利用机器学习对HVAC喷涂的铁基非晶合金涂层进行多目标优化，以获得优异的耐腐蚀性

2026-09-10 15:47:43 作者：非晶合金腐蚀科学来源：非晶合金腐蚀科学分享至：

Multi-objective optimization of HVAC-sprayed Fe-based amorphous alloy coatings via machine learning for superior corrosion resistance

作者：Yang Lv, ZiHang Wang, SiYuan Cheng, Jing Di, TianXu Zhao, HongBo Fan, ZhiLiang Ning, JianFei Sun, YongJiang Huang

单位：哈尔滨工业大学材料科学与工程学院

期刊名：Corrosion Science

卷期号：256

年份：2025

文章编号：113225

DOI号：10.1016/j.corsci.2025.113225

二、研究背景

Fe基非晶合金涂层因其低成本、优异的耐腐蚀性和抗辐照性能而受到关注。然而，传统正交实验难以同时优化涂层中存在的两个关键性能指标——孔隙率和结晶化分数，二者之间存在内在冲突（孔隙率低时结晶化分数高，反之亦然）。为了同时降低二者以提升耐腐蚀性，作者引入机器学习方法进行多目标优化。（在各类人工神经网络中，反向传播神经网络（BPNN）因其通过监督学习对复杂非线性关系的强大建模能力而成为应用最广泛的网络之一[21,22]。然而，传统的BPNN（反向传播神经网络）采用梯度下降法更新参数，这使其容易陷入局部最优解，并可能导致收敛失败，尤其是在高维或复杂优化问题中[23]。为克服这些局限性，研究人员开发了混合模型，将BPNN与粒子群优化（PSO）、麻雀搜索算法（SSA）和遗传算法（GA）等智能优化算法相结合[24]。尽管这类模型在多个领域已展现出可观的成效，但迄今尚未见系统性研究报道其在HVAF喷涂制备的Fe40Ni7Cr17Mo12C13B9Y2（原子百分比）非晶合金涂层多目标性能预测中的应用。）

(BPNN 的做法是：一个人拿着一张地图，只看脚下最陡的那条路往下走。如果走到一个“小土坑”（局部最优），四周都是上坡，他就以为到山脚了，停在那里不动了。)

GA（遗传算法）的做法是：同时撒出去100个人，让他们满山遍野地跑。即使有80个人都掉进了不同的小土坑，但总有几个人可能正好跑到了大峡谷边上。“交换答案” 让跑得近的人共享信息，“故意写错一位” 让即便掉进坑里的人也能“瞬移”到坑外从来没去过的新地方。GA 的杀手锏：GA 没有“偶尔”一说，它对每一个新产生的个体都强制进行“变异”。这意味着每一代都有源源不断的“新人”被随机扔到天涯海角去探险，彻底杜绝了“全军挤死在一个坑里”的可能。

PSO（粒子群优化）：成员不产生混血儿，个体本身永远存在。它们只是不断向“自己最佳点”和“群体最佳点”靠拢飞行。它的核心是“向榜样学习”，所以收敛速度极快（飞得特别快）。因为PSO有一个“致命的从众心理”：如果刚开始撒网时，运气不好，所有无人机都没覆盖到真正最高峰的区域，但有一只无人机碰巧在一个“小土坡”（局部最优）上找到了不错的信号。

SSA（麻雀搜索算法）就是一场“有哨兵的快餐式抢食行动”：

20个“侦察兵”（发现者）分头去不同山头找最好吃的烧烤摊。一旦有人找到一家香味扑鼻的摊子，剩下70个“跟屁虫”（跟随者）会立刻扔掉手里的烤串，一窝蜂瞬间冲过去疯抢（这就是加速收敛，快得惊人）。SSA 的短板：它只能靠仅占 10%~20% 的“警戒者”偶尔拉响警报来强制群体瞬移。如果警报响晚了，大部队已经在小土坡上扎根太深，即便瞬移也容易移不远；如果警报响多了，它又永远没法静下来精确搜索，精度不稳。

三、试验方案

材料与制备：

材料：Fe₄₀Ni₇Cr₁₇Mo₁₂C₁₃B₉Y₂（at%）非晶合金粉末

喷涂方法：HVAF（High-Velocity Air Fuel）

基体：316L不锈钢

实验设计：

正交实验 L9(3⁴)：4个因素（气压、扫描速度、送粉率、喷涂距离），每个因素3个水平

单因素实验：进一步分析气压对涂层结构的影响

表征方法：

SEM、XRD、DSC、TEM、3D X-CT

电化学测试：极化曲线、EIS（在3.5 wt% NaCl溶液中）：采用电化学系统（CS350），在含 3.5 wt% NaCl 的溶液中使用传统三电极电解池，研究了所制备涂层及典型合金（316L、GH3536、Cantor 合金和 Q450）的电化学行为。采用银/氯化银电极（SSCE）和铂片分别作为参比电极和对电极。所制备涂层作为工作电极，暴露面积为 1 cm²。为达到稳态条件，首先进行 5000 秒的开路电位（OCP）测试。随后，在开路电位下，采用振幅为 10 mV 的正弦信号，在 100 kHz 至 10 mHz 的频率范围内进行电化学阻抗谱（EIS）测试。动电位极化测试在扫描速率为 0.33 mV/s 的条件下进行，起始电位为 −0.5 V（相对于 SSCE）。

316L不锈钢

316L是最常见的奥氏体不锈钢之一，其核心特征是在304不锈钢的基础上添加了约2-3%的钼（Mo）元素，使其在含氯离子的腐蚀环境中（如海水、盐水）具有远优于304的耐点蚀和耐缝隙腐蚀能力。同时，“L”代表低碳含量（≤0.03%），使其在焊接后不易发生晶间腐蚀。正因为这种良好的综合性能——强度适中、耐蚀性好、易于加工成型——316L被广泛应用于海洋工程、石油化工管道、医疗器械和食品加工设备等领域，是工业上最常用的耐蚀金属材料之一。

GH3536（Hastelloy X）

GH3536是中国牌号的镍基高温合金，其国际对应牌号为Hastelloy X。它的设计初衷是满足极端高温环境下的服役需求，主要成分以镍（Ni）为基体，并含有大量的铬（Cr）和钼（Mo），使其在高达900°C的温度下仍能保持良好的抗氧化性和足够的力学强度，同时在900°C以下可长期使用，短时工作温度甚至可达1080°C。GH3536的典型应用场景包括航空发动机的燃烧室、工业炉的辐射管、石油化工的高温反应器以及核反应堆的构件，是航空航天和能源领域不可或缺的高温结构材料。

Cantor合金（CoCrFeMnNi）

Cantor合金是以等原子比（各约20 at.%）混合Co、Cr、Fe、Mn、Ni五种元素制成的单相面心立方（FCC）固溶体合金，由B. Cantor教授于2004年首次报道，它开创了高熵合金（HEA）这一全新的材料研究领域。这种合金的突出特点是极佳的塑性，其室温延伸率可达约60-80%，且在低温（液氮温度）下强度和韧性反而显著提升，不发生韧脆转变。虽然其室温强度并不出众，但作为高熵合金的“模型体系”，Cantor合金为研究多主元合金的相稳定性、变形机制和成分设计提供了理想的平台，目前仍是高熵合金领域被引用最多的基准材料之一。

Q450（Q450NQR1高强度耐候钢）

Q450通常特指Q450NQR1牌号，是一种我国铁路行业广泛使用的高强度耐候钢。它通过在普通碳钢中添加少量Cu、Cr、Ni、P等合金元素，使钢材表面在大气环境中能够自发形成一层致密、稳定的保护性锈层，从而有效阻挡腐蚀介质的进一步侵入，其耐大气腐蚀性能为普通碳钢的2-8倍。与此同时，其屈服强度可达450 MPa以上，远超普通结构钢。凭借“高强+耐候”的组合优势，Q450NQR1已成为铁路货车车体制造的主力材料，在实现车辆轻量化的同时显著延长了维护周期和使用寿命。

建模与优化：

构建三种神经网络模型：GA-BPNN(遗传算法-反向传播神经网络)、PSO-BPNN（粒子群优化算法-反向传播神经网络）、SSA-BPNN（麻雀搜索算法-反向传播神经网络）

使用NSGA-II（非支配排序遗传算法ll）进行多目标优化（孔隙率 vs 结晶化分数）

四、研究思路

识别孔隙率与结晶化分数之间的冲突关系

（基于正交实验结果，系统分析了气压、扫描速度、功率输送速率和喷涂距离对涂层孔隙率和结晶分数的影响。如图3(a1)-3(f1)所示，孔隙率受多个参数的综合影响，而非单一参数。具体而言，图3(a1)表明，在气压恒定的情况下，提高扫描速度会导致孔隙率降低。当扫描速度为800 mm/s时，随着气压的升高，孔隙率先降低后升高。相比之下，在扫描速度为900和1000 mm/s时，孔隙率呈现相反的趋势，随着气压的升高先升高后降低，表明其与其他参数存在交互作用。图3(b1)-3(f1)进一步说明了孔隙率与工艺参数之间的复杂关系。图3(a2)-3(f2)展示了四个工艺参数与涂层结晶分数之间的关系。如图3(a2)-3(c2)所示，结晶分数随着气压的升高呈增加趋势，表明气压在促进结晶方面起主导作用。此外，图3(d2)-3(e2)揭示了结晶分数与扫描速度、功率输送速率和喷涂距离之间的复杂关系。因此，有必要进行定量分析，以区分各参数对孔隙率和结晶行为的单独影响和交互影响。）

如图4(a)所示，对于因素A（空气压力），在水平3时获得最低孔隙率。同样，因素B（扫描速度）在水平3时也表现最佳。对于因素C（送粉速率），在水平2时观察到最低孔隙率，而因素D（喷涂距离）的最优结果在水平2时获得。因此，在95 psi、1000 mm/s、3 rpm、350 mm（A3、B3、C2、D2）的参数组合下可获得最小孔隙率。另一方面，如图4(b)所示，在参数组合（A1、B3、C2、D2）下获得最低结晶分数。

图4展示了喷涂工艺参数对铁基非晶合金涂层孔隙率和结晶度影响的正式试验分析结果。通过比较不同水平下的Ki值，可确定各因素的最优水平。如图4(a)所示，对于因素A（气压），在水平3时达到最低孔隙率；类似地，因素B（横移速度）在水平3时表现最佳；因素C（送粉率）在水平2时孔隙率最低，而因素D（喷涂距离）的最优结果同样出现在水平2。因此，在参数组合为95 psi、1000 mm/s、3 rpm、350 mm（A3、B3、C2、D2）条件下可获得最小孔隙率。另一方面，如图4(b)所示，在参数组合（A1、B3、C2、D2）下可获得最低结晶度。此外，极差Rr揭示了各因素的相对重要性。如图4(c)所示，孔隙率的影响顺序为B > A > D > C。这表明精确控制气压和横移速度对最小化孔隙率至关重要，而送粉率和喷涂距离的影响相对较弱。对于结晶度，影响顺序的降序排列为A > D > C > B，其中气压是最显著的因素（图4(d)）。横移速度、送粉率和喷涂距离的影响较小。分析结果表明，因素A（气压）与孔隙率呈正相关，但与结晶度呈负相关。

建立高精度的预测模型（GA-BPNN表现最佳）

使用NSGA-II寻找Pareto前沿，平衡两者

验证最优参数组合下的涂层性能与耐腐蚀性

五、结果

最优参数：气压：88.5 psi；扫描速度：956.8 mm/s；送粉率：3.8 rpm；喷涂距离：383.7 mm

为进一步阐明空气压力（因素A）对铁基非晶合金涂层孔隙率及结晶度的影响，采用单因素实验设计，通过改变空气压力进行实验。展示了不同空气压力（85、90和95 psi）下涂层的横截面形貌。孔隙是主要缺陷。在95 psi空气压力下，涂层表现出优异的横截面质量，未见明显大孔。随着空气压力从85 psi增加至95 psi，孔隙率从3.08%下降至2.52%。提高空气压力显著增强了HVAF喷涂过程中的热传递与动量交换。这种改善促进了粉末颗粒的完全熔化，并有助于液滴在撞击时更有效地铺展，最终导致涂层孔隙率降低。

不同空气压力下制备的涂层 DSC 曲线。结果表明，随着空气压力增大，松弛焓降低，对应结晶分数从 6.62% 增加至 10.60% 和 18.40%。升高的空气压力增强了燃料与氧化性气体之间的燃烧，产生更多热能。粉末颗粒在飞行过程中吸收更多热量，有利于晶相形成。

在 85 psi 空气压力下制备的涂层的高分辨率 TEM (HRTEM) 图像呈现均匀且无序的结构，表现出单一非晶态。右上角的快速傅里叶变换 (FFT) 图像通过弥散衍射环的存在证实了非晶态。当空气压力增至 90 psi 时，红色圆圈标出的区域开始出现纳米级相，对应的 FFT 图像显示弥散环上叠加了明显的衍射斑点。随着空气压力进一步增至 95 psi，HRTEM 图像展现出更清晰的晶格条纹和更高密度的纳米级相。因此，TEM 结果表明，增加空气压力促进了局部原子有序化，并利于纳米级相的形成。

这些结果进一步表明，空气压力在调控 HVAF喷涂涂层的孔隙率与结晶分数方面起关键作用，且两者之间呈现出明显的反比关系。具体而言，当空气压力从85 psi增加至95 psi时，孔隙率从3.08%下降至2.52%，而结晶分数则从6.62%上升至18.40%，这表明空气压力与孔隙率呈正相关，与结晶分数呈负相关。

性能：孔隙率：0.66%（预测0.69%，误差4.55%）；结晶化分数：1.00%（预测0.97%，误差3.00%）

清晰展示了不同孔隙率铁基非晶涂层的动电位极化曲线。所有样品均呈现明显的钝化行为。随着孔隙率增大，钝化电流密度（$I_p$）从 $5.0 \times 10^{-6}$ 增加至 $1.1 \times 10^{-5}$ A/cm²，同时钝化区逐渐收窄。此外，亚稳态点蚀的迹象变得更加显著。涂层孔隙率的增加促进了电解质渗入的连通路径形成，从而加速了局部腐蚀的萌生与扩展。该结果证实，孔隙率是降低涂层耐腐蚀性能的主导因素。

耐腐蚀性：极化电流密度 Ip=1.6×10-8A/cm2；钝化区宽度：0.84 V；优于316L、GH3536等传统合金

六、结论

GA-BPNN模型在预测孔隙率和结晶化分数方面优于PSO-BPNN和SSA-BPNN

为确保更高的预测精度，构建并评估了三种典型神经网络模型，即 GA-BPNN（遗传算法结合反向传播神经网络）、PSO-BPNN（粒子群优化与反向传播神经网络）和 SSA-BPNN（麻雀搜索算法与反向传播神经网络）。选择预测性能最佳的模型用于后续的多目标优化。

采用统计指标对模型精度进行了定量评估。如图9所示，利用R值定量评价了GA-BPNN、PSO-BPNN和SSA-BPNN模型的预测能力。训练阶段（图9(a1)-9(f1)）：GA-BPNN的R值达到0.94（孔隙率）和0.99（结晶分数）；PSO-BPNN达到0.82（孔隙率）和0.81（结晶分数）；SSA-BPNN达到0.87（孔隙率）和0.86（结晶分数）。测试阶段（图9(a2)-9(f2)）：GA-BPNN的R值达到0.96（孔隙率）和0.99（结晶分数）；PSO-BPNN达到0.85（孔隙率）和0.84（结晶分数）；SSA-BPNN达到0.86（孔隙率）和0.83（结晶分数）。结果表明，与PSO-BPNN和SSA-BPNN相比，GA-BPNN模型表现出更稳定的线性相关性。为系统评估模型精度，分析了包括、MAE、MAPE和RMSE在内的多指标评价体系。图10展示了模型评价指标的结果。模型性能如下（孔隙率，图10(a1)-10(d1)）：对于；就MAE而言，；对于MAPE，；而RMSE，。如图10(a2)-10(d2)所示，三种模型在结晶分数预测上均呈现一致趋势。这些结果进一步证明，与PSO-BPNN和SSA-BPNN相比，GA-BPNN在预测铁基非晶合金涂层性能方面具有显著精度。这种优化效果可归因于GA的全局搜索特性，其通过非梯度机制有效解决了复杂非线性目标函数的多模态优化问题。

结合NSGA-II成功实现了两者的同时优化

在本研究中，通过 HVAF 制备的 Fe 基非晶合金涂层中，孔隙率与结晶分数之间存在矛盾。为解决这一矛盾并实现孔隙率与结晶分数的同步优化，采用 GA-BPNN 与 NSGA-II 算法（相关参数：种群规模 200，迭代代数 500，交叉概率 0.9，变异概率 0.1）集成构建了多目标优化框架。图 11 展示了获得的 Pareto 最优解，揭示了孔隙率与结晶分数之间的冲突关系。具体而言，点 A 呈现最低孔隙率（0.07%），但结晶分数最高（3.40%）；点 C 达到最低结晶分数（0.20%），但孔隙率最高（2.39%）；点 B 表示理论理想点，即孔隙率与结晶分数均最低，但在实际喷涂条件下无法实现。为平衡孔隙率与结晶分数，选取 Pareto 前沿上距点 B 最近的点 D 作为最优解，其目标函数值为孔隙率 = 0.69%，结晶分数 = 0.97%，对应的 HVAF 喷涂参数为：空气压力 = 88.5 psi，横向移动速度 = 956.8 mm/s，送粉速率 = 3.8 rpm，喷涂距离 = 383.7 mm。

优化后的涂层具有极低的孔隙率和结晶化分数，展现出优异的耐腐蚀性能

在成功验证GA-BPNN与NSGA-II模型在准确预测和优化工艺参数方面的有效性后，本研究进一步评估了优化后铁基非晶涂层的耐腐蚀性能。图13展示了该涂层及典型合金在3.5 wt% NaCl溶液中的动电位极化曲线与EIS谱图。如图13(a)所示，与其他合金相比，铁基非晶涂层表现出明显的钝化特征，具有显著更低的钝化电流密度（ A/cm²）以及更宽的钝化区间（0.07至0.91 V）。图13(b)-13(c)中的EIS结果进一步证实了其优异的耐腐蚀性：在低频区，铁基非晶涂层表现出最大的容抗弧半径和最高的阻抗模值。此外，EEC（图8(b)插图）拟合结果（表6）表明，铁基非晶涂层具有最高的极化电阻值（Ω·cm²）。这些结果清晰表明，本研究所制备的涂层耐腐蚀性能显著优于大多数传统合金。