北工大《JMST》：数据驱动成分-工艺一体化智能开发本征高硬度硬质合金

硬度是WC-Co硬质合金最核心的性能指标，直接决定了其在航空航天、汽车制造、医疗器械和电子工业等高端制造领域的适用性。随着极端工况对材料性能要求的不断提升，如何高效开发具有本征高硬度的新型硬质合金成为亟待突破的基础研究瓶颈。传统研发模式主要依赖试错实验和CALPHAD计算，周期长且成本高，难以应对多因素协同影响的复杂设计需求。现有机器学习模型多以微观结构特征作为输入，而这些参数在制备前无法获知，难以实现前瞻性设计。同时，多数研究未能系统整合原材料特性和工艺条件，限制了模型的预测能力和实际指导价值。

针对上述难题，北京工业大学宋晓艳教授团队利用数据驱动机器学习，首次实现从独立可控变量直接预测WC-Co类硬质合金硬度，并成功指导了高本征硬度硬质合金的成分与工艺一体化设计。该研究工作以"Developing high-hardness cemented carbides by data-driven integration of composition and processing design"为题发表于Journal of Materials Science & Technology，论文第一作者为博士研究生向日，吕皓副教授和宋晓艳教授为通讯作者。

文章链接：

https://doi.org/10.1016/j.jmst.2026.06.075

该研究构建了硬质合金硬度关于原材料特性、成分变量和工艺条件的定量化预测模型，确定了高硬度硬质合金的最佳成分与工艺窗口。在模型指导下对典型硬质合金体系的成分工艺进行了协同优化。实验制备的四种硬质合金硬度均超越文献报道水平，且预测值与实测值相对误差控制在5%以内。

图1. 基于数据驱动策略的高硬度硬质合金开发流程

团队系统整合了原材料参数、成分变量和工艺条件，构建了硬质合金的硬度数据集，采用线性回归、K近邻、梯度提升回归和随机森林四种算法进行训练。梯度提升回归表现最优，测试集决定系数达0.95，平均绝对误差为49.52 HV30，显著优于其他三种算法。

图2. 不同机器学习模型对硬质合金硬度的预测准确率：(a-d) LR、KNN、GBR和RF模型在训练集和测试集上的性能；(e) 测试集上模型性能比较。

进一步通过SHAP方法对特征重要性进行定量评估，揭示了Co含量、球磨参数、晶粒长大抑制剂含量、晶粒长大抑制剂类型和初始WC颗粒尺寸对硬度的重要影响。Co含量对硬度的影响最为显著。抑制剂含量和类型的SHAP值排名相近，其中添加量的影响略高于类型选择，说明需要对二者进行审慎的协同优化。模型揭示了关键特征与硬度之间的若干非单调定量关系。Co含量在6 – 10 wt.%范围内硬度随含量降低而提高，在10 – 16 wt.%范围内则表现为抑制作用。球磨参数TSR体现了球磨时间、球磨转速和球料比的共同作用，在50,000 – 150,000区间内产生正面贡献，过低或过高均不利，过度球磨会引起粉末团聚，降低硬质合金的硬度。VC在0.4 – 1.6 wt.%范围内能有效提升硬度，不足或过量均有害。初始WC颗粒尺寸超过0.8 μm时通常对硬度不利。

图3. 硬质合金硬度的影响特征重要性分析：(a)按平均绝对SHAP值排序的特征；(b) 个体特征的SHAP值分布；(c-f) 特征值(钴含量CCo, 球磨参数TSR, 抑制剂含量CXC, 初始WC粉末颗粒尺寸SWC)与其对应SHAP值的关系。

基于模型定量认识，系统筛选了最优抑制剂类型、球磨工艺、烧结温度和VC添加量。在六种常见抑制剂中，VC效果最佳。球磨参数Q5（TSR = 96,000）在各Co含量下均获得最高硬度。WC-6Co添加0.4 – 1.2 wt.% VC并采用优化球磨和烧结工艺，硬度可达2000 – 2100 HV30。WC-8Co、WC-10Co和WC-12Co分别达到1900 – 2000 HV30、1800 – 1900 HV30和1750 – 1850 HV30。

图4. GBR模型预测的(a) 晶粒长大抑制剂GGI类型、(b) 球磨参数、(c)烧结温度和 (d) VC含量结合Co含量对硬质合金硬度的影响。

图5. 成分与工艺一体化优化的硬质合金预测硬度

为验证模型准确性，制备了四个典型样品（WC-6Co、WC-8Co、WC-10Co、WC-12Co），实测硬度分别为2064、2002、1965和1916 HV30，与预测值最大相对误差不超过5%。微观结构分析表明所有样品均由WC和Co两相组成，平均晶粒尺寸140至168纳米，高硬度主要源于晶粒细化。制备的样品硬度全面超越同类体系已有文献报道水平。

图6. WC-Co硬质合金实验与预测硬度的比较：(a) 测量硬度与预测硬度的比较；(b)样品硬度与文献数据的比较。

该研究建立的梯度提升回归模型及材料设计策略，能够高效准确地进行原材料选择、成分设计和工艺参数优化，所揭示的最优球磨参数窗口、抑制剂含量与类型等效重要性等规律，为高硬度硬质合金的球磨工艺控制和成分筛选提供了定量化指导，为高性能硬质合金的智能化开发开辟了新途径。

第一作者：博士生向日，北京工业大学2023级博士研究生，导师宋晓艳教授。主要研究基于数据驱动的高性能WC-Co类硬质合金设计研制。在Journal of Materials Science & Technology、International Journal of Refractory Metals and Hard Materials期刊发表论文2篇，参与国家重点研发计划、国家自然科学基金重大项目等的研究工作。

吕皓副教授，北京工业大学材料科学与工程学院，先后入选北京市“青年海聚”高层次人才、北京市青年托举人才。主要从事基于多尺度高通量计算的多相合金新材料设计、制备与性能分析方面的研究工作。作为项目负责人承担了国家自然科学基金、北京市自然科学基金、国家重点研发计划项目子课题等，同时作为核心骨干成员参与了多项国家重点研发计划项目、国家自然科学基金重点项目和重大项目等研究工作。在Mater. Horiz.、Acta Mater.、ACS AMI、J. Mater. Sci. Technol.等期刊发表SCI论文120余篇，授权/公开国家发明专利和软件著作权26项，授权美国发明专利1项。获得中国体视学学会青年科技奖、中国有色金属学会新材料优秀青年。兼任中国体视学会理事、北京粉末冶金研究会委员，《Beilstein Journal of Nanotechnology》、《粉末冶金材料科学与工程》青年编委等。

北京工业大学宋晓艳教授研究团队多年来致力于具有稳定高性能的合金设计制备与组织结构调控，主要研究方向为硬质合金与难熔金属基复合材料、稀土功能材料和计算材料学，形成了“合金性能稳定性基础研究”与“工程应用”紧密结合的学术特色。在多尺度高通量计算研究方向，主持国家重点研发计划项目、课题多项，在高性能粉末冶金材料研究方向，主持国家重点研发计划项目、国家自然科学基金重点项目和重大项目课题以及多项企业委托攻关项目。成果获得省部级科技进步奖一等奖1项、自然科学奖二等奖3项、技术发明奖二等奖1项；授权国际、国内发明专利90余项和软件著作权9项，于Nat. Commun.、Sci. Adv.、Adv. Mater.、Acta Mater.等期刊发表SCI论文400余篇，在国际国内学术会议上作大会/主旨/邀请报告90余次，担任硬质材料领域国际权威期刊IJRMHM主编。

本文来自“材料科学与工程”公众号，感谢论文作者团队支持。

近期学术会议推荐

欢迎留言，分享观点。点亮❤