镁合金，以其高比强度、优异的生物相容性和储氢潜力，被誉为“21世纪的绿色工程材料”。然而，其固有的较差的耐腐蚀性，尤其是在含氯环境中的快速腐蚀失效，如同“阿喀琉斯之踵”，严重制约了其在航空航天、生物医疗、新能源汽车等关键领域的规模化应用。

 

传统腐蚀研究严重依赖耗时数周乃至数月的电化学测试和析氢实验，以及基于经验的唯象动力学模型。这些方法不仅效率低下、成本高昂，更难以揭示 “ 成分 — 微观结构 — 环境 ” 之间复杂的跨尺度耦合机制。材料腐蚀的本质，是宏观性能与微观组织（晶粒、晶界、第二相等）动态交互的体现，传统 “ 黑箱 ” 或线性模型对此束手无策。

 

   近期，一项发表于 Journal of Magnesium and Alloys 的重磅研究提出的 “多级图注意力网络”（Multi-level Graph Attention Network, MGAT） ，成功实现了从镁合金微观结构图像到宏观析氢动力学曲线的 端到端精准预测，其预测精度（R² > 0.997）与泛化能力远超传统模型，标志着腐蚀研究从“经验试错”迈向“机理与数据融合”的新范式。

 

 

图 1. U-Net 基本框架。

 

 

 

图 2. 多级特征向量定义，包括节点特征（欧拉角（ψ1, ϕ, ψ2）、晶粒尺寸（D）、核平均取向差（KAM）和相邻晶粒数（N））、边特征（晶界长度（L）和相邻晶粒间的取向差角（A）），以及全局特征（析氢时间（t）、平均晶粒尺寸（D¯）、平均KAM（KAM¯）、关键合金化因子、相体积分数（V）及其弥散度（C）、晶体学特征（包括织构强度（I）和最大极密度位置（r和α）））。

一、核心创新：将微观结构“翻译”成可计算的图

本研究的根本突破在于，首次将材料的微观组织“编码”成一个多层次的数学图（Graph），并利用图注意力网络进行深度解析。

1. 图的构建：将EBSD数据中的每一个晶粒视为一个“节点”（Node），晶界视为连接节点的“边”（Edge）。每个节点/边都携带丰富的特征信息（如晶粒尺寸、取向、晶界取向差等）。
2. 多级信息融合：除了上述“节点-边”的微观拓扑结构，模型还整合了全局特征，包括合金成分的物理化学参数（如平均电阻率、功函数）、第二相的体积分数与弥散度，以及关键的析氢时间维度。
3. 注意力机制：模型核心采用了 “注意力机制” ，使其能够自动“聚焦”于对腐蚀过程影响最大的局部微观区域（如某些高能晶界、特定第二相周围），动态学习微观组织特征如何协同影响宏观析氢速率。

简言之，MGAT模型就像一位精通材料科学的“翻译官”，能够读懂SEM/EBSD图像中蕴含的微观结构“语言”，并将其“翻译”成一条精确的腐蚀动力学曲线。

 

 

图 3. MGAT 模型架构，包含四个主要组件：1) 嵌入模块（编码器），2) 图卷积模块（GAT），3) 特征融合模块（多级图特征融合），4) 读出模块（预测头）

二、关键发现：量化驱动腐蚀的“元凶”

通过基于 SHAP值的可解释性分析，研究清晰地量化了各因素对镁合金析氢腐蚀影响的相对重要性，为耐蚀合金设计提供了明确的优化路径：

全局特征重要性排序为：

1. M-电阻率 > 2. 析氢时间 > 3. M-固相密度 > 4. 第二相体积分数 > 5. 第二相弥散度 > 6. 平均晶粒尺寸 > 7. M-功函数 > 8. 晶体学特征（织构）

这一排序揭示了深刻的物理机制：

• 电阻率居首：高电阻率会阻碍腐蚀过程中的电子传输，从而降低微电偶腐蚀电流密度，是影响腐蚀速率的电子学本质因素。
• 第二相的双重角色：研究不仅确认了阴极性第二相（如Mg₁₇Al₁₂）通常加速腐蚀，更重要的是量化了其空间分布（弥散度C）的关键作用。连续网状分布可能成为腐蚀屏障，而细小弥散分布则可能减轻局部腐蚀。这解释了为何简单的“第二相含量”不足以预测腐蚀行为。
• 晶粒尺寸 vs. 晶体取向：当晶粒尺寸存在差异时，其影响远大于晶体取向。虽然（0001）面更耐蚀，但非均匀的 bimodal 组织会因严重的微电偶效应而腐蚀更快。

 

 

图 4. 数据集中各合金的图像分割结果，其中每个样品的左、中、右图像分别代表原始扫描电镜图像、真实标签和模型的分割输出。

三、卓越性能：精度与泛化能力双重验证

1. 超高精度：在包含4800个样本的内部测试集上，模型预测析氢量的决定系数R²超过0.997，RMSE低于1.14 mL/cm²，误差极小。
2. 强大泛化：真正的考验在于对未知成分新合金的预测（Zero-shot Validation）。在全新合成的N14-Z等合金上，MGAT模型成功预测了其0-100小时的完整析氢曲线（R² = 0.924），而传统机器学习模型（ANN、XGBoost等）则完全失效，预测误差巨大。这证明MGAT学习到的是可迁移的、普适的腐蚀物理机制，而非对训练数据的简单记忆。

 

 

图 5. 数据集中不同类型合金的预测与实测析氢曲线对比：(a) N1-H, N3-H, N5-H, N7-H, N9-H；(b) N1-Z, N3-Z, N5-Z, N7-Z, N9-Z；(c) N11-H, N11-Z, AZ91-H, MAXZ2110-H, MAXZ2110-Z；(d) AZ31, BAX531, WE43, BAW531, ZKB605。

 

 

图 6. 新数据集（N14-Z 样本）上各模型的测试集性能：(a) MGAT 模型（本研究）；(b) ANN 模型；(c) LASSO 模型；(d) XGBoost 模型。

四、范式转移：从“后检测”到“前设计”

这项工作的深远意义在于，它构建了一个 “成分-微结构-析氢动力学” 的闭环数据库与智能计算范式。未来，结合：

 

• 高通量实验平台：可快速生成海量数据，进一步拓展成分-工艺空间。
• 电化学阻抗谱（EIS）嵌入：将动态阻抗信息融入模型，捕捉局部电化学异质性。
• 与力学性能模型耦合：将腐蚀深度场与晶体塑性有限元模拟结合，预测在应力-腐蚀协同作用下的构件服役寿命。