高溫合金是航空航天、能源動力等國家重點領(lǐng)域關(guān)鍵裝備的核心材料，其在高溫高壓環(huán)境下的性能 預(yù)測 是決定設(shè)備安全可靠性的核心指標。近年來，隨著計算科學的迅猛發(fā)展，機器學習在預(yù)測高溫合金 性能 方面取得了顯著成就。例如，結(jié)合高通量實驗和引入物理信息描述符的機器學習算法預(yù)測 疲勞 壽命，提高模型精度與解釋性。然而，在材料研發(fā)與應(yīng)用過程中，由于合金成分、熱處理工藝等數(shù)據(jù)記錄常常存在不完整或缺失的情況 ( 即 “ 模糊數(shù)據(jù) ” ) ，這嚴重制約了傳統(tǒng)機器學習方法的預(yù)測能力。 因此， 如何基于這些不確定性的數(shù)據(jù)進行準確的 性能 預(yù)測，一直是該領(lǐng)域面臨的一大挑戰(zhàn)。

針對這一難題， 河北科技大學 蘇孺教授團隊 聯(lián)合上海交通大學、北京科技大學學者創(chuàng)新性地將兩種機器學習技術(shù)—“遷移學習”與“部分標簽學習”相結(jié)合，構(gòu)建了一個能夠高效處理數(shù)據(jù)不確定性的預(yù)測框架。該框架能夠利用從相關(guān)材料體系中學到的通用知識，來智能地補全和修正當前數(shù)據(jù)集中缺失或模糊的關(guān)鍵信息。通過這一策略，該框架成功實現(xiàn)了從不完整的初始數(shù)據(jù)中精確 “ 提煉 ” 出高溫合金的真實組成，基于 被該框架 “ 修正與增強 ” 的數(shù)據(jù)，疲勞性能預(yù)測模型的準確性和泛化能力均得到了顯著提升。

相關(guān)工作以題為 “ Data -driven fatigue prediction of superalloys: a novel strategy integrating transfer learning and partial label learning for addressing ambiguous data ” 研究性論文發(fā)表在 《 Advanced Science 》 。 河北科技大學 博士研究生呂浩鵬為論文第一作者， 河北科技大學 吳大勇副教授 、 蘇孺教授 、上海交通大學饒梓元副教授 為論文的通訊作者 。 該研究成果為解決材料科學領(lǐng)域普遍存在的 “ 小數(shù)據(jù)、不完 整 數(shù)據(jù) ” 問題提供了新的思路，在高性能合金的設(shè)計、服役可靠性評估等方面具有 指導(dǎo)意義 和應(yīng)用前景。

論文連接：
http://doi.org/10.1002/advs.202507362

圖 1. 方法論概述。 a) 結(jié)合 PLL 與 TL 進行合金成分挖掘與疲勞性能預(yù)測的新型工作流程框架。該框架分為四個主要步驟： (I) 拉伸性能與成分預(yù)測； (II) TL 方法； (III) PLL 方法； (IV) 疲勞性能預(yù)測。 b) 模型預(yù)測疲勞性能準確性的實驗驗證。具體步驟包括材料制備、疲勞試驗、數(shù)據(jù)采集及模型驗證。

圖 2 . PLL 流程圖： a) 數(shù)據(jù)消歧過程示意圖及每次優(yōu)化循環(huán)后失效數(shù)據(jù)的演變過程； b) 模型在優(yōu)化周期中 MAPE 與 R2 值的變化趨勢； c) 應(yīng)用 PLL 策略前后 SVR 模型 MAPE 與 R2 值的對比。

本文來自“材料科學與工程”公眾號，感謝作者團隊支持。

近期學術(shù)會議推薦