一种基于电化学机理-数据融合驱动的镁合金耐蚀性能闭环逆向设计方法

本发明属于镁合金材料智能设计与腐蚀防护，具体涉及一种基于电化学机理-数据融合驱动的镁合金耐蚀性能闭环逆向设计方法，特别是一种通过引入第二相与基体电位差等电化学机理参数作为物理先验、构建“成分/工艺→微观组织→电化学参数→腐蚀速率”链式可解释预测模型、并以目标腐蚀速率为约束实现耐蚀合金成分逆向设计及实验反馈闭环迭代的方法。

背景技术：

1、轻量化结构升级是高端装备制造领域的核心发展趋势，镁合金凭借独特的轻质结构特性，成为替代传统钢铝材料、实现构件减重增效的关键候选材料。但镁基体自身电化学活性极强，钝化膜致密性与稳定性不足，在含氯介质、干湿交替等复杂服役环境中极易触发持续性电化学腐蚀，导致结构件失效、服役可靠性下降，极大限制了镁合金在车载结构件、航空承载部件、轨道装备及精密电子器件中的规模化落地应用。如何精准预判镁合金腐蚀行为、高效迭代优化耐蚀合金体系，是当前轻质合金腐蚀防护与智能化材料研发领域亟待突破的关键难题。

2、镁合金宏观腐蚀行为取决于微观组织与腐蚀介质的电化学耦合作用，第二相与α-mg 基体的电位差是微电偶腐蚀的核心诱因，同时受合金成分、热处理工艺、腐蚀工况等多因素非线性调控，腐蚀机制呈现典型的多尺度、强耦合特征。传统研发依赖单变量调试与实验试错，难以建立成分、工艺、微观组织、电化学响应与宏观耐蚀性能的定量关联。常规腐蚀评价手段中，物理测试周期长、成本高、筛选效率低，经验及半经验模型无法表征多因素耦合腐蚀规律，预测精度与通用性不足，难以满足高性能耐蚀镁合金快速迭代开发的需求。

3、机器学习方法虽有效提升了腐蚀性能预测效率，但现有纯数据驱动模型存在明显技术缺陷。此类模型仅基于成分与工艺数据构建黑箱映射，未引入电位差、交换电流密度等核心电化学机理特征，物理先验缺失，预测可解释性差、小样本泛化能力弱，且缺少微观组织与电化学参数的中间建模环节，无法实现腐蚀机理全链条溯源。同时现有技术仅支持正向性能预测，缺失基于目标耐蚀指标的成分工艺逆向设计能力，模型也无法依托实验数据闭环迭代更新，机理知识与数据建模相互割裂。现阶段业内尚无机理与数据深度融合、具备多尺度链式预测、耐蚀成分逆向优化及实验闭环迭代的一体化研发方案，该领域存在关键技术空白。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于电化学机理-数据融合驱动的镁合金耐蚀性能闭环逆向设计方法，通过将电化学机理参数作为物理先验贯穿建模全过程、构建多尺度链式可解释预测模型、采用shap分析识别关键影响因子、以目标腐蚀速率为约束实现耐蚀合金成分的逆向设计、并通过加速腐蚀实验形成闭环迭代，从而缩短耐蚀镁合金的研发周期、降低实验成本。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于电化学机理-数据融合驱动的镁合金耐蚀性能闭环逆向设计方法，其总体流程如图1所示，包括以下步骤：

4、s1、多源腐蚀数据采集与标准化数据库构建

5、从文献、专利公开数据和实验室数据中采集镁合金腐蚀数据，所述数据至少包括：合金成分（主元素和微量元素含量）、热处理状态（固溶温度、固溶时间、时效温度、时效时间）、腐蚀介质（nacl浓度、ph值、温度）、腐蚀速率（mm/year）、腐蚀电位（v vs. sce）、腐蚀电流密度（μa/cm²）；对采集数据进行数据清洗、单位统一、缺失值处理和异常值剔除，构建结构化腐蚀数据库。

6、s2、第二相信息提取与电化学机理参数计算

7、对数据库中各样本，基于合金成分和热处理状态，通过热力学计算软件或文献数据确定第二相类型与体积分数；基于混合电位理论计算各第二相与α-mg基体的电化学电位差δe，以及第二相与基体的面积比、交换电流密度等电化学机理参数；将上述电化学参数作为物理先验特征与原始成分和工艺特征拼接，形成增强特征向量。第二相与基体电位差的确定方法及其特征化过程如图2所示。

8、s3、构建电化学机理-数据融合的链式可解释预测模型

9、采用链式建模策略，构建“成分/工艺→微观组织→电化学参数→腐蚀速率”的多尺度预测模型；其中，第一级模型以成分和工艺为输入、以第二相类型与体积分数为输出；第二级模型以第二相信息为输入、以电位差和腐蚀电流密度等电化学参数为输出；第三级模型以电化学参数和腐蚀介质条件为输入、以腐蚀速率为输出；各级模型可采用随机森林、xgboost或深度神经网络等算法实现。

10、s4、基于shap的特征重要性分析与机理归因

11、采用shap方法对训练完成的腐蚀速率预测模型进行特征重要性分解，定量评估各合金元素、工艺参数和电化学机理参数对腐蚀速率的贡献度及影响方向，识别影响耐蚀性能的关键因子，实现预测结果的物理可解释归因。

12、s5、以目标腐蚀速率为约束的耐蚀成分闭环逆向设计

13、以目标腐蚀速率为约束条件，以材料成本或力学性能为优化目标，采用多目标优化算法在合金成分空间中搜索满足耐蚀性要求的候选合金配方；优化变量为各合金元素含量范围，约束条件包括腐蚀速率上限、力学性能下限和成分范围约束；逆向设计得到的pareto前沿如图3所示。

14、s6、加速腐蚀实验验证与闭环迭代更新

15、设计短周期加速腐蚀实验对逆向设计推荐的合金配方进行验证，将实验测得的腐蚀速率和电化学参数反馈至数据库，对预测模型进行增量更新或重新训练，形成机理建模—数据预测—逆向设计—实验验证—反馈更新的闭环迭代。

16、优选地，步骤s1中所述腐蚀介质为3.5 wt.% nacl溶液，ph值为7~12，温度为25~60℃；所述腐蚀速率通过失重法或电化学方法测定。

17、优选地，步骤s2中所述电化学电位差δe基于混合电位理论计算，满足式（1）：

18、δ

e=

esecond−

ematrix                （1）

19、其中，

esecond为第二相的自腐蚀电位，

ematrix为α-mg基体的自腐蚀电位；当δe>0时，第二相作为阴极加速基体腐蚀；当δe<0时，第二相作为阳极优先溶解。

20、优选地，步骤s2中所述第二相类型至少包括mg17al12、al8mn5、mg2ca、mgzn2、mg2si、mg12zn2中的一种或多种。

21、优选地，步骤s3中所述多尺度链式预测模型的第三级模型采用xgboost算法，输入特征包括电化学参数、腐蚀介质条件和合金成分特征，输出为腐蚀速率。

22、优选地，步骤s4中所述shap方法计算各特征对腐蚀速率预测结果的shapley值，并通过汇总图展示所有特征的影响方向与大小排序；所述关键因子至少包括第二相与基体电位差、al含量、zn含量和时效温度。

23、优选地，步骤s5中所述逆向设计采用nsga-ii多目标优化算法，优化目标为最小化腐蚀速率和最大化抗拉强度，约束条件为合金元素含量范围和总成本上限。

24、优选地，步骤s6中所述加速腐蚀实验采用盐雾试验或动电位极化测试，单次实验周期为24~72 h。

25、与现有技术相比，本发明通过将第二相与基体电位差、交换电流密度等电化学机理参数作为物理先验贯穿建模全过程，实现了电化学机理知识与数据驱动模型的深度融合，增强了模型对镁合金微电偶腐蚀机理的表征能力，提升了小样本条件下的预测精度和物理可解释性；通过构建“成分/工艺→微观组织→电化学参数→腐蚀速率”的多尺度链式可解释预测模型，实现了腐蚀机理的全链条可追溯，克服了现有黑箱模型无法解释预测结果物理成因的不足；通过shap方法对腐蚀速率预测结果进行特征重要性分解，可定量识别影响耐蚀性能的关键元素和工艺参数，为合金成分优化提供明确的物理指导；通过以目标腐蚀速率为约束的逆向设计方法，直接输出满足耐蚀性要求的候选合金配方，实现从性能评估到按需设计的跨越，相比传统试错法大幅缩短研发周期；通过加速腐蚀实验与模型迭代更新机制，形成“机理建模—数据预测—逆向设计—实验验证—反馈更新”的闭环，使模型随实验数据积累持续提升预测精度和适用范围。