在高溫合金服役中，蠕變斷裂是其主要的失效形式之一，因此準確預測蠕變壽命對於科學設計和確保高溫合金的可靠安全使用至關重要。近年來，隨著計算科學的迅猛發展，機器學習在預測高溫合金蠕變壽命方面取得了顯著成就。例如，結合高通量實驗和引入物理資訊描述符的機器學習演算法預測蠕變壽命，提高模型精度與解釋性。然而，在使用化學成分作為輸入特征來預測蠕變效能，熱處理工藝在模型中的作用往往被忽視。這限制了機器學習模型的泛化效能和解釋性。因此透過全面考慮熱處理工藝對蠕變效能的影響，提高機器學習模型的預測精度和解釋性，對該領域的發展至關重要。
河北科技大學蘇孺教授團隊聯合德國馬普所和北京科技大學的學者提出了一種基於領域專業知識增強的機器學習模型，用於高溫合金蠕變壽命的可解釋性預測。 透過評估熱處理工藝對高溫合金蠕變效能的影響，成功實作了高精度的蠕變壽命預測。這項工作基於成分-工藝-效能之間的聯系，采用了嵌入領域專業知識的分類和回歸模型，深入研究了熱處理工藝對高溫合金蠕變效能的影響，成功評估了熱處理工藝並準確預測了高溫合金的蠕變壽命，最終實作了對熱處理工藝的逆向最佳化，將蠕變效能提升了5.5倍以上。相關工作以題為「Interpretable predicting creep rupture life of superalloys: enhanced by domain-specific knowledge」的研究性文章發表在【Advanced Science】。河北科技大學碩士研究生殷嘉維為論文第一作者，馬普所饒梓元研究員、河北科技大學吳大勇副教授、蘇孺教授為論文的通訊作者。
論文連結：
https://onlinelibrary.wiley.com/doi/10.1002/advs.202307982
圖1.整體方法概述：(a) 我機器學習的預測高溫合金蠕變壽命和評估熱處理工藝的工作流框架。(b) 逆向設計實驗驗證階段。
圖2.相關研究方法的具體流程：(Ⅰ) 對透過專業知識評估熱處理過程的步驟的示意圖，整個數據集被分為兩個子數據集；(Ⅱ) 嵌入的關鍵物理特征在評估熱處理工藝中起到的作用；(Ⅲ)基於Person相關系數完成關鍵特征的篩選，實作蠕變壽命的預測。
圖3.反向最佳化熱處理工藝，實作蠕變壽命的大幅提升
本研究提出了一個基於機器學習的預測高溫合金蠕變壽命和評估熱處理工藝的工作框架。研究的主要亮點主要包括1）透過領域專業知識首次評估了熱處理工藝；2）結合高質素描述符和專業知識首次實作了利用機器學習模型對熱處理工藝的評估；3）透過篩選關鍵特征增強的回歸模型預測蠕變壽命（準確率達90%以上）；4）套用該模型實作了熱處理工藝最佳化，最終在極低的實驗成本下實作工藝最佳化。該方法考慮了關鍵特征，如熱處理過程參數和選定的微觀結構參數對高溫合金蠕變效能的影響，在簡化合金設計過程最佳化熱處理工藝方面實作了時間和實驗成本節約。
*感謝論文作者團隊對本文的大力支持。
本文來自微信公眾號「材料科學與工程」。歡迎轉載請聯系並保留此說明框。
