武汉科技大学Acta Materialia:机器学习赋能耐火材料!低碳铝碳材料实现数字化研发突破
- 2026-08-29 04:18:02
武汉科技大学Acta Materialia:机器学习赋能耐火材料!低碳铝碳材料实现数字化研发突破含碳氧化铝耐火材料广泛应用于冶金功能部件，材料服役性能与其微观力学特性密切相关。本研究将纳米压痕表征技术与可解释机器学习相结合，搭建起试验与计算联动的分析体系，集成概率化微观组织聚类算法，以及结合SHAP解析的TabPFN网络模型。研究通过组分占比与影响权重完成微观功能团簇定量分类，界定微观组织特征，明确了材料微观与宏观力学性能的内在联系。同时借助特征筛选，分析了石墨种类替换方案以及热震环境对材料组织、性能演化的作用机制。 本次构建的工艺-组织-性能一体化模型及分析方法，实现了微观作用机理与宏观服役性能的关联，也为非均质数字化耐火材料的研制奠定了理论支撑。 
图1. 纳米压痕测试示意图（左）及载荷-位移（P-h）曲线（右） 
图2. 试验-计算一体化分析流程 
图3. 典型宏观力-位移曲线 
图4. 试样微观组织：C0、C0-R、C1、C1-R 
图5. 微观载荷-位移曲线 
图6. 压痕阵列与断裂能（GC）分布云图 
图7. 轮廓系数迭代过程 总结展望 本研究结合试验测试与数值计算，分析了膨胀石墨改性低碳铝碳耐火材料的多尺度力学行为，结合纳米压痕技术与可解释机器学习，打通了工艺、微观组织与宏观性能的关联，推动耐火材料数字化研发。主要成果如下：（1）添加膨胀石墨可最大程度保留低碳铝碳材料的抗热震性能，断裂韧性仅下降2.4%。该类材料基体非均质性较强，以1%膨胀石墨替代10%鳞片石墨后，材料基体硬度上升、抗热震性能轻微下降，与宏观力学测试结果一致，这得益于膨胀石墨蠕虫状结构带来的良好韧性。 （2）通过聚类与概率融合算法处理压痕数据，构建了包含五类微观形态的数字化模型，弥补了纳米压痕观测范围小的缺陷。低碳试样依靠微裂纹与柔性网络传力，区别于高碳试样的刚性结构，同时明确了高碳材料的热震失效机理，实现了材料损伤演化的定量分析。 （3）利用SHAP算法筛选出高灵敏度特征参数，提升了模型精度。TabPFN模型结果表明，低碳化与热震工况会调控材料能量分布，在抑制塑性损耗的同时提升弹性性能与承载能力。模型得到的参数阈值，为数字化耐火材料的性能等效设计提供了量化依据。 整套分析体系实现了铝碳耐火材料力学性能的数字化等效表征，可完成性能预测、机理分析与逆向设计，不再单纯依赖材料组分研究，为耐火材料配方和工艺的精准优化提供了全新的数字化思路。 DOI： https://doi.org/10.1016/j.actamat.2026.122331 推荐阅读：加州大学/京都大学Acta Materialia丨亚稳态中熵合金：孪晶界、马氏体相变与应变及损伤行为 【招聘】香港科技大学孙庆平教授课题组博士后招聘启事 吉林大学Acta Materialia丨高密度双相纳米析出相同步强韧化镁合金 Mater. Today丨东北大学田勇/Robert O. Ritchie：普通体心立方钢的逆温韧性与超强低温抗损伤能力 耿同学荣登Science，原文报道如下 Acta Materialia丨港城大朱运田：77K低温下氧对纯钛变形及力学性能的影响 北航全中文署名natute子刊：一种抗冲击、高强度异质结构高熵合金 突发！重庆理工大学副校长遇刺身亡，嫌疑人系同校副教授！ Acta Materialia丨中科院金属所：AISI 52100轴承钢滚动接触疲劳诱发浅色蚀变区的多尺度研究 2026年材料科学与工程专业大学排名 金属所张哲峰Acta：金属材料强度-断裂韧性权衡关系的定量模型 北航副教授被学生反噬：让博士当5年佣人、卡毕业、逼退学，如今学生成打假斗士，她惨遭降职撤资社死 港城大杨勇nature子刊：融合力学与金属学，跨七个数量级结构实现宽温域能量吸收 西交大孙军院士顶刊：一种1.8GPa中熵合金 商务合作/投稿须知 • 本平台承接材料计算/测试、论文润色、绘图、会议培训推广等商务合作。合作请确保内容合规真实，洽谈请联系微信：15732286814 • 征稿范围：论文解读/科研成果分享/招聘招生等，需原创无抄袭，免费推广，投稿邮箱：cailiaosheji@yeah.net 声明
含碳耐火材料在钢铁工业中扮演着重要角色，大量用于钢包、转炉等设备。不同工况下材料石墨添加量差异明显，精炼用铝碳耐火材料碳占比最高可达30%。依靠石墨的作用，这类材料耐高温、抗冲击、耐熔渣腐蚀的表现十分出色，是各类冶金核心配件的首选原料。如今，市场对洁净钢的要求不断提高，叠加低碳发展要求，研发低碳耐火材料迫在眉睫。除添加金属辅料优化性能外，用新型纳米碳材料替换传统鳞片石墨，既能减少整体碳含量，又能保证材料品质，已成为行业主流方案。
成果速览
该工作以「Evaluation of micro-mechanical behavior for low carbon-containing alumina refractory assisted by interpretable machine learning: toward development of digital materials」为题刊登在Acta Materialia。
图文解析
感谢作者及团队支持！如需转载，请联系我们。
感谢您的转发与推荐
↓↓↓
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
