何兴群1,2,3,付华栋,1,2,3,张洪涛1,2,3,方继恒4,谢明4,谢建新,1,2,3

电接触材料是各类仪表、机电设备、控制系统、导电换向片等的关键材料[1,2],不仅是电能和电讯号的载流体[3],使役时还需要承担一定的接触载荷,对该类材料导电性能和力学性能均提出了较高的要求。其中,银基电接触材料作为应用最为广泛的一类电接触材料,具有优良的导电性、导热性、抗熔焊性、耐电磨损性和抗电弧侵蚀等[4~6]。铸造法制备的银合金电接触材料(以下简称银合金电接触材料)的导电性能优异,制备工艺简单,容易规模化生产,但其强度不足、抗电弧侵蚀能力偏低,限制了该类合金的广泛应用。通过成分优化设计,在确保导电率基本不损失的前提下,提升银合金电接触材料的强度等性能是拓宽该类合金应用的有效途径。然而,银合金优化成分设计难度较大,通常严重依赖研究者的经验和领域知识,且银合金为贵金属,实验“试错”成本较高。

近年来,机器学习辅助材料设计的研究取得了较大进展,在合金成分优化设计[7~9]、工艺优化[10]、组织结构和相的预测[11,12]等方面表现出很好的应用效果,减少了“试错”的次数,提高了研发效率。本课题组前期的研究中,基于逆向设计思路,建立了面向性能要求的高性能铜合金设计策略[13]；采用机器学习方法分析关键合金因子对合金性能的影响,发现了可同时提升强度和导电性能的Cu-In新合金[14]。已有的研究结果表明,机器学习在材料性能的优化设计中显示出较大的优势[15~17],采用基于效能函数[15]、遗传算法寻优[17]等搜索策略可显著提高搜索速率,加速合金性能优化。

因此,本工作通过筛选文献中的银合金电接触材料的成分-性能数据,采用机器学习方法识别出影响银合金电接触材料的导电率和硬度的关键合金因子,进行预测模型的回归建模,采用遗传算法对合金导电率和硬度预测模型进行双目标优化,在目标成分空间搜寻可实现导电率和硬度性能最优组合的成分设计方案,然后选择其中的典型成分设计方案进行实验验证,分析预测模型的可靠性和优化效果。本工作研究结果可为银合金电接触材料等合金性能优化设计提供参考。

1研究方法

1.1成分设计策略

采用机器学习和遗传算法对银合金电接触材料进行双目标性能快速综合优化,实现成分快速设计,具体思路如图1所示。首先,收集并建立银合金电接触材料的成分-性能数据集,通过特征筛选获得影响合金性能的关键合金因子；然后,以关键合金因子为输入,采用回归算法建立性能预测机器学习模型；采用遗传算法对建立的预测模型进行性能优化,筛选可获得最优综合性能的合金成分设计方案；最后,对成分设计结果进行实验验证,获得性能优异的银合金电接触材料。

图1

图1机器学习辅助银合金成分设计策略

Fig.1Strategy of silver alloy composition design aided by machine-learning (ML) (gis the performance to be predicted andf(x) is its corresponding model in step III. EC and HV in step IV represent the electrical conductivity and Vickers hardness of the alloys, respectively)

1.2基于机器学习的合金快速设计方法

为了提高合金设计效率,将机器学习性能预测和遗传算法快速性能综合优化相结合,实现最优综合性能成分的快速筛选。

首先,本工作收集了来自文献[18~23]的32组银合金电接触材料数据。这些合金的制备工艺和最终状态基本一致,合金元素成分范围如表1所示。其中,二元合金占大多数,少数为三元和四元合金。

表1数据集的空间分布范围

Table 1Distribution range of sample dataset

新窗口打开|下载CSV

表3硬度模型关键合金因子筛选结果

Table 3Searching results of key alloy factor characteristics for hardness model

新窗口打开|下载CSV

与前期研究固溶强化型铜合金[14]筛选的关键合金因子相比,本工作银合金电接触材料筛选出的关键合金因子种类和数量不同。其主要原因是本工作的样本数据只有少部分为固溶强化合金,大部分为共晶合金。例如,Ag-Cu-Ni合金体系中,富Ni相优先析出形成树枝晶,达到共晶温度后,剩余的Cu与Ag结合形成复杂层状共晶组织[31,32]。复杂共晶组织对合金强度和导电率的影响机制比固溶型合金更加复杂,导致筛选出的关键合金因子类型和数量不同。

对穷举后得到的关键合金因子进行分析,有助于理解成分影响性能的主要机制。对于导电率模型,由表2可知,对模型精度起关键作用的合金因子是各元素第三电离能平均值、族序号平均值、质量衰减系数方差、化学势能方差。物理学的基础理论表明,影响导电率的主要因素为合金中自由电子的数目和电子散射作用[33],而电离能反映了原子失去电子的难易程度,电离能越大,原子越难失去电子[34,35]。元素所在的族号与其最外层电子数目有关,而最外层电子数与自由电子数目密切相关,由此可知元素所在的族号对合金的导电性能具有影响；质量衰减系数与光子能量和物质密度密切相关,在相同的光子能量下随着原子序数的增加而增加[36],故其在一定程度上也能侧面反映产生自由电子数目的能力。因此,电离能、族序号和质量衰减系数在一定程度上反映了材料中有效自由电子的数目。化学势能在一定程度上反映了合金元素的合金化能力,主要反映了合金化元素形成的电子散射影响。

由表3可知,对硬度模型精度起关键作用的合金因子是各元素电子亲和能方差、s轨道价电子方差、价电子距离方差、原子体积方差、价电子数(VEC,包含s、p、d和f轨道)方差。银合金的强度主要受所添加元素的种类、形成化合物的能力和基体中固溶元素的含量等因素决定。银合金的固溶度主要受到溶质原子的价态、添加溶质导致的晶格畸变、电子浓度和环境温度共同影响[37]。所筛选出来的关键合金因子中,原子体积差异度是引起晶格畸变的主要因素,原子体积方差反映了添加元素对基体晶格畸变的影响。电子亲和能、s轨道价电子数、价电子数与溶质原子的价态具有较强的相关性。元素的电子亲和能反映了元素的原子得失电子的难易程度,也是与原子价态和电子浓度相关的物理量。本工作用机器学习筛选的相关结果与Zhan等[34]用密度泛函理论分析得到的结果基本吻合。

2.2机器学习模型的建立与表现

基于以上关键合金因子筛选的结果,采用与关键合金因子筛选相一致的学习器——SVM算法进行回归建模,导电率和硬度的建模结果如图5所示。可知,对于导电率预测模型,其训练集的RMSE为2.95%IACS,R为0.996,MAPE为2.72%；测试集的RMSE为2.62%IACS,R为0.998,MAPE为6.79%；对于合金硬度预测模型,其训练集RMSE为5.45 HV,R为0.966,MAPE为4.94%；测试集RMSE为5.25 HV,R为0.964,MAPE为6.55%。以上结果表明,本工作所采用的模型训练效果较好,误差均较小,预测可靠性较好。

图5

图5采用支持向量机建立的机器学习预测模型结果

Fig.5Machine learning prediction model results based on support vector machine for EC model (a) and hardness model (b) (RMSE—root mean square error,R—correlation coefficient)

对测试集和训练集的误差进行比较,其误差水平相当,未产生明显的过拟合现象。通过散点图也可以发现,大部分的数据点均落在对角线附近,偏差较小。测试集和训练集的误差水平相当也说明训练集筛选出的关键合金因子对测试集仍适用。上述建模的分析结果表明,导电率预测模型和硬度预测模型的精度较高,这为高性能合金设计奠定了良好基础。

2.3合金性能的实验验证与结果分析

以Cu、Ni和Ce 3个元素作为添加元素,选取各元素搜索范围(质量分数)为Cu：0~30%、Ni：0~2%、Ce：0~0.4%,各个元素均以0.01% (质量分数)的间距建立成分空间,进行性能预测和优化筛选。在优化后得到的结果中选择导电率和硬度均相对较高的设计进行与实际生产相同条件的实验验证,验证预测模型的准确性,并分析优化的效果。以Ag-Cu-Ni和Ag-Cu-Ni-Ce合金作为验证合金,其成分如表4所示。对比实测成分结果可知,除稀土Ce元素因易烧损实际含量与目标值相差较大外,其他元素的相对偏差均较小,符合所验证合金的成分要求。合金的导电率和硬度预测值与实测值比较如表5所示。可以看出,合金性能的实测结果与预测结果的误差均小于10%,这说明模型预测的可靠性较好。将验证合金的测试性能与样本中已有合金进行比较,其性能均优于现有的合金成分,证明了本工作方法的有效性。

表4设计合金的名义成分与实际成分 (mass fraction / %)

Table 4Nominal compositions and actual compositions of the designed alloy

新窗口打开|下载CSV

表5设计合金的预测性能与实测性能比较

Table 5Comparisons of predicted and measured properties of the designed alloys

新窗口打开|下载CSV

本工作设计的合金在变形加工和热处理后的性能如图6所示。合金经过轧制拉拔后,导电率和硬度明显提升。退火后合金的抗拉强度和延伸率测试结果如图7a所示。本工作设计的3种合金(alloy 1、alloy 2和alloy 3)的抗拉强度分别为335、310和312 MPa,且断后伸长率均超过25%,表现出了良好的综合力学性能。图7b为本工作设计合金与文献[21,22,38~40]报道的银合金电接触材料的性能对比。可见,本工作设计的3种银合金电接触材料的力学和导电性能均有一定的优势。

图6

图6设计合金在加工和热处理过程中的导电率和硬度变化

Fig.6EC (a) and hardness (b) changes during processing and heat treatment of the designed alloys (CA—as cast, HG—after homogenization, DH—drawing to diameter 2 mm at hard state, AN—after drawing to diameter 2 mm and annealing)

图7

图7退火后的设计合金抗拉强度和断后伸长率及与文献[21,22,38~40]报道银合金电接触材料性能对比

Fig.7Tensile strength and elongation of the designed alloy after drawing to diameter 2 mm and annealing (a) and comparisons of properties between designed alloy and the alloys reported in literatures [21,22,38-40] (b)

设计合金的铸态组织和拉拔后组织的SEM像如图8所示。在铸态组织中,灰色相为初生α-Ag相,在初生相晶内的黑色相为β-Cu(Ag, Ni)固溶体偏析相,共晶团(α+β)主要分布在初生相之间。对合金铸态组织进行比较发现,随着Cu含量的减少,合金中共晶团和β-Cu(Ag, Ni)固溶体偏析相逐渐减少,且偏析相和共晶团的分散更加均匀,如图8a~c所示。经塑性加工后,在横截面上观察到合金中β-Cu(Ag, Ni)固溶体偏析相被压扁,共晶团和偏析相直径均减小,分散更加均匀,如图8d~f所示。沿着拉拔方向β-Cu(Ag, Ni)固溶体偏析相被拉长呈细小的纤维状,随着Cu含量的减少,纤维直径变小,纤维密度降低,如图8h~i所示。对比发现,由于合金1 (Ag-19.53Cu-1.36Ni)的Cu含量高于合金2 (Ag-11.43Cu-0.66Ni-0.050Ce)和合金3 (Ag-10.2Cu-0.2Ni-0.056Ce),在经过拉拔后,合金1的共晶纤维和Cu(Ag, Ni)固溶体纤维相含量较高,分布较均匀,因而表现出较高的抗拉强度和韧性。合金2和合金3的Cu(Ag, Ni)固溶体纤维相含量比较接近,其抗拉强度相当,但合金2的韧性与合金3相比略低,这可能与2个合金纤维相的分布不同有关。

图8

图8设计的银合金电接触材料的铸态组织和拉拔后退火的横截面及纵截面组织的SEM像

Fig.8SEM images of designed silver alloy electrical contact materials

(a-c) as-cast microstructures of alloys 1, 2, and 3, respectively (Insets show the magnified images) (d-f) cross section microstructures of alloys 1, 2, and 3 after drawing to diameter 2 mm and annealing, respectively (g-i) longitudinal section microstructures of alloys 1, 2, and 3 after drawing to diameter 2 mm and annealing, respectively

设计合金在550℃退火后的显微组织的TEM像结果如图9所示。由图9a~c可以看出,在Cu含量较高时,Cu纤维间距较小,数量较多,退火后纤维直径在200~400 nm之间。Cu含量较低时,纤维间距较大,纤维密度较低,退火后,纤维直径在100~300 nm之间。550℃下退火时,Cu纤维仍保持为长条状,在少数应变集中的区域发生部分变形。纤维组织的保持使得合金在退火后,仍具有较高的强度。对纤维的成分进行EDS分析,结果如表6所示。可以看出,纤维相主要以Cu元素为主,含有少量的Ag和Ni。与侯江涛等[41]研究的Ag-10Cu合金相比,本工作中Ni的添加提高了纤维的热稳定性,使得合金在较高温度退火后,仍具有较好的力学性能[19,22]。在含Cu量为20% (质量分数)左右的合金中,与高Ni含量的Ag-20Cu-2Ni合金[42]相比,较低的Ni含量可以有效减少β-Cu(Ag, Ni)固溶体偏析相的形成并减小尺寸,细小的固溶体偏析相有利于合金后续塑性变形以及纤维增强相的形成,进而提高合金的综合性能。

图9

图9设计合金550℃退火后显微组织的TEM像

Fig.9TEM images of the designed alloys consisting ofα-Ag phase andβ-Cu(Ag, Ni) phase after annealing at 550oC

(a) alloy 1 (b) alloy 2 (c) alloy3

表6图9中点1~3的EDS结果

Table 6EDS results of points 1-3 marked in Fig.9

新窗口打开|下载CSV

综合以上分析可知,合理的成分设计有利于合金组织细化与纤维增强相的形成,既减少了组织不均匀性对合金性能的影响,又形成增强相提高了合金的性能。而获得这些性能提升的基础,均得益于机器学习对合金成分“理性”的设计[43],如调整Cu、Ni元素相对含量等。

3结论

通过基于机器学习特征量筛选方法识别出影响银合金电接触材料导电率的关键合金因子为第三电离能平均值、族序号平均值、质量衰减系数方差、化学势能方差；影响合金硬度的关键合金因子为各元素电子亲和能方差、s轨道价电子方差、价电子距离方差、原子体积方差、价电子数方差。基于关键合金因子建模和优化筛选,设计了3个银合金电接触材料Ag-19.53Cu-1.36Ni、Ag-11.43Cu-0.66Ni-0.050Ce和Ag-10.2Cu-0.2Ni-0.056Ce合金。采用工业生产条件进行实验验证,3个合金的室温导电率分别为(79.14 ± 0.40)%IACS、(84.50 ± 0.36)%IACS和(86.11 ± 0.53)%IACS,室温Vickers硬度分别为(98.87 ± 2.54) HV、(87.04 ± 2.26) HV和(81.49 ± 1.71) HV,实测结果与预测结果误差均小于10%,设计的合金导电性能和力学性能均优于已有银合金电接触材料。