Machine Learning Offers No Advantage over the Garofalo–Arrhenius Model for Peak Flow Stress Prediction in Hot Torsion of AA6061-T6: A Single-Source Benchmarking Study

技术摘要：机器学习与 Garofalo–Arrhenius 模型在 AA6061-T6 峰值流变应力预测中的对比

问题陈述
材料科学文献经常声称，数据驱动的机器学习（ML）回归器比经典的本构方程（如 Garofalo–Arrhenius 模型）能更准确地预测热流变应力。然而，这些说法往往基于来自不同实验室和变形模式的小型混合数据集，缺乏正式的统计检验和诚实的样本外验证协议。本研究通过将对比范围限制在单一来源、单一变形模式且特征完全表征的数据集上，旨在解决这些方法论上的缺陷，以确定在典型实验热加工的数据规模下，机器学习是否具有真正的精度优势。

研究方法
本研究利用了 AA6061-T6 合金的十二种热扭转工况（250–450°C，0.91–9.07 s⁻¹）数据集，该数据通过 Gleeble 热力模拟器获取。峰值流变应力（$\sigma_p$）通过自动化的开源流程提取。

• 评估模型：
  • 经典模型： Garofalo–Arrhenius 双曲正弦模型（$\dot{\epsilon} = A[\sinh(\alpha\sigma_p)]^n \exp(-Q/RT)$）。
  • 机器学习模型： 三种回归器：采用径向基核函数的支持向量回归（SVR-RBF）、梯度提升回归（GBR）以及多层感知器（ANN-MLP）。
• 验证协议： 为确保在小样本量（$N=12$）下的公平比较，研究采用了严格的嵌套留一交叉验证（LOO-CV）。
  • 对于机器学习模型，超参数通过仅针对训练集的内部 $k$-折网格搜索进行选择，且特征缩放器在每一折中重新拟合，以防止数据泄露。
  • 对于 Garofalo–Arrhenius 模型，常数（$\alpha, n, Q, A$）在每个训练折中重新估计，方法是对 $\alpha$ 进行一维搜索后进行线性回归，确保经典模型并非基于全量数据拟合，而是与机器学习模型接受完全相同的交叉验证。
• 数据处理： 两个在达到稳态流变前发生断裂的工况（T5 和 T7）被排除在 Garofalo–Arrhenius 校准之外（因为该模型假定存在稳态流），但保留在机器学习训练集中。对比是在匹配的十个稳态工况上进行的，并对全部十二个工况进行了补充分析。

关键结果

• 稳态工况下的准确性： 在匹配的十个稳态工况上，经典 Garofalo–Arrhenius 模型的平均绝对相对误差（AARE）为 11.0%。这一表现优于所有机器学习模型：GBR（14.8%）、ANN-MLP（16.1%）和 SVR-RBF（17.0%）。
• 统计显著性： 通过对表现最好的机器学习模型（GBR）与经典模型在十个匹配工况上的双侧 Wilcoxon 符号秩检验，得出 $W=11$ 且 $p=0.11$。作者指出，由于样本量较小（$N=10$），该检验效能较低，但结论是两者之间不存在统计学显著差异；具体而言，没有任何机器学习模型展现出精度优势。
• 外推与失效模式： 当在全部十二个工况（包括两个受断裂限制的点）下进行评估时，机器学习的误差率上升（AARE 范围在 15.5% 至 19.9% 之间）。机器学习模型在低温度、受断裂限制的极端情况下表现出严重的误差，反映了其无法外推至主导训练数据的稳态区域之外的能力。相比之下，经典模型在结构上具有优势，因为它仅针对稳态流进行定义。

主要贡献

1. 严谨基准测试： 本研究通过消除多源数据汇集、混合变形模式以及缺乏统计检验等干扰因素，提供了一个“纯净”的基准。
2. 程序一致性： 通过对物理驱动模型和数据驱动模型应用完全相同的 LOO-CV 协议，本研究消除了常见的程序性偏差。
3. 重新评估机器学习的说法： 研究结果挑战了“机器学习本质上优于本构方程”的流行叙事，证明了对于小型、特征明确的数据集，经典模型至少与机器学习替代方案同样准确。

意义与主张
本文认为，对于典型的实验热加工研究中的小型单源数据集，基于物理的本构模型仍然是理性的默认选择。作者声称，在这一领域，机器学习模型没有表现出可测量的精度增益，同时还牺牲了可解释性和安全的外推能力。本研究作为一个警示性的基准，针对那些在数据规模不足以支撑复杂响应面拟合、导致灵活回归器处于“数据匮乏”状态时，过度宣称机器学习优越性的现象提出了质疑。作者明确指出，只有在数据集规模显著增大、性质高度同质化，或者本构形式确实未知的情况下，机器学习才可能展现出优势——而这些条件在本研究中并未满足。