9月4日消息，据European Coatings报道，一项新研究将田口实验设计（Taguchi design）与机器学习方法结合，用于预测和优化铜基体上化学镀（electroless）Ni–Fe–P涂层的硬度，展示了数据驱动方法在表面工程中的应用潜力。

化学镀Ni–Fe–P涂层适用于需要耐蚀性、硬度及特定功能性能的表面工程场景。研究团队通过设计实验获得数据集后，分别用回归、人工神经网络（ANN）和支持向量机（SVM）建立硬度预测模型；基于决定系数（R²）的比较，ANN模型被认定为最可靠的硬度预测器。方差分析（ANOVA）则确认，镀液中NiSO₄浓度及其与FeSO₄的交互作用是影响硬度的关键因素。

研究团队对最优涂层进行了系统的表征：扫描电镜（SEM）、能谱分析（EDX）与X射线衍射（XRD）共同解释了硬度提升的机制。

在最优参数下制备的样品经过450°C退火处理后，Ni₃P相析出，硬度值进一步提高——这一发现为通过热处理调控化学镀镍基涂层性能提供了直接依据。

更广泛地看，该研究展示了"统计实验设计+机器学习"混合建模路径在配方与工艺优化中的实用价值：相比全因子实验，田口法以更少的试验次数获得关键因素信息，而ANN等模型则能在非线性工艺-性能关系中提供更精准的插值预测。对涂料与表面处理行业而言，这类方法可用于加速配方筛选、降低开发成本，是行业数字化升级中除大模型应用外另一条更贴近研发现场的落地路线。 （来源：European Coatings）