林柏睿、劉子瑜 / 工研院材化所
本研究旨在運用機器學習預測先進冶金耐火材料（如鎂碳系與鋁鎂系）之性能，以取代傳統耗時且成本高昂的試誤法，進而提升製程可持續性。研究團隊蒐集公開文獻的配方資料，並選用能有效處理缺失值的XGBoost回歸模型(XGBR)進行分析。針對資料不完整的問題，配方缺值以「行業平均值加微量雜訊」填補，製程欄位則保留空白以避免產生錯誤約束。實驗鎖定預測抗彎強度(MOR)與常溫抗壓強度(CCS)，並比較資料量由29筆擴充至50筆的影響。結果顯示，資料擴充使對材料異質性敏感的MOR模型穩定性下降；相反地，CCS模型的準確度與泛化穩定性則隨資料量增加而顯著提升。此研究證實了以AI與公開資料驅動耐火材料開發的可行性。
【內文精選】
建模結果評估
有關MOR的建模結果如圖一及表一所示，可以發現在MOR建模結果中， 29筆配方的整體表現較擴充後的50筆數據建模佳，分析兩者的建模結果可知在資料擴增後，其Correlation自0.891降至約0.878，R2則自0.786降至約0.753，此外，MAE、RMSE與MSE皆上升。值得注意的是在50筆模型的交叉驗證(k-Fold Cross-Validation)出現明顯失衡，其中一次Fold的Correlation近乎失效、 R2表現為負值，表示模型在某些資料切分上幾乎無法捕捉MOR規律。
圖一、抗彎強度(MOR)之預測值與實驗值對照分布圖
這一現象與MOR的物理特性相關，由於抗彎強度不僅取決於投入使用的材料配方，其原材料的整體孔隙率與緻密度也是影響關鍵之一。由於彙整於建模的特徵中缺乏粒徑等參數，致使建模無法完整反應與抗彎有關的現實物理情形，此外根據文獻指出，抗彎強度還受到微裂紋分布、界面強度、晶相形成路徑、應力集中、熱處理等影響。除原料本身的特性外，由不同主成分及添加劑所驅動的物理機制也是影響抗彎強度的關鍵之一，部分耐火材料採用低溫鍵結機制與傳統的高溫燒成製程不同，若僅用氧化物配方總量描述，很容易把不同強度機制壓縮進同一特徵空間。因此根據本次抗彎強度建模結果，後續研究應著重將不同成型機制先行分類，將有助於下一步的建模。
▼表一、抗彎強度(MOR)模型評估指標
有關CCS的建模結果與前兩者不同。29筆模型相較50筆數據建模其Correlation及R2皆有所提升，用於計算誤差的指標也都發生顯著下降，顯示資料擴充不只提升整體擬合，也提升了泛化穩定性。透過CCS的SHAP分析顯示，Al2O3 Content、Test Temperature與Water Addition為模型中最主要的影響因子。就材料物理而言，此結果具有一定合理性。試驗溫度直接對乾燥、燒結、晶相演變與緻密化行為產生影響，因此對常溫抗壓強度具有顯著控制作用；加水量則會改變澆注料的流動性、堆積密度、孔隙結構與乾燥後缺陷分布，進而影響整體承載能力---以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》474期，更多資料請見下方附檔。