废旧铝材的回收利用因其环保效益与经济价值而受到广泛关注，然而，在回收过程中，铁杂质的不断累积问题使得合金的性能出现下滑，这已成为行业面临的一大挑战。因此，如何在铝材回收中同时实现高强度和高塑性的双重目标北京废铝合金回收，已经成为材料科学领域研究的焦点问题。近期，北京理工大学的研究团队在《Today》杂志上公布了一篇名为“通过机器学习实现高强与Al合金设计”的论文，他们提出了一种基于机器学习的合金设计新策略，为废旧铝的回收与再利用开辟了全新的途径。这一成果不仅在该领域的技术层面上实现了突破，同时也为材料设计领域带来了智能化设计的创新思维。

主要的工作以及创新性

研究团队运用了机器学习模型，其中包括BP神经网络、极限学习机、支持向量机和随机森林等，成功构建了废旧铝合金的强度与延伸率预测模型。这是首次将合金的成分、次生相所占的百分比以及热处理工艺作为输入变量，对它们对合金性能的影响进行了全面而系统的分析。研究结果表明，通过调整合金成分与次生相的比例作为输入特征，可以有效提升模型的预测准确性；在强度与延伸率的预测任务中，随机森林模型展现出卓越的性能。同时，借助机器学习技术，研究人员确定了稀土元素的最佳添加比例，发现添加0.1%的钪（Sc）元素能显著增强合金的延伸性和强度，这一发现为废旧铝合金成分的优化提供了科学支持。

计算与实验方法

研究数据源自已公开发表的文献资料及实验所得，总计搜集了六十组有效的样本数据，这些数据包括了合金的组成、热处理方法以及相应的力学性能指标。借助热力学数据库北京废铝合金回收，我们计算了各种合金成分中次生相所占的百分比，并将这一数据作为机器学习模型的重要输入参数。为了检验模型的精确度，研究小组精心设计了两组合金样本——一组为基准合金，另一组在基础合金中加入了0.1%的钪元素。他们采用重力铸造技术来制造这些样本，并通过光学显微镜、扫描电子显微镜（SEM）、X射线计算机断层扫描（CT）以及力学性能测试等多种手段，对合金的微观构造和力学特性进行了详尽的检测和描述。

主要结果

实验数据揭示，掺入0.1%钪的合金在强度与延展性方面均超越了原始合金。具体来看，钪的加入使得合金的抗拉强度增加了4.37%，而其延伸率则维持了不变。X射线CT技术的分析显示，钪能有效减小合金中铁富集相及微小孔隙，降低应力集中区域，进而显著提高了合金的力学特性。除此之外，第一性原理计算表明，钪元素能够有效降低铝与β-Fe之间的界面能，并优先吸附在β-Fe生长的晶面上，这一过程抑制了β-Fe的形核以及其生长，从而对合金的微观结构进行了进一步的优化。

对材料设计的指导意义

这项研究不仅对废旧铝的回收与再利用给予了科学的指导，同时也揭示了机器学习在材料设计领域内所蕴含的巨大潜能。借助智能算法，可以迅速筛选出合金的组成成分，并对工艺参数进行优化，这大大降低了传统实验中的试错成本和时间消耗。尤为关键的是，它为材料科学家开辟了一种全新的设计理念：在复杂的合金体系中，如何运用数据驱动的策略来达到性能的优化。在不久的将来，此技术有望被应用于更多金属材料的研发，进而促进材料科学朝着智能化和高效化的方向不断进步。

图1.机器学习模型示意图

图2.YS， UTS和EL预测的示意图

参考文献：

技术交流与合作，请扫码添加“锐睿科技”