集成机器学习建模用于机械性能预测——以激光焊接的TC4钛合金为例

时间：2026年3月5日

来源：Optics & Laser Technology

编辑推荐：

钛合金激光焊接接头机械性能预测与优化策略研究，采用XGBoost和CatBoost模型分别实现拉伸强度（R²=0.84）和延展性（R²=0.85）的高精度预测，SHAP分析揭示热输入和拉伸强度为关键影响因素，误差传播分析验证分阶段建模可行性，提出基于机器学习的多目标协同优化方法。

张尚攀|曹瑞|玛丽亚姆·卡克萨尔·加拉蒂|董宏标|魏一林

中国兰州理工大学先进有色金属加工与回收国家重点实验室，兰州730050

摘要

TC4钛合金的激光焊接在航空航天等高端制造领域得到广泛应用，这得益于其较高的比强度和较低的密度。然而，多种焊接工艺参数之间的复杂相互作用给协调控制带来了显著挑战，从而阻碍了接头性能的进一步提升。本研究利用机器学习预测TC4钛合金激光焊接接头的抗拉强度和伸长率，旨在优化焊接工艺并改善接头性能。我们开发了预测模型，将激光焊接参数与机械性能相关联，使用了多层感知器（MLP）、支持向量回归（SVR）以及四种集成算法——XGBoost、CatBoost、LightGBM和随机森林（RF）。XGBoost模型在预测抗拉强度方面取得了最高的准确率（训练R² = 0.90；测试R² = 0.84）。在伸长率预测方面，CatBoost模型表现优于其他模型（训练R² = 0.90；测试R² = 0.85）。SHAP分析表明，热输入对抗拉强度预测模型的影响最大，而抗拉强度是伸长率预测中最关键的输入变量。将抗拉强度作为伸长率预测模型的输入变量显著提高了模型的泛化能力，使测试集R²从0.38提高到0.85（相对提高了123.68%），同时降低了超参数调优的复杂性。误差传播分析显示，抗拉强度预测的误差对伸长率预测的影响较小，支持了这些目标之间的分阶段协同建模策略。这些发现为TC4激光焊接工艺的智能优化和接头性能的精确控制提供了实用途径，从而推动了高端设备的轻量化制造。

引言

TC4钛合金以其优异的耐腐蚀性、高比强度和良好的焊接性能而成为航空航天及相关行业轻量化结构应用的关键材料[1]、[2]、[3]、[4]。激光焊接具有集中热输入和最小焊接变形的特点[5]、[6]、[7]，是焊接TC4钛合金的理想工艺。然而，TC4钛合金的激光焊接仍面临一些技术挑战。首先，在激光焊接过程中精确控制keyhole稳定性是一个重要难题，因为这种稳定性受到激光功率、焊接速度和离焦距离等多种工艺参数的复杂相互作用的影响。keyhole稳定性越低，焊接缺陷的数量就越多，从而对接头的机械性能产生不利影响[8]。其次，TC4在高温下具有较高的化学反应性，容易与环境气体发生反应，可能导致脆性金属间相的形成。因此，精确控制保护气体参数对于防止接头性能下降至关重要。为了解决这些挑战，本研究提出了一种基于机器学习的方法，旨在通过建立将工艺参数与抗拉性能联系起来的智能预测模型来克服传统试错方法的局限性。这项研究对于提高TC4钛合金激光焊接工艺的质量和可靠性具有重要的理论和实践价值。

激光功率和焊接速度是影响TC4钛合金激光焊接接头机械性能的关键工艺参数。这两个参数共同决定了热输入的大小，进而影响焊缝金属的微观结构和机械性能；然而，这种影响的机制仍存在争议。Jai等人[9]观察到，使用CO₂激光焊接TC4钛合金时，增加激光功率会导致焊接接头的抗拉强度和显微硬度下降。这一现象主要归因于αʹ马氏体含量的变化，因为在较低功率下减少热输入会促进αʹ马氏体的形成。同样，Emre等人[10]报告称，在250 cm/min的焊接速度下获得了最佳的抗拉强度，这是因为快速冷却条件下形成了细小的微观结构。这些发现共同表明，通过降低激光功率或增加焊接速度来减少热输入可以提高冷却速率，从而促进微观结构的细化并形成αʹ马氏体，最终提高接头强度。Kose和Karaca[11]进一步证实了这一趋势。相反，Lawan等人[12]观察到不同的现象：随着热输入的减少，抗拉强度降低，而显微硬度则呈现相反的趋势。Baruah等人[13]也报告称，随着热输入的增加，接头的抗拉强度先增加后减少，而伸长率则表现出相反的趋势。总之，αʹ马氏体含量和晶粒尺寸被广泛认为是TC4钛合金激光焊接接头机械性能的主要决定因素。然而，工艺参数（如激光功率和焊接速度）与机械性能之间的关系非常复杂且非线性。这种关系不仅受到热输入对冷却速率和微观结构演变的影响，还受到其他工艺变量（如离焦距离[14]和保护气体参数[15]）的影响。这种复杂性阻碍了焊接工艺的优化，并在工业应用中给参数控制带来了显著挑战。

近年来，机器学习（ML）在材料科学[16]、[17]、[18]、[19]、[20]领域取得了快速进展并得到了广泛应用，其在焊接研究中的应用也越来越突出。ML在工艺监测、缺陷检测和机械性能预测[21]、[22]、[23]、[24]等关键领域展现了巨大潜力。Wan等人[25]使用基于有限元模拟数据的Kriging模型，并通过Whale优化算法（WOA）进行了优化，以预测2219-T8铝合金TIG焊接接头的抗拉性能。他们的结果表明，WOA优化的模型优于线性回归、SVM和高斯回归等传统模型。此外，还进行了敏感性分析以指导性能优化。Verma等人[26]系统比较了随机森林（RF）、M5P树和人工神经网络（ANN）模型在预测AA6082摩擦搅拌焊接接头抗拉强度方面的表现。RF模型表现出最高的预测准确率，敏感性分析显示焊接速度是最重要的影响因素。在疲劳性能研究中，Zou等人[27]创新性地应用了基于熵的域粗糙集特征简化算法，将TA2焊接接头疲劳寿命的五个影响因素简化为两个关键特征：接头类型和应力范围。基于此，开发了PSO-SVR预测模型，其性能显著优于传统的S-N曲线拟合方法。在焊缝缺陷预测领域，Liu等人[28]使用神经网络成功预测了SUS316L不锈钢双梁激光焊缝的孔洞数量、孔洞面积和焊缝宽度。随后通过遗传算法优化了工艺参数，并通过微观结构和机械测试验证了优化效果。Moinuddin等人[29]通过从电流和电压信号中提取统计特征来专注于GMAW焊缝缺陷分类。他们对决策树和SVM的比较分析表明，决策树的分类准确率为96.43%，在识别气孔、未完全穿透和烧穿等缺陷方面显著优于SVM。尽管机器学习在焊接应用中取得了显著进展，但在数据稀缺的情况下，传统算法仍存在明显局限性，某些模型的可解释性较差。这些挑战在TC4钛合金激光焊接中尤为突出，因为在这种情况下，严格的工艺稳定性和高质量控制至关重要。

因此，本研究采用多层感知器（MLP）、支持向量回归（SVR）以及四种集成学习算法——随机森林（RF）、极端梯度提升（XGBoost）、分类提升（CatBoost）和轻梯度提升机（LightGBM）来预测TC4钛合金激光焊接接头的抗拉强度和伸长率（图1）。其中，XGBoost模型用于抗拉强度预测，CatBoost模型用于伸长率预测，这两种模型的准确率最高，进一步进行了解释和分析。这一分析证实了集成算法在小样本数据条件下的有效性。进行了系统的误差传递分析，以验证将预测的抗拉强度作为伸长率模型输入变量的可行性。所提出的分阶段顺序建模策略不仅能够协同预测抗拉强度和伸长率等相互矛盾的性能指标，还为未来研究中焊接工艺参数的多目标优化建立了新的技术框架。

数据收集和特征选择

影响激光焊接TC4钛合金抗拉性能的因素可以分为两大类：焊接形态特征和焊接工艺参数，如表1所示。表1表明，共有12个关键因素影响激光焊接金属的抗拉性能。因此，开发抗拉性能预测模型是一个多输入、双输出的建模任务，其中输出变量为抗拉强度（Ts）

模型选择

图4和图5展示了六种预测模型对TC4钛合金激光焊接接头抗拉强度和伸长率预测值与实际值的散点图对比。如图4所示，四种基于树的集成算法——XGBoost、CatBoost、LightGBM和RF——在焊接接头抗拉强度的建模准确率方面明显优于SVR和MLP。具体来说，2σ误差区间定义为训练集上预测值标准差的两倍