3. 完全析因设计在材料配方筛选中的应用
在材料配方筛选中，工程师常面对多个成分因子同时变化的问题。若只做“单因素轮换”，不仅试验次数多，而且无法发现成分之间的协同或拮抗作用。完全析因设计（Full Factorial Design）正是解决这一问题的经典工具：它把所有因子的所有水平组合都做一遍，从而能够同时估计每个因子的主效应和因子之间的交互效应。本节以铝合金微合金化配方筛选为教学示例，说明如何设计、计算和解读完全析因试验。
一、完全析因设计的基本结构
设因子数为 k，每个因子取 L 个水平，则完全析因试验总数为 Lk。材料配方筛选常用 2 水平或 3 水平设计。2 水平设计适合早期筛选，用“低水平”和“高水平”表示某元素含量的下限与上限；3 水平设计则能捕捉非线性响应，但试验量显著增加。例如 3 因子 2 水平共 8 次试验，4 因子 2 水平共 16 次，5 因子 2 水平则需 32 次。因此，完全析因设计更适合因子数较少（一般不超过 4～5 个）的配方精细筛选阶段。
在材料语境中，因子通常是合金元素含量、热处理温度、保温时间、冷却速率等；响应变量则可能是抗拉强度、延伸率、硬度、耐蚀性、导电率等。设计时需先确定每个因子的低水平（−1）和高水平（+1），并保证水平范围覆盖有工程意义的区间。例如某 Al-Mg-Si 合金微合金化试验中，选取 Mg 含量 0.6% 与 1.0%、Si 含量 0.4% 与 0.8%、Cu 含量 0.1% 与 0.3%，构成 23 完全析因设计。
二、主效应与交互效应的计算逻辑
主效应衡量某一因子从低水平变到高水平时，响应变量的平均变化量。以因子 A（Mg 含量）为例，把所有 A 取 +1 的试验响应取平均，减去所有 A 取 −1 的试验响应取平均，即得 A 的主效应。若抗拉强度在 Mg 高时为 320 MPa、低时为 290 MPa，则 A 的主效应为 +30 MPa，说明提高 Mg 含量平均可提升强度。
交互效应则衡量一个因子的效应是否依赖于另一个因子的水平。在 2 水平设计中，AB 交互效应等于“A 在高 B 下的效应”与“A 在低 B 下的效应”之差的一半。若 Mg 在低 Si 时提升强度 10 MPa，在高 Si 时提升 50 MPa，则 AB 存在明显正交互：Mg 与 Si 同时提高时，强化效果被放大。这种协同作用在析出强化型合金中非常常见，因为 Mg 和 Si 共同形成 Mg₂Si 强化相。
计算时通常使用符号表法：每个试验点对应一列 A、B、C 的 +1/−1 编码，以及 AB、AC、BC、ABC 的乘积列。将响应值与该列相乘求和再除以 2k−1，即得对应效应值。对于 23 设计，分母为 4。若使用统计软件，可直接输出效应 Pareto 图和方差分析表，判断哪些效应显著。
三、效应图与交互图的解读方法
主效应图（Main Effects Plot）横轴为各因子的低/高水平，纵轴为响应均值。若折线陡峭，说明该因子影响大；若平缓，则影响小。解读时注意：主效应图只显示平均趋势，当存在强交互时，主效应图可能产生误导，必须结合交互图判断。
交互作用图（Interaction Plot）横轴为一个因子，不同折线代表另一个因子的水平。若两条线平行，说明无交互；若两条线明显不平行甚至交叉，说明存在交互。交叉意味着“最优水平组合”不能简单由各因子单独最优水平拼合，必须联合选择。例如在合金筛选中，若 Mg 与 Cu 的交互图出现交叉，则不能同时取各自最高水平，否则可能因形成粗大第二相而降低塑性。
四、铝合金成分筛选实战示例
以下为教学示例，数据为合理假设，用于说明计算与判断过程，并非实测结果。某 Al-Mg-Si-Cu 合金以抗拉强度为目标，采用 23 完全析因设计，8 组试验结果如下表所示。
| 试验号 | A: Mg | B: Si | C: Cu | 抗拉强度/MPa |
|---|---|---|---|---|
| 1 | −1 | −1 | −1 | 275 |
| 2 | +1 | −1 | −1 | 288 |
| 3 | −1 | +1 | −1 | 292 |
| 4 | +1 | +1 | −1 | 330 |
| 5 | −1 | −1 | +1 | 280 |
| 6 | +1 | −1 | +1 | 300 |
| 7 | −1 | +1 | +1 | 305 |
| 8 | +1 | +1 | +1 | 345 |
计算主效应：A 的效应 = [(288+330+300+345) − (275+292+280+305)] / 4 = (1263 − 1152)/4 = 27.75 MPa。B 的效应 = [(292+330+305+345) − (275+288+280+300)]/4 = (1272 − 1143)/4 = 32.25 MPa。C 的效应 = [(280+300+305+345) − (275+288+292+330)]/4 = (1230 − 1185)/4 = 11.25 MPa。可见 Si 的主效应最大，Mg 次之，Cu 最小。
计算 AB 交互：AB 列符号为 A×B。AB 效应 = [(275+330+280+345) − (288+292+300+305)]/4 = (1230 − 1185)/4 = 11.25 MPa。AC 效应 = [(275+288+305+345) − (292+330+280+300)]/4 = (1213 − 1202)/4 = 2.75 MPa。BC 效应 = [(275+292+300+345) − (288+330+280+305)]/4 = (1212 − 1203)/4 = 2.25 MPa。ABC 效应 = [(288+292+280+345) − (275+330+300+305)]/4 = (1205 − 1210)/4 = −1.25 MPa。
结论：B（Si）和 A（Mg）主效应显著，AB 交互也较明显，说明 Mg 与 Si 存在协同强化。最优组合为 A=+1、B=+1、C=+1，即 Mg 1.0%、Si 0.8%、Cu 0.3%，预测强度约 345 MPa。若延伸率不足，则需在后续试验中调整 Cu 水平或加入时效制度因子。
五、实施要点与常见误区
- 水平范围要合理：低水平与高水平应覆盖实际可调整的工艺窗口，过窄则效应不显著，过宽则可能引入开裂、偏析等异常。
- 中心点不可少：中心点用于检验响应曲面是否存在弯曲，并估计纯误差。若中心点均值明显偏离因子点均值，说明存在曲率，2 水平线性模型不足。
- 不要忽略交互：材料配方中交互效应往往与主效应同等重要，尤其涉及化合物形成、固溶与析出竞争时。
- 区分显著性与工程意义：统计显著不等于工程重要，需结合成本、工艺窗口和性能目标综合判断。
完全析因设计在材料配方筛选中的价值，在于用最少的试验次数获得完整的主效应与交互效应信息。掌握效应计算、效应图与交互图解读，再结合合金体系的物理冶金知识，才能从数据中提炼出真正可落地的配方优化方向。