Closed-loop design of 300 °C Al-Cu alloys via cross-condition knowledge transfer under extreme data scarcity

Sintesi Tecnica: Progettazione a ciclo chiuso di leghe Al-Cu a 300 °C tramite trasferimento di conoscenza tra condizioni diverse in condizioni di estrema scarsità di dati

Problematica
La progettazione di leghe alluminio-rame (Al-Cu) che esibiscano una sinergia di resistenza e duttilità a 300 °C è critica per le strutture aerospaziali di prossima generazione. Tuttavia, il raggiungimento di questo obiettivo per le leghe processate tramite colata gravitazionale seguita da trattamento termico T6 (GC+T6) è ostacolato da una estrema scarsità di dati. Sebbene i meccanismi di rinforzo sottostanti (governati dai precipitati metastabili $\theta'$) siano continui attraverso le temperature e le rotte di lavorazione, il regime target specifico GC+T6 a 300 °C soffre di un "collo di bottiglia accoppiato temperatura-lavorazione". In questo dominio specifico, erano disponibili solo cinque punti sperimentali iniziali. I metodi convenzionali di machine learning (ML), che si basano su dataset ampi e identicamente distribuiti, diventano statisticamente instabili in tali regimi di scarsità. Inoltre, il semplice trasferimento tra temperature non è sufficiente perché la risposta target è determinata congiuntamente dalla temperatura di prova e dalla specifica storia di precipitazione ereditata dalla rotta di lavorazione GC+T6.

Metodologia
Per affrontare questa sfida, gli autori hanno sviluppato un framework di Trasferimento di Conoscenza tra Condizioni Diverse a Ciclo Chiuso (CCKT). La metodologia integra quattro componenti chiave:

1. Autoencoder Wasserstein a Doppia Condizione (DC-WAE): È stato costruito un modello generativo per mappare record eterogenei di composizione–temperatura–lavorazione–proprietà in uno spazio latente unificato. A differenza degli encoder standard che trattano le condizioni come semplici etichette, il DC-WAE codifica separatamente la temperatura e le condizioni di lavorazione. Ciò crea una struttura latente gerarchica in cui la temperatura governa la geometria del manifold globale (riflettendo i cambiamenti prestazionali ampi attraverso i regimi termici) e le condizioni di lavorazione raffinano i vicinati locali. Questo permette al modello di sfruttare dati ausiliari da condizioni correlate (ad esempio, diverse temperature o rotte di lavorazione come GC+T7, GC+HE+T6) per informare il dominio target scarso.
2. Predizione Surrogata Ensemble: Per garantire una predizione robusta delle proprietà in un regime di piccoli dataset, gli autori hanno impiegato una strategia ensemble combinando Reti Neurali (NN) ed Extreme Gradient Boosting (XGBoost). Per ogni proprietà (Resistenza alla Trazione Ultima [UTS] ed Elongazione [EL]), sono stati aggregati sei sub-modelli ottimizzati per gli iperparametri. Questo approccio ensemble ha dato priorità alla stabilità della predizione (riducendo la varianza tra i fold di cross-validazione) rispetto ai guadagni marginali nell'errore medio, aspetto critico per una classificazione affidabile dei candidati.
3. Campionamento e Screening Adattivo: I candidati composizionali sono stati generati campionando lo spazio latente tramite un Modello di Miscela Gaussiana (GMM) vincolato da un discriminatore a rete neurale che orienta la ricerca verso regioni ad alte prestazioni. È stata applicata una strategia di screening a due stadi: prima, un filtro di esplorazione-sfruttamento ha trattenuto il top 20% dei candidati sia per UTS che per EL; successivamente, questi sono stati classificati tramite un indice unificato di resistenza-duttilità ($U_f = \text{UTS} \times \text{EL}$).
4. Feedback Sperimentale a Ciclo Chiuso: I tre migliori candidati di ogni iterazione sono stati fabbricati e testati a 300 °C in condizioni GC+T6. I dati sperimentali risultanti sono stati reinseriti per aggiornare gli ensemble surrogati, il discriminatore e il campionatore dello spazio latente, contraendo progressivamente la finestra di ricerca verso le regioni ad alte prestazioni.

Risultati Chiave
Il framework è stato validato attraverso due cicli iterativi partendo da soli cinque campioni iniziali del dominio target:

• Prima Iterazione: Il framework ha identificato il candidato A1 (Al-5.2Cu-0.4Mn-0.1Mg), che ha raggiunto una UTS di 142 ± 1 MPa e un'elongazione di 14.6 ± 0.9%. Ciò ha rappresentato un aumento del 54.7% dell'indice integrato resistenza-duttilità ($U_f$) rispetto all'ottimo del database iniziale.
• Seconda Iterazione: Il raffinamento guidato dal feedback ha portato alla scoperta di Al-6.5Cu-0.6Mn-0.1Mg (wt.%) (Campione B1). Questa lega ha raggiunto una UTS di 155 ± 4 MPa e un'elongazione di 17.0 ± 1.2% a 300 °C.
• Miglioramento delle Prestazioni: Rispetto all'ottimo iniziale del database (Al-7.5Cu-1.0Mn, UTS 134 MPa, EL 10%), la lega ottimizzata B1 ha dimostrato un incremento della UTS del 15.7%, un miglioramento dell'elongazione del 70.0% e un potenziamento dell'indice integrato resistenza-duttilità del 96.6%.
• Meccanismo Microstrutturale: La caratterizzazione della lega B1 ha rivelato che la sinergia ad alta temperatura deriva da una rete semi-continua di $\text{Al}_2\text{Cu}$ e $\text{Al}_{20}\text{Cu}_2\text{Mn}_3$ (fase T) lungo i bordi di grano, che impedisce lo scorrimento dei bordi di grano. Inoltre, le particelle ricche di Mn e i precipitati della serie $\theta$ trattenuti ($\theta''$ e $\theta'$) hanno fornito stabilità termica e pinning delle dislocazioni, prevenendo l'ingrossamento significativo durante la deformazione a 300 °C.

Significatività e Rivendicazioni
L'articolo sostiene che il framework CCKT dimostra con successo che i domini di progettazione delle leghe con estrema scarsità di dati (anche solo cinque campioni) possono essere resi apprendibili attraverso condizioni ausiliarie fisicamente connesse. La significatività di questo lavoro risiede in:

1. Cambio di Paradigma: Stabilisce un paradigma trasferibile per la progettazione di leghe ad alta temperatura dove temperatura e lavorazione sono trattate come dimensioni di progettazione trasferibili piuttosto che come etichette categoriche che isolano i dati.
2. Efficienza: Ottiene quasi il raddoppio dell'indice resistenza-duttilità in sole due iterazioni sperimentali, evitando la necessità di estese sperimentazioni ad alto rendimento nel dominio target.
3. Integrazione Meccanicistica: L'approccio si basa sulla continuità meccanicistica delle leghe Al-Cu (specificamente la stabilità dei precipitati $\theta'$) attraverso le condizioni, permettendo al modello di sfruttare i priori strutturati da condizioni ricche di dati per compensare la mancanza di informazioni di correlazione nel dominio target.
4. Composizione Minimalista: L'ottimizzazione è confluita su un sistema minimalista Al-Cu-Mn-Mg piuttosto che su uno più complesso con microlegazione, suggerendo che, sotto la rotta GC+T6, questa specifica combinazione è sufficiente a sostenere la sinergia ad alta temperatura senza la necessità di costose aggiunte di terre rare.

Gli autori osservano che, sebbene il framework sia efficace per problemi con scarsità di dati ma meccanicamente connessi, la sua trasferibilità dipende dalla coerenza fisica e dalla qualità del database ausiliario. Identificano inoltre opportunità future per incorporare descrittori microstrutturali espliciti e vincoli basati sulla fisica per regolarizzare ulteriormente il modello.