基于机器学习的石墨冲击性能相关性研究：从小尺寸试样到标准试样的核结构材料评估

为什么小金属样本很重要

在工程师检查核电站安全性时，常常需要在不切除大量材料的情况下了解钢构件的真实韧性。这在反应堆容器的厚钢壁上尤其如此，那里的材料有限、放射性高且难以获取。本研究展示了现代机器学习如何将微小金属样本的测试结果转化为对全尺寸构件行为的可靠估计，既有助于延长反应堆寿命，又能保持明确的安全裕度。

我们通常如何破坏钢材

工程师常用Charpy冲击试验来判断金属在断裂前能吸收多少能量。将带缺口的小钢条由摆锤击中，摆幅损失的能量反映了样品的韧性。对不同温度重复试验会绘出一条S形曲线，包含三个区域：低能量的脆性区、高能量的延性区和中间陡峭的转变区。从这条曲线中可以得到两个关键数值：上滞能（upper shelf energy），表示材料在延性断裂时能吸收的能量；以及延性—脆性转变温度，标示材料从脆性断裂转向延性断裂的温度。

为什么小试样的结果更难解读

在许多核相关应用中，只能获得小块钢材，因此工程师使用缩小尺寸的Charpy试样。这些微小试样的破裂方式并不完全等同于全尺寸试样。它们的几何形状改变了缺口处的应力分布以及断裂面的脆性与延性混合比例。因此，它们通常吸收的能量更少，并且可能在不同温度下表现得比原材料更脆或更韧。多年来，研究者提出了许多将小试样结果转换为全尺寸等效值的数学规则，使用简单的尺度法则或经验公式。然而，这些规则常常仅对特定钢种、热处理或试样形状有效，难以捕捉真实数据的全部复杂性。

让数据来教会转换方法

作者构建了一个数据驱动的框架，使转换关系从测量数据本身中显现。首先，他们收集了一个包含4800多次Charpy试验的大型开放数据集，然后聚焦于389对配对试验，这些试验在相同条件下对相同的SA533B钢进行了小尺寸和全尺寸试样测试。对于每一对，他们对小试样的温度数据进行数学平移，使转变点与全尺寸试样对齐，并对能量差进行重新缩放，使整体曲线高度匹配。这些被变换后的数据点定义了全尺寸响应的目标形状，同时保留了实验中的自然离散。随后训练一个机器学习模型，学习从所有已知输入（包括成分、热处理、辐照历史、几何参数以及小试样的单点测试）到被变换的全尺寸温度与能量之间的映射关系。

机器学习对曲线的拟合效果如何

模型训练完成后，可以仅根据一组小尺寸样本的测量值预测出全尺寸冲击曲线，而无需见过实际的全尺寸试验数据。研究人员随后在这些预测点上拟合一条平滑的S形曲线，以提取对应的上滞能和转变温度。与传统公式相比，表现最佳的机器学习模型（尤其是梯度提升树）与测量的全尺寸值更加接近。它们对上滞能的决定系数约为0.94，对转变温度约为0.89，明显优于最佳解析方法。团队还使用了现代可解释性工具，显示哪些输入最为重要：测得的小试样能量与温度、试样尺寸以及某些合金元素是影响最大的因素之一。

加入置信度的衡量

鉴于安全决策不仅依赖单一数值，还需了解其不确定性，作者进一步量化了预测的置信度。他们将曲线拟合的统计信息与部分机器学习模型的不确定性估计结合起来，为关键性质构建了置信区间与预测区间。在许多情况下，基于机器学习的关联值落在与真实全尺寸测量相同的不确定性带内，这表明该新方法既能提供准确又能提供谨慎的估计。

这对现实世界安全意味着什么

对于非专业读者，主要结论是：经过精心训练的机器学习模型可以作为微小金属样本测试与全尺寸核部件行为之间的“翻译器”。通过捕捉跨多种钢材、处理工艺和辐照条件的模式，这种方法可以更好地利用稀缺或高辐照材料，支持对反应堆容器的长期监测，并在仅有微型试验的情况下助力新合金设计。该框架仍需在更多材料上验证，但它指向了一个数据驱动工具能够在仅有小样本时也使结构安全评估更可靠的未来。

引用: Sreenivasulu, Y.K., Lee, I., Merickel, J.W. et al. Machine learning-based correlation of charpy impact properties between sub-sized and standard-sized specimens for nuclear structural materials. Sci Rep 16, 16202 (2026). https://doi.org/10.1038/s41598-026-47605-4

关键词: Charpy冲击试验, 机器学习, 核材料, 断裂韧性, 小尺寸试样