基于机器学习获得微弧氧化耐烧蚀涂层最优参数的方法

摘要: 本发明涉及高温热防护涂层材料制备。背景技术:1、高超声速飞行器的热防护是一个复杂的问题,涉及弹道、空气动力学、结构、隔热、热传导、热辐射等一系列学科,但目前最大...
基于机器学习获得微弧氧化耐烧蚀涂层最优参数的方法

本发明涉及高温热防护涂层材料制备。

背景技术:

1、高超声速飞行器的热防护是一个复杂的问题,涉及弹道、空气动力学、结构、隔热、热传导、热辐射等一系列学科,但目前最大的瓶颈是热防护材料。铌合金由于其熔点高、密度适中、力学性能优异,一直被视为航空航天领域1600℃以上极具发展前景的高温结构材料。然而,铌合金在600℃以上的温度下抗氧化性能较差,容易形成无保护的多孔氧化物。目前提高铌合金高温抗氧化性能最有效的途径是高温熔渗硅化物涂层(主要成分为nbsi2),但其在高温下形成的氧化物层不稳定、与基体热膨胀失配导致耐烧蚀性能差,涂层过早失效。因此,单一渗硅铌合金已不能满足其他更高温下的苛刻服役需求,制备多层复合涂层是理想的解决方法。

2、然而,微弧氧化技术的最终涂层质量高度依赖于制备工艺参数的选取,工艺参数维度多,包括微弧氧化施加电压、微弧处理时间、纳米粒子粒径和纳米粒子浓度,各参数之间相互耦合,关系复杂,共同决定了粒子沉积前的迁移速度与熔融温度,最终影响涂层的厚度与烧蚀率。

3、目前,针对此类的多元复合涂层微弧氧化工艺参数的确定,主要有以下途径:

4、1、依赖经验积累的人工试错法。操作人员凭借过往经验设定工艺参数,通过反复制备、测试、调整参数的方式逐步逼近满足要求的工艺窗口,该方式严重依赖个人经验,试错周期长、成本高,且难以保证获得真正最优的工艺参数组合,最终得到的工艺参数组合准确性差,尤其当涂层性能要求向耐高温、长寿命方向提升时,经验法越来越难以满足工程需求。

5、2、依赖已公开专利中的具体工艺参数。如cn114807709b设计稀贵金属铌合金梯度材料,cn114164428a通过喷涂及氧化工艺制备多层梯度涂层。然而,此类专利主要关注材料体系与涂层结构的改进,所公开的工艺参数仅适用于其特定的设备与材料体系,当基体成分、电解液配方或设备参数变化时,无法直接迁移使用,仍需重新进行大量工艺探索实验。

6、综上所述,现有确定渗硅铌合金微弧氧化耐烧蚀涂层最优工艺参数的技术,无法在同时保证厚度均匀与低烧蚀率下,高效、准确获得最优的工艺参数组合。

技术实现思路

1、本发明的目的是为了解决现有确定渗硅铌合金微弧氧化耐烧蚀涂层最优工艺参数的技术,存在效率低、准确定差的问题,提出了基于机器学习获得微弧氧化耐烧蚀涂层最优参数的方法。

2、基于机器学习获得微弧氧化耐烧蚀涂层最优参数的方法,所述方法包括:

3、步骤1、构建数据集:获取制备 n 种不同的渗硅铌合金微弧氧化涂层所采用的 n个不同的历史数据集合,每个历史数据集合均包括作为输入数据的多种工艺参数、以及作为输出数据的氧化层厚度和质量烧蚀率;

4、步骤2、利用每个历史数据集合训练高斯过程回归模型,获得训练好的高斯过程回归模型的超参数,结合每个历史数据集合中的输出数据,计算该历史数据集合所对应的5维数据,包括厚度均值、烧蚀率均值、厚度方差、烧蚀率方差和厚度与烧蚀率的相关性;

5、步骤3、将每个历史数据集合的输入数据作为概率耦合代理模型的输入数据,将该历史数据集合所对应的5维数据,作为耦合代理模型的输出数据,训练耦合代理模型,获得训练好的耦合代理模型;

6、步骤4、获取多种工艺参数的所有历史值,从每种工艺参数的所有历史值中选取最大值和最小值,组成对应工艺参数的历史搜索范围,从多种工艺参数的历史搜索范围内各随机抽取1个值,合成1个候选输入数据,共获取多个候选输入数据;

7、步骤5、将每个候选输入数据输入至训练好的耦合代理模型,预测出对应的厚度均值、烧蚀率均值、厚度方差、烧蚀率方差和厚度与烧蚀率协方差;

8、步骤6、根据步骤5的预测结果计算每个候选输入数据的超体积贡献度,从中选中最大超体积贡献度所对应的候选输入数据,作为最优工艺参数组合。

9、优选地,步骤6具体为:

10、步骤61、根据每个候选输入数据所对应的厚度均值、烧蚀率均值、厚度方差、烧蚀率方差和厚度与烧蚀率协方差,计算超体积期望改进准则值,从中选中最大超体积期望改进准则值所对应的候选输入数据,作为待训练的工艺参数组合;

11、步骤62、判断最大超体积期望改进准则值是否满足预设的迭代终止条件,如果是,从多个候选输入数据集中挑选出满足预设非支配条件的候选输入数据,组成非支配解集,计算非支配解集中每个候选输入数据的超体积贡献度,从中选中最大超体积贡献度所对应的候选输入数据,作为最优工艺参数组合,如果否,执行步骤63;

12、步骤63、按照待训练的工艺参数组合,通过微弧氧化纳米粒子反应沉积技术制备渗硅铌合金涂层,实测该涂层的氧化层厚度和涂层质量烧蚀率;

13、步骤64、将待训练的工艺参数组合及其实测获得的氧化层厚度和涂层质量烧蚀率作为一个候选数据集合,分别添加至步骤2的n个输入数据和输出数据中,构成扩增后的训练数据集合;

14、步骤65、基于所述扩增后的训练数据集合,重新执行步骤2至步骤5,获得扩增后的训练数据集合中每个候选输入数据所对应的厚度均值、烧蚀率均值、厚度方差、烧蚀率方差和厚度与烧蚀率协方差,执行步骤61。

15、优选地,从多个候选输入数据集中挑选出满足预设非支配条件的候选输入数据,组成非支配解集,具体为:

16、将每两个候选输入数据的厚度均值和烧蚀率均值进行依次比较,筛选出满足预设非支配条件的候选输入数据,组成非支配解集。

17、优选地,预设非支配条件为:

18、若候选输入数据 a 的厚度均值大于候选输入数据 b 的厚度均值,且候选输入数据 a 的烧蚀率均值大于候选输入数据 b 的烧蚀率均值;或者,候选输入数据 a 的厚度均值小于候选输入数据 b 的厚度均值,且候选输入数据 a 的烧蚀率均值小于候选输入数据b 的烧蚀率均值,则候选输入数据 a 和候选输入数据 b 互不支配,均为非支配解。

19、优选地,迭代终止条件为:

20、超体积期望改进准则最大值低于预设阈值。

21、优选地,步骤2中,计算厚度均值、烧蚀率均值、厚度方差、烧蚀率方差和厚度与烧蚀率协方差,具体过程为:

22、步骤21、采用最大化多输出对数边缘似然函数求解出高斯过程回归模型的超参数;

23、步骤22、根据超参数,结合每个历史数据集合中的氧化层厚度及涂层质量烧蚀率,利用高斯过程后验解析公式,计算出每个历史数据集合的计算厚度均值、烧蚀率均值、厚度方差、烧蚀率方差和厚度与烧蚀率协方差。

24、优选地,通过微弧氧化纳米粒子反应沉积技术制备渗硅铌合金涂层包括制备zrc-zro2-sio2多组元涂层。

25、优选地,制备zrc-zro2-sio2多组元涂层包括:

26、步骤631、以si粉为原料、以nh4f和al2o3为助渗剂混合得到高温反应扩渗剂,采用高温反应熔渗法在铌合金表面制备nbsi2陶瓷涂层,得到渗硅改性的铌合金基体材料;

27、步骤632、根据待输入的工艺参数组合,设定施加电压、处理时间、zrc粒子浓度和粒径;

28、步骤633、将naoh、(napo3)6和na2sio3溶于去离子水中,并同时添加设定浓度和粒子的表面呈负电性的zrc改性粉体,超声分散预设时间,得到zrc改性微弧氧化复合沉积液;

29、步骤634、控制所述复合沉积液温度为60~90℃,形成利于纳米粒子反应沉积的稳态低能环境,在高频脉冲电压下以带有nbsi2陶瓷涂层的铌合金基体为阳极,在设定的工艺参数下进行微弧氧化处理,在等离子体辅助作用下将zrc纳米粉体沉积在nbsi2陶瓷涂层表面,并同时将部分zrc粉体转化为zro2,在基体上形成zrc-zro2-sio2多组元涂层。

30、优选地,获取每种涂层的氧化层厚度,具体为:

31、采用扫描电子显微镜观察涂层的截面形貌,测量其在烧蚀后形成的氧化层厚度。

32、优选地,获取每种涂层的质量烧蚀率,具体为:

33、采用高精天平对烧蚀后涂层的质量进行测试,获得涂层烧蚀后的质量烧蚀率。

34、本发明的有益效果是:

35、在仅需少量历史数据的条件下即可建立高精度的多输出高斯过程回归模型和代理模型,并预测出均值和预测不确定性(方差),大幅减少对实物实验的依赖,其中,预测值包括厚度与烧蚀率的相关性,所以,能够准确得到厚度与烧蚀率的关系;

36、挑选最大超体积贡献度对应的工艺参数组合,该挑选出的参数组合是厚度与烧蚀率综合价值最高的工艺参数组合,与现有技术相比,生成最优工艺参数组合的效率高、准确,且厚度与烧蚀率综合价值最高。所以,本发明以多输出高斯过程代理模型和代理模型输出的预测均值为导向、预测方差为不确定性度量、输出厚度与烧蚀率的关系表征目标间相关结构,通过最大超体积贡献度从搜索空间中挑选出最优的工艺参数组合,平衡了涂层厚度最大化与涂层质量烧蚀率最小化两个竞争目标,避免独立优化导致的目标间冲突放大。

37、本发明建立了闭环迭代自增强学习机制:建立了实验数据补充—耦合代理模型更新—最优组合参数更新的闭环迭代流程,不仅使模型预测精度随数据积累持续提升,也有效抵抗工艺漂移,保障涂层性能的一致性。

38、本发明适应超高温烧蚀环境:按照获得最优参数组合,通过渗硅预处理和微弧氧化纳米粒子反应沉积,在铌合金表面形成了致密的nbsi2/zrc-zro2-sio2复合涂层,能够在2000℃高温氧乙炔烧蚀240s条件下保持结构完整,满足了高超声速飞行器热端部件的严苛使用要求。