机器学习预测高温合金循环氧化行为：材料信息学的新突破

基于集成回归模型（如CatBoost）和SHAP可解释性分析，构建高温合金循环氧化质量变化预测框架，解决传统经验公式与实验室测试耗时成本高的问题，为材料科学提供智能化分析工具。

在航空航天、能源发电等领域，高温合金循环氧化（涉及热应力导致氧化皮剥落）直接影响部件寿命与安全，传统评估方法低效。材料信息学兴起为机器学习解决该难题提供新思路。

cyclic-oxidation-ml框架：预测Fe–Cr二元及Fe–Cr–Ni三元合金循环氧化行为； 数据集：含合金成分（Fe/Cr/Ni百分比）、环境参数（温度/暴露时间）、目标变量（质量变化）； 模型对比：评估12种回归算法，集成方法（CatBoost/Extra Trees/Random Forest）优于线性模型。

• 温度主导：升高加速氧化动力学与氧化皮剥落；
• 铬的保护：形成致密Cr₂O₃膜，含量与抗氧化性正相关但存在饱和阈值；
• 镍的协同：改善氧化皮附着性，与铬协同提升性能；
• 时间-温度交互：高温短时间增重快，中温长时间或因剥落损失质量。

发现重复样本+随机划分会虚高R²（近0.99），揭示材料科学ML应用需注意：

• 数据泄露风险（相似实验条件导致相关数据）；
• 严格交叉验证必要性；
• 最终交叉验证CatBoost模型R²约0.88，泛化性能良好。

潜在应用：新材料筛选、工艺优化、部件寿命预测； 未来方向：整合CALPHAD热力学计算、DFT电子结构描述符、物理信息神经网络，扩展至镍基/钴基合金体系。

该项目展示机器学习在材料科学的潜力，通过严谨验证与可解释性分析，不仅实现高精度预测，更揭示关键因素作用机制，为新材料研发提供可行路径。