张沁沁1，徐文霞1，于宝成1，梁 峰2，艾玉明1，陈国军1
(1. 武汉工程大学 智能产线装备湖北省工程研究中心，湖北 武汉 430205；2. 武汉科技大学 先进耐火材料
全国重点实验室，湖北 武汉 430081)
摘 要：针对莫来石纤维增强多孔氧化铝陶瓷“高承载-低导热”协同优化难题，本研究构建了“预测—解析—逆向设计”机器学习闭环框架。在选出LightGBM作为基准预测模型之后，将Ryshkewitch、Loeb等物理方程结果作为增强特征显式嵌入。构建的PIML-LightGBM模型有效抑制了非物理性振荡，耐压强度和热导率预测精度分别提高至R2≈0.95、R2≈0.97，实现较高精度与物理自洽性的统一。依托SHAP分析定量解耦了造孔剂主导、温度调控、纤维优化的特征影响层级。以此为代理模型耦合差分进化(DE)算法进行逆向设计，分别得到了最大孔隙率(91.44%)、最高耐压强度(9.30 MPa)与极低热导率(0.070 W·m−1·K−1)极限配方，并对最高耐压强度与最低热导率配方进行实验验证。本研究有效降低了小样本过拟合风险，也为多孔氧化铝陶瓷的定向设计提供了科学工具。
关键词：莫来石纤维增强多孔氧化铝陶瓷；物理信息机器学习；LightGBM；可解释性分析；DE