[论文解读] Mechanical Property Design of Bio-compatible Mg alloys using Machine-Learning Algorithms

Parham Valipoorsalimi, Yuksel Asli Sari+1 more|arXiv (Cornell University)|May 20, 2023

Magnesium Alloys: Properties and ApplicationsMaterials Science被引用 3

一句话总结

本研究结合机器学习模型与遗传算法，设计出高强度、生物相容性的镁合金，适用于骨科植入物。通过仅使用生物相容性元素的随机森林回归模型，预测屈服强度的决定系数（R²）达到91%，由此合成的两种合金分别实现了108 MPa和113 MPa的屈服强度，超过传统生物相容性镁合金，并接近天然骨组织的力学性能。

ABSTRACT

Magnesium alloys are attractive options for temporary bio-implants because of their biocompatibility, controlled corrosion rate, and similarity to natural bone in terms of stiffness and density. Nevertheless, their low mechanical strength hinders their use as cardiovascular stents and bone substitutes. While it is possible to engineer alloys with the desired mechanical strength, optimizing the mechanical properties of biocompatible magnesium alloys using conventional experimental methods is time-consuming and expensive. Therefore, Artificial Intelligence (AI) can be leveraged to streamline the alloy design process and reduce the required time. In this study, a machine learning model was developed to predict the yield strength (YS) of biocompatible magnesium alloys with an $R^2$ accuracy of 91\%. The predictive model was then validated using the CALPHAD technique and thermodynamics calculations. Next, the predictive model was employed as the fitness function of a genetic algorithm to optimize the alloy composition for high-strength biocompatible magnesium implants. As a result, two alloys were proposed and synthesized, exhibiting YS values of 108 and 113 MPa, respectively. These values were substantially higher than those of conventional magnesium biocompatible alloys and closer to the YS and compressive strength of natural bone. Finally, the synthesized alloys were subjected to microstructure analysis and mechanical property testing to validate and evaluate the performance of the proposed AI-based alloy design approach for creating alloys with specific properties suitable for diverse applications.

研究动机与目标

• 为克服生物相容性镁合金机械强度低的问题，从而限制其在支架和骨替代物等承重植入物中的应用。
• 通过人工智能驱动的预测与优化替代传统试错法，缩短实验合金开发的时间与成本。
• 仅使用生物相容性元素设计高强度镁合金，确保其在体内应用的安全性。
• 通过实验合成与力学测试验证人工智能预测的成分。
• 结合显微组织与热力学分析，验证基于人工智能的设计方法的可靠性。

提出的方法

• 基于生物相容性镁合金成分及其对应屈服强度（YS）值的数据集，训练随机森林（RF）回归模型，实现91%的R²预测精度。
• 采用CALPHAD方法与热力学计算验证模型预测结果，确保相稳定性。
• 将训练好的RF模型作为遗传算法（GA）中的适应度函数，搜索在满足生物相容性约束下最大化屈服强度的最优合金成分。
• 设定元素限制，仅包含生物相容性元素：Ca、Sr、Zn、Mn及稀土元素，排除有毒或不可降解元素。
• 根据GA预测的成分合成了两种候选合金，并通过显微组织分析（EDS、SEM）与力学测试（硬度、屈服强度）验证预测结果。
• 通过2.4:1的比例关系（YS ≈ 2.4 × BHN）将实验测得的维氏硬度与屈服强度相关联，以估算屈服强度。

实验结果

研究问题

• RQ1 仅使用成分数据，机器学习能否准确预测生物相容性镁合金的屈服强度？
• RQ2 由机器学习模型引导的遗传算法能否识别出既保持生物相容性又具备热力学稳定性的高强度镁合金成分？
• RQ3 人工智能预测的合金成分是否能生成实验合成的材料，其力学性能接近天然骨组织？
• RQ4 显微组织特征（如相分布、树枝晶间距）与合成合金的力学性能之间存在何种关联？
• RQ5 预测的屈服强度值与实验测得的屈服强度值在多大程度上一致？差异的原因是什么？

主要发现

• 随机森林模型在预测生物相容性镁合金屈服强度方面，决定系数（R²）达到91%。
• 遗传算法识别出两种最优合金成分：一种含87% Mg、5% Sr、8% Zn和8% Mn；另一种含96% Mg、0.5% Ca、4% Zn和4% Mn。
• 实验合成的合金1屈服强度为108 MPa，维氏硬度为47 HV；合金2屈服强度达113 MPa，维氏硬度为52 HV。
• 预测的合金实验屈服强度分别为118 MPa（合金1）和125 MPa（合金2），与实验结果高度一致。
• 显微组织分析证实存在Mg(Zn)固溶体、Mn富集相以及如Sr₂Zn₄₃Mg₅₅和CaMgZn等金属间化合物，这些相有助于强化。
• 合成合金的硬度，尤其是合金2（52 HV），与天然骨组织及其他实验性可降解镁合金相当，表明应力屏蔽风险降低。