛德祯, 等. 机器学习在材料研发中的应用[J]. 金属学报, 2021, 57(11): 1343-1361.

[7]

王毅, 李高楠, 刘哲, 等. 材料基因工程与智能科学: AI+时代无尽前沿[J]. 科技导报, 2025, 43(12): 93-109.

[8]

毛新平. 锻造绿色钢铁新质生产力: 可持续钢铁材料的技术攻坚与产业突围[J]. 科技导报, 2025, 43(19): 1-2.

[9]

王国栋. 生成式AI(AIGC)助力钢铁行业转型升级[J]. 科技导报, 2025, 43(13): 1-2.

[10]

Wang

C S

, Fu

H D

, Jiang

, et al. A property−oriented design strategy for high performance copper alloys via machine learning[J]. NPJ Computational Materials, 2019, 5: 87.

[11]

Jiang

, Wang

C S

, Fu

H D

, et al. Discovery of aluminum alloys with ultra−strength and high−toughness via a property−oriented design strategy[J]. Journal of Materials Science & Technology, 2022, 98: 33-43.

[12]

Liu

Y M

, Wang

Z L

, Wang

Y T

, et al. Data−driven composition design and property optimization of solid solution and precipitation simultaneously strengthened non−oriented silicon steel[J]. Materials & Design, 2024, 242: 113011.

[13]

Trofimov

, Korotaev

, Ivanov

, et al. Machine learning assisted design of reactor steels with high long−term strength and toughness[J]. Materials & Design, 2025, 254: 114014.

[14]

Zhou

X Z

, Xu

J J

, Meng

, et al. Machine−learning−assisted composition design for high−yield−strength TWIP steel[J]. Metals, 2024, 14(8): 952.

[15]

Z X

, Yang

T X

, Kimura

, et al. Prediction of the tensile properties of ODS ferritic/martensitic steels under various temperature conditions using interpretable machine learning models[J]. Intermetallics, 2025, 186: 108962.

[16]

Ackermann

, Iren

, Yao

. Explainable machine learning for predicting the mechanical properties in bainitic steels[J]. Materials & Design, 2023, 230: 111946.

[17]

El Amine Ben Seghier

, Plevris

, Solorzano

. Random forest−based algorithms for accurate evaluation of ultimate bending capacity of steel tubes[J]. Structures, 2022, 44: 261-273.

[18]

Chen

Y F

, Tian

, Zhou

Y M

, et al. Machine learning assisted multi−objective optimization for materials processing parameters: A case study in Mg alloy[J]. Journal of Alloys and Compounds, 2020, 844: 156159.

[19]

Shi

B F

, Lookman

, Xue

D Z

. Multi−objective optimization and its application in materials science[J]. Materials Genome Engineering Advances, 2023, 1(2): e14.

[20]

Banerjee

R L

. X−ray determination of retained austenite[J]. Journal of Heat Treating, 1981, 2(2): 147-150.

[21]

Denand

, Esin

V A

, Dehmas

, et al. Carbon content evolution in austenite during austenitization studied by in situ synchrotron X−ray diffraction of a hypoeutectoid steel[J]. Materialia, 2020, 10: 100664.

2025年第43卷第24期

PDF下载

1769

1032

引用本文

BibTeX

文章信息

doi: 10.3981/j.issn.1000-7857.2025.11.00093

接收时间：2025-11-28
首发时间：2026-01-14
出版时间：2025-12-28

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-11-28
修回日期：2025-12-17

基金

北京科技大学−首钢集团有限公司合作项目(2024110016100018)

作者信息

¹北京科技大学新材料技术研究院，现代交通金属材料与加工技术北京实验室，北京 100083

²首钢集团有限公司技术研究院，北京 100043

³北京科技大学新材料技术研究院，材料先进制备技术教育部重点实验室，北京 100083

⁴北京科技大学高精尖学院，北京材料基因工程高精尖创新中心，北京 100083

⁵冶金工业经济发展研究中心，北京 100010

通讯作者:

赵帆（通信作者），副研究员，研究方向为高性能合金智能化设计与制造，电子信箱：zhaofan@ustb.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kjdb/CN/10.3981/j.issn.1000-7857.2025.11.00093

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

编号	t_c/℃	t₁/℃	t_s/℃	t₂/℃	τ₂/s	R_m/MPa	A/%
1	500	780	640	290	30	1305	8.3
2	550	780	680	410	150	1153	11.1
3	600	780	720	330	120	1086	15.9
4	650	780	660	450	90	1292	8.2
5	700	780	700	370	60	1410	10.4
6	500	800	720	410	90	1229	13.9
7	550	800	660	330	60	1398	10.1
8	600	800	700	450	30	1200	6.6
9	650	800	640	370	150	1228	10.3
10	700	800	680	290	120	1415	8.3
11	500	820	700	330	150	1144	14.9
12	550	820	640	450	120	1259	10.8
13	600	820	680	370	90	1160	11.1
14	650	820	720	290	60	1344	8.1
15	700	820	660	410	30	1439	8.3
16	500	840	680	450	60	1106	12.3
17	550	840	720	370	30	1426	9.8
18	600	840	660	290	150	1101	9.1
19	650	840	700	410	120	1002	16.7
20	700	840	640	330	90	1298	9.4
21	500	860	660	370	120	1129	14.6
22	550	860	700	290	90	1522	9.0
23	600	860	640	410	60	1272	6.5
24	650	860	680	330	30	1414	8.0
25	700	860	720	450	150	1164	10.3

编号

t_c/℃

t₁/℃

t_s/℃

t₂/℃

τ₂/s

R_m/MPa

A/%

500

780

640

290

1305

8.3

550

780

680

410

150

1153

11.1

600

780

720

330

120

1086

15.9

650

780

660

450

1292

8.2

700

780

700

370

1410

10.4

500

800

720

410

1229

13.9

550

800

660

330

1398

10.1

600

800

700

450

1200

6.6

650

800

640

370

150

1228

10.3

700

800

680

290

120

1415

8.3

500

820

700

330

150

1144

14.9

550

820

640

450

120

1259

10.8

600

820

680

370

1160

11.1

650

820

720

290

1344

8.1

700

820

660

410

1439

8.3

500

840

680

450

1106

12.3

550

840

720

370

1426

9.8

600

840

660

290

150

1101

9.1

650

840

700

410

120

1002

16.7

700

840

640

330

1298

9.4

500

860

660

370

120

1129

14.6

550

860

700

290

1522

9.0

600

860

640

410

1272

6.5

650

860

680

330

1414

8.0

700

860

720

450

150

1164

10.3

编号	V_γ/%	C_γ/%	V_α/%	D_g/μm	R_m/MPa	A/%
1	5.0	1.41	24.3	2.2	1305	8.3
2	3.4	1.30	28.5	2.4	1153	11.1
3	5.4	1.26	26.3	2.1	1086	15.9
4	2.9	1.09	24.2	3.2	1292	8.2
5	3.2	1.68	19.6	1.9	1410	10.4
6	6.6	1.49	21.5	1.9	1229	13.9
7	4.9	1.40	20.9	2.1	1398	10.1
8	6.2	1.51	23.7	2.3	1200	6.6
9	3.8	0.94	25.4	2.1	1228	10.3
10	3.4	0.84	19.5	2.0	1415	8.3
11	5.8	1.32	23.2	2.1	1144	14.9
12	3.3	0.88	21.3	2.0	1259	10.8
13	5.5	1.54	28.7	2.3	1160	11.1
14	6.8	1.34	14.3	2.3	1344	8.1
15	3.0	1.20	20.1	1.9	1439	8.3
16	6.9	1.47	24.7	1.9	1106	12.3
17	5.9	1.06	14.6	1.8	1426	9.8
18	2.1	0.66	31.2	2.2	1101	9.1
19	7.0	1.53	32.2	2.6	1002	16.7
20	6.3	1.45	17.6	1.8	1298	9.4
21	7.1	1.54	24.5	2.2	1129	14.6
22	4.3	1.50	14.6	1.9	1522	9.0
23	5.3	1.00	13.2	1.7	1272	6.5
24	5.2	1.37	15.3	1.8	1414	8.0
25	4.2	1.22	15.1	2.0	1164	10.3

编号

V_γ/%

C_γ/%

V_α/%

D_g/μm

R_m/MPa

A/%

5.0

1.41

24.3

2.2

1305

8.3

3.4

1.30

28.5

2.4

1153

11.1

5.4

1.26

26.3

2.1

1086

15.9

2.9

1.09

24.2

3.2

1292

8.2

3.2

1.68

19.6

1.9

1410

10.4

6.6

1.49

21.5

1.9

1229

13.9

4.9

1.40

20.9

2.1

1398

10.1

6.2

1.51

23.7

2.3

1200

6.6

3.8

0.94

25.4

2.1

1228

10.3

3.4

0.84

19.5

2.0

1415

8.3

5.8

1.32

23.2

2.1

1144

14.9

3.3

0.88

21.3

2.0

1259

10.8

5.5

1.54

28.7

2.3

1160

11.1

6.8

1.34

14.3

2.3

1344

8.1

3.0

1.20

20.1

1.9

1439

8.3

6.9

1.47

24.7

1.9

1106

12.3

5.9

1.06

14.6

1.8

1426

9.8

2.1

0.66

31.2

2.2

1101

9.1

7.0

1.53

32.2

2.6

1002

16.7

6.3

1.45

17.6

1.8

1298

9.4

7.1

1.54

24.5

2.2

1129

14.6

4.3

1.50

14.6

1.9

1522

9.0

5.3

1.00

13.2

1.7

1272

6.5

5.2

1.37

15.3

1.8

1414

8.0

4.2

1.22

15.1

2.0

1164

10.3

	化学成分（质量分数）/%		力学性能
优化设计结果	0.25	0.55	2.00	0.45	0.25	0.25	0.10	0.020		1195	15.2
实验验证结果	0.24	0.60	1.87	0.50	0.22	0.32	0.11	0.019		1252	10.5

化学成分（质量分数）/%

力学性能

R_m/MPa

A₈₀/%

优化设计结果

0.25

0.55

2.00

0.45

0.25

0.10

0.020

1195

15.2

实验验证结果

0.24

0.60

1.87

0.50

0.22

0.32

0.11

0.019

1252

10.5