高溫合金是航空航天、能源動力等國家重點領域關鍵裝備的核心材料,其在高溫高壓環境下的性能 預測 是決定設備安全可靠性的核心指標。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 性能 方面取得了顯著成就。例如,結合高通量實驗和引入物理信息描述符的機器學習算法預測 疲勞 壽命,提高模型精度與解釋性。然而,在材料研發與應用過程中,由于合金成分、熱處理工藝等數據記錄常常存在不完整或缺失的情況 ( 即 “ 模糊數據 ” ) ,這嚴重制約了傳統機器學習方法的預測能力。 因此, 如何基于這些不確定性的數據進行準確的 性能 預測,一直是該領域面臨的一大挑戰。
針對這一難題, 河北科技大學 蘇孺教授團隊 聯合上海交通大學、北京科技大學學者創新性地將兩種機器學習技術—“遷移學習”與“部分標簽學習”相結合,構建了一個能夠高效處理數據不確定性的預測框架。該框架能夠利用從相關材料體系中學到的通用知識,來智能地補全和修正當前數據集中缺失或模糊的關鍵信息。通過這一策略,該框架成功實現了從不完整的初始數據中精確 “ 提煉 ” 出高溫合金的真實組成,基于 被該框架 “ 修正與增強 ” 的數據,疲勞性能預測模型的準確性和泛化能力均得到了顯著提升。
相關工作以題為 “ 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域普遍存在的 “ 小數據、不完 整 數據 ” 問題提供了新的思路,在高性能合金的設計、服役可靠性評估等方面具有 指導意義 和應用前景。
論文連接:
http://doi.org/10.1002/advs.202507362
![]()
![]()
圖 1. 方法論概述。 a) 結合 PLL 與 TL 進行合金成分挖掘與疲勞性能預測的新型工作流程框架。該框架分為四個主要步驟: (I) 拉伸性能與成分預測; (II) TL 方法; (III) PLL 方法; (IV) 疲勞性能預測。 b) 模型預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、數據采集及模型驗證。
![]()
圖 2 . PLL 流程圖: a) 數據消歧過程示意圖及每次優化循環后失效數據的演變過程; b) 模型在優化周期中 MAPE 與 R2 值的變化趨勢; c) 應用 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。
近期學術會議推薦
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.