Прогнозирование микротвердости и прочности на растяжение в микроволновой спечённой ZrC-армированной гибридной композитной системе AA7075/SiC на основе данных с использованием машинного обучения

Почему важны более прочные лёгкие металлы

Самолёты, электрические автомобили и ветровые турбины требуют деталей, которые одновременно лёгкие и достаточно прочные, чтобы выдерживать годы нагрузок. Алюминиевые сплавы — популярный выбор, но инженерам нужно сделать их ещё твёрже и прочнее без увеличения массы и без месяцов проб и ошибок. В этом исследовании показано, как смешение алюминия с керамическими наночастицами и использование искусственного интеллекта помогает предсказывать и тонко настраивать эти свойства гораздо эффективнее.

Создание более умного рецепта металла

Исследователи работали с высокопрочным алюминиевым сплавом AA7075 и добавляли два типа керамических частиц: карбид кремния (SiC) и карбид циркония (ZrC). Эти частицы действуют как заполнители в бетоне, помогая мягкому металлу нести большую нагрузку и сопротивляться износу. Вместо плавления всей смеси команда использовала порошковый путь: смешивали металлические и керамические порошки, прессовали их в небольшие таблетки при разных давлениях, а затем нагревали в микроволновой печи. Тщательно варьируя доли SiC и ZrC, давление прессования и время и температуру нагрева, они получили 172 разных образца и измерили их твердость и прочность на растяжение.

Что показывает микроскоп

Микроскопические изображения показали, что критично важно, как частицы распределяются в алюминии. При умеренных концентрациях SiC и ZrC и хорошей дисперсии частицы равномерно распределяются и плотно сцепляются с металлом. Это препятствует движению дефектов внутри металла, уменьшает размер зерна и передаёт нагрузку от мягкого алюминия к твёрдым частицам, что в сумме улучшает твёрдость и прочность. Но при слишком большом содержании ZrC частицы начинают слипаться, образуя поры и слабые участки в микроструктуре. Эти скопления ведут себя как микро-трещины, готовые к росту, поэтому прочность и пластичность падают, несмотря на увеличение доли твёрдой фазы.

Как параметры обработки влияют на прочность

Исследование также показало, как условия обработки формируют свойства. Более высокие давления уплотнения плотнее сжимали порошок, уменьшая пустоты и давая микроволновому нагреву лучший старт — это повышало и прочность, и твёрдость. Правильные температура и время выдержки способствовали спеканию и прочному соединению частиц с металлом, но чрезмерный нагрев или длительная выдержка приводили к росту зерна и ослаблению интерфейсов, что снижало достигнутые улучшения. Содержание SiC заметно повышало твёрдость и прочность до некоторого оптимума, тогда как умеренные добавки ZrC улучшали стабильность и смачивание; при концентрациях ZrC порядка трёх–четырёх процентов и выше начальное слипание частиц начинало ухудшать свойства. Эти закономерности подтверждают, что существует оптимальная точка, где состав и обработка сочетаются для достижения наилучших показателей.

Обучение машин предсказывать поведение металла

Чтобы не повторять долгие экспериментальные кампании при каждой новой рецептуре, авторы обучили несколько моделей машинного обучения предсказывать твердость и прочность на растяжение по настройкам обработки и содержанию частиц. Они использовали методы, такие как нейронные сети, случайные леса, бустинг деревьев, опорные векторы и методы ближайших соседей, и проверяли их с помощью строгой сквозной (cross-validation) валидации, чтобы избежать простого запоминания данных. Лучшие модели, особенно нейронная сеть и подход с бустингом деревьев, смогли предсказывать прочность и микротвердость с точностью выше 95 процентов. no менее важно, команда анализировала вклад входных параметров в прогнозы и обнаружила, что наиболее влиятельные факторы совпадали с тем, что подсказывает металлургия: давление уплотнения и соотношение армирующих частиц доминировали для прочности, тогда как содержание SiC и параметры нагрева были наиболее критичны для твёрдости.

Что это значит для будущих материалов

Для неспециалистов ключевое послание в том, что компьютеры теперь могут помогать проектировать более лёгкие и прочные алюминиевые композиты, обучаясь на тщательно спланированном наборе экспериментов. Вместо изготовления и испытаний сотен дополнительных образцов инженеры могут использовать эти обученные модели для исследования виртуальных рецептов, отсеивания наиболее перспективных сочетаний содержания частиц и условий обработки и затем подтверждать в лаборатории лишь лучшие из них. Связывая машинное обучение с тем, что видно под микроскопом, работа показывает, что эти прогнозы — не просто числовые трюки, а отражение реального физического поведения внутри металла. Такое сочетание данных и материаловедения может ускорить появление более эффективных и долговечных компонентов для авиации, автомобильной промышленности и энергетики.

Цитирование: Srinath, E., Venkateswara Reddy, K., Manohar, G. et al. Data-driven prediction of microhardness and tensile strength in microwave-sintered ZrC reinforced AA7075/SiC hybrid composites using machine learning. Sci Rep 16, 15971 (2026). https://doi.org/10.1038/s41598-026-46609-4

Ключевые слова: алюминиевые композиты, микроволновое спекание, машинное обучение, прочность на растяжение, микротвердость