激光增材制造 IN718 高温蠕变寿命精准预测！西南交大 + 航材院联合提出可解释机器学习新框架

摘要

航空领域 L‑PBF 高温合金蠕变寿命数据因高温实验极为有限而严重不足。本文开发 ** 贝叶斯优化融合极端梯度提升（XGB‑BO）** 模型，在受限小样本数据下高效优化超参数，实现 L‑PBF IN718 合金蠕变寿命精准预测。基于 90 组蠕变实验数据集，通过皮尔逊相关分析筛选激光功率、扫描速度、晶粒特征、拉伸强度与延伸率等关键参数。结果表明：所提 XGB‑BO 模型预测性能优异，决定系数 R²=0.99，均方根误差 RMSE=0.81 h，平均绝对误差 MAE=0.71 h；相比经典 Larson‑Miller 参数法与基准机器学习模型精度显著提升，较随机森林提升达 41%。

采用 SHAP 可解释性分析明确晶界与体积能量密度为两大核心影响因素，与冶金机制一致。最终通过模型反设计获得最优 L‑PBF 工艺窗口，实验验证 IN718 合金蠕变寿命预测误差仅0.15%。

主要亮点

1. 小样本高精度
   仅用 90 组高温蠕变数据，实现 R²=0.99 的超高精度预测，解决小样本过拟合 / 欠拟合难题。
2. 全链路关联
   首次打通 “L‑PBF 工艺参数→晶粒组织→室温拉伸性能→高温蠕变寿命” 跨尺度关联。
3. 可解释性强
   SHAP 分析量化特征贡献，明确体积能量密度（VED）与晶界特征为核心调控因素。
4. 工艺反向设计
   输出最优工艺窗口（VED=41.3–52.3 J/mm³），实验验证寿命预测误差低至 0.15%。
5. 工程适用性
   优于传统 Larson‑Miller 方法与 SVM、GBDT、RF 等模型，可直接支撑航空发动机增材构件服役安全设计。

图 1 基于 XGB‑BO 的蠕变寿命算法预测流程

初始数据集包含工艺参数与显微组织参数；新模型通过 PCC 筛选机制耦合 XGB 与 BO 进行预测，并通过多模型对比与 SHAP 值分析解释性能。

图2. XGB 算法的流程结构。 XGB 基于N CART树计算出的残差对损失函数进行迭代优化。

图 3 蠕变寿命数据集离散分析（对数变换后）

箱线边界对应 25% 与 75% 分位数，绿色线为中位数；直观反映不同参数的数据离散异质趋势。

图 4 (a) PCC 筛选机制示意图

|PCC|＞0.8 则剔除重要性较低参数，否则保留两个参数。(b) 皮尔逊相关系数计算结果蓝色为正相关，红色为负相关，填充比例为相关系数大小。

图 5 XGB‑BO 模型构建流程示意图

总数据集经比例抽样生成训练子集，构建 CART 树；由 BO 数据集优化损失函数、防止过拟合，最终加权输出平均回归值。

图 6 基于 BO 数据集的 XGB‑BO 预测结果（R²=0.97）

横轴为实测蠕变寿命，纵轴为预测值；散点带 ±2 区间，预测点越接近对角线精度越高。

图 7 XGB‑BO 蠕变寿命预测结果

(a) 不含拉伸性能（R²=0.99）；(b) 含拉伸性能数据（R²=0.88）。

图 8 各模型对 L‑PBF IN718 蠕变寿命计算结果

(a) SVM；(b) SVM‑BO；(c) GBDT；(d) GBDT‑BO；(e) XGB；(f) XGB‑BO。

图 9 机器学习模型结合 BO 与未结合 BO 的 R² 值对比

所有模型经 BO 优化后精度均提升，XGB‑BO 达到最优。

图 10 耦合 BO 后的混淆矩阵结果

(a) SVM‑BO；(b) GBDT‑BO；(c) RF‑BO；(d) XGB‑BO。对角线值越接近 1.00，模型性能越好。

图 11 XGB‑BO 与 Larson‑Miller 模型预测结果对比

Larson‑Miller 部分预测点落在 2 倍误差带外，XGB‑BO 全部落在误差带内。

图 12 基于原始蠕变数据集的 XGB‑BO 模型可解释性分析

(a) SHAP 值汇总图；(b) 平均绝对 SHAP 值柱状图（特征重要性排序）。

图 13 XGB‑BO 模型对工艺参数的回归结果与预测服役寿命（红点）

紫色点：LDED IN718 文献数据；蓝色点：L‑PBF IN718 文献数据；红星：本研究最优蠕变寿命。

图 14 最优参数 IN718 合金 EBSD 结果（第 4 组）

(a) 取向差角；(b) 等效圆直径；(c) 平均核取向差（KAM）曲线；(d) 几何必须位错（GND）密度。