基于可解释机器学习同步提升镁合金等离子体电解氧化(PEO)涂层的生长效率与耐蚀性

摘要：本研究以镁(Mg)合金为模型体系，旨在通过可解释机器学习(Interpretable Machine Learning)指导，在宽工程服役条件下同步提升等离子体电解氧化(Plasma Electrolytic Oxidation, PEO)涂层性能并降低工艺能耗。研究人员从文献及自行实验中收集并整理了实验数据，提取并量化了电解液组分及电学参数等关键PEO描述符作为输入特征，建立了膜生长速率(film formation rate)、表面孔隙率(surface porosity)及腐蚀电流密度(corrosion current density, icorr)的预测模型。在三种所选回归算法中，极端梯度提升树(Extreme Gradient Boosting, XGBoost)取得了最高的预测精度。随后应用SHAP(SHapley Additive exPlanations)分析解释控制涂层性能的主导因素：膜生长速率主要受氟化物浓度调控，表面孔隙率强烈依赖于硅酸钠浓度，过量硅酸盐会增加涂层孔隙率，而适当的氧化时间有利于改善耐蚀性。基于上述见解，采用帕累托(Pareto)多目标优化框架设计基线电解液及电参数组合以验证模型的科学性与泛化能力。该方案下制备的涂层兼具高生长效率与优异耐蚀性，膜生长速率达1.8 μm/min，表面孔隙率为5.4%，腐蚀电流密度约为1.3×10−8A/cm2。所提出的融合可解释机器学习与多目标优化的框架为PEO工艺参数开发提供了有效途径，可实现镁合金低能耗高性能PEO涂层的制备，并为相关工程应用提供了通用的数据驱动策略。

研究背景：等离子体电解氧化(Plasma Electrolytic Oxidation, PEO)是在轻合金（尤其是镁合金）表面原位生长陶瓷质氧化膜以提高其在腐蚀、磨损等复杂工况下可靠性的先进表面处理技术。传统PEO工艺中电解液配方与电参数（电流密度、频率、占空比、氧化时间等）高度耦合且呈非线性关系，现有研究多关注单一参数影响，缺乏系统考虑电解液组分与电参数共同作用的报道。依靠经验试错法优化参数耗时费力且难以定量评估参数交互作用，且PEO涂层仍存在耐蚀性待提升及能耗偏高的问题，限制了其工程化应用。为此，研究人员以镁合金PEO为模型体系，引入数据驱动的可解释机器学习(Interpretable Machine Learning)结合多目标优化方法，旨在阐明工艺—性能关联规律并同步实现高膜生长速率（高能效）与低孔隙率、低腐蚀电流密度（高耐蚀）的协同优化。该研究成果发表于《Journal of Magnesium and Alloys》。

主要关键技术方法：研究人员整合文献及课题组已发表镁合金PEO实验数据构建含314条记录的数据集，输入特征涵盖6种电解液组分（Na₃PO₄、Na₂SiO₃、NaAlO₂、KOH、NaOH、KF浓度）及4项电参数（氧化时间oxidation_time、脉冲频率pulse_frequency、占空比duty_cycle、电流密度current_density），目标变量为膜生长速率、表面孔隙率（采用计算机视觉图像分割灰度阈值法统一量化）及lg(i_corr)。数据标准化后按8:2划分训练集与测试集。分别建立支持向量回归(Support Vector Regression, SVR)、多层感知机(Multilayer Perceptron, MLP)与极端梯度提升树(Extreme Gradient Boosting, XGBoost)回归模型，经10折交叉验证网格搜索调参，以决定系数(R²)、平均绝对误差(Mean Absolute Error, MAE)与均方根误差(Root Mean Square Error, RMSE)评价并优选模型。对最优XGBoost模型进行SHAP(SHapley Additive exPlanations)可解释性分析获知各特征对目标的边际贡献。基于训练所得三目标预测模型，在设计空间内拉丁超立方抽样(Latin Hypercube Sampling)生成5000组候选工艺参数，进行多目标帕累托前沿(Pareto Front)非支配排序筛选兼顾高生长效率与低孔隙率、低i_corr的最优参数组合，并按此开展PEO实验验证，采用扫描电子显微镜(Scanning Electron Microscopy, SEM)、高分辨率X射线计算机断层扫描(High-resolution X-ray Computed Tomography, XCT)及动电位极化(Potentiodynamic Polarization, PDP)测试表征涂层微观结构与耐蚀性。

研究结果：

3.1 数据集收集与特征提取(Data collection and feature extraction)：研究人员从文献及自有成果中整理314组镁合金PEO数据，对文献中未明确给出的表面孔隙率采用基于SEM图像的计算机视觉灰度阈值法统一量化补全。输入特征包含6种电解液主盐/添加剂浓度及氧化时间、脉冲频率、占空比、电流密度共10个参数，目标变量为膜生长速率、孔隙率及lg(i_corr)。仅纳入脉冲直流电源条件的镁合金基底数据以保证特征空间一致性。数据集统计分布显示各参数及目标变量覆盖较广范围，满足建模需求。

3.2 模型开发与选择(Model development and selection)：经z-score标准化并划分训练/测试集后，分别训练SVR、MLP与XGBoost模型。结果表明XGBoost在三个预测任务（膜生长速率测试集R²=0.823、孔隙率R²=0.857、lg(i_corr) R²=0.957）上预测精度最高、泛化能力最强，MAE与RMSE均最低，故选定XGBoost为主模型。XGBoost通过梯度提升结合正则化可有效捕捉PEO工艺参数与性能间的强非线性及高阶耦合关系，且便于后续SHAP解释。

3.3 镁合金高性能PEO涂层设计(Design of high-performance PEO coatings on Mg alloys)：基于XGBoost三目标预测模型，扩展特征范围10%定义可行域，拉丁超立方抽样5000候选点并计算预测值，经非支配排序获帕累托最优前沿。选取膜生长速率>1.5 μm/min、孔隙率<10%、i_corr<2.0×10⁻⁷A/cm²的前沿解作为推荐工艺：Na₃PO₄5 g/L、Na₂SiO₃5 g/L、KOH 1 g/L、KF 2 g/L，脉冲频率20000 Hz，占空比20%，电流密度4 A/dm²，氧化时间30 min。

3.4 实验验证(Experimental validation)：按优化参数在GW83镁合金上制备PEO-5512涂层。SEM显示表面微孔均匀分布，实测膜生长速率1.8 μm/min、表面孔隙率5.4%；动电位极化测试得i_corr≈1.3×10⁻⁸A/cm²，较基体降低三个数量级。预测值与实测值吻合良好（膜生长速率预测1.81 vs 实测1.76 μm/min；孔隙率预测5.5% vs 实测5.35%；lg(i_corr)预测−7.96 vs 实测−7.89），证实模型与多目标优化策略的有效性。

讨论部分总结：SHAP分析表明，膜生长速率主导因子为KF浓度（适量F⁻提升电解液导电性与微弧放电频次促进MgF₂及MgO形成加速膜增厚）、电流密度及氧化时间；表面孔隙率主要受Na₂SiO₃浓度（适量硅酸盐密封放电气孔细化孔径，过量致放电剧烈增大孔隙）及氧化时间、占空比调控；腐蚀电流密度最敏感于氧化时间——适中氧化时间使致密内层增厚且外层粗孔被新生氧化物/硅酸盐填充削减连通腐蚀通道，过短或过长均不利。XCT三维表征显示优化涂层总体孔隙率3.7%，以高球形度孤立孔隙(Aspect Ratio, AR＜1.6)为主(约占65%)，连通孔隙(AR＞1.6)较少(约占35%)，孔尺寸多分布于3~6 μm，这种低连通性孔隙结构抑制了电解液渗透并维持较高有效膜体积，是生长效率与耐蚀性同步提升的微结构基础。对比非优化参数制备涂层具更高比例细长连通孔，进一步佐证参数优化对三维孔构型的调控作用。

结论(Conclusions)翻译：本研究提出一种基于可解释机器学习的PEO工艺参数设计策略，通过融合计算机视觉孔隙量化、多目标优化及SHAP分析，阐明了工艺参数与涂层生长、表面孔隙及腐蚀性能的内在关联与显性趋势，成功设计并制备综合性能优异的PEO涂层。(1) 建立了包含数据集构建、多模型比对、SHAP解释、多目标优化及实验验证的可解释机器学习(ML)工作流，XGBoost模型预测膜生长速率、表面孔隙率及腐蚀电流密度精度优于SVR与MLP，可可靠建模并快速筛选PEO工艺参数。(2) SHAP分析揭示：氟化物浓度、电流密度与氧化时间主要控制膜生长速率；硅酸盐浓度、氧化时间与占空比强烈影响表面孔隙率；腐蚀电流密度对氧化时间最敏感，明确了PEO参数与涂层性能的非线性耦合关系。(3) 多目标帕累托优化确定兼顾高膜生长速率与低孔隙率、低腐蚀电流密度的优化工艺组合为Na₂SiO₃5 g/L、Na₃PO₄5 g/L、KOH 1 g/L、KF 2 g/L，电流密度4 A/dm²、占空比20%、脉冲频率20 kHz、氧化时间30 min。实验制备PEO-5512涂层膜生长速率约1.8 μm/min、表面孔隙率约5.4%、腐蚀电流密度约1.3×10⁻⁸A/cm²，与模型预测相符，验证了设计策略。(4) 三维XCT显示优化涂层以高球形度孤立孔隙为主、连通孔隙占比低；该孔结构在维持高有效膜体积与低开放表面孔隙率的同时强力抑制电解液向基体渗透，构成生长效率与耐蚀性协同提升的微结构基础。