北京
鎳基高溫合金廣泛應用于航空發動機、燃氣輪機等高溫服役環境，其力學性能直接關系到關鍵構件的可靠性與服役壽命。然而，在精密鑄造過程中不可避免產生的疏松缺陷，以及復雜多變的顯微組織特征，使得材料性能預測長期面臨巨大挑戰。
針對這一難題，上海交通大學孫寶德院士團隊提出了一種融合顯微組織與缺陷信息的多源深度學習（Multi-source Deep Learning）框架，實現了含疏松缺陷高溫合金拉伸性能的高精度預測。該項研究成果以“Mechanical property prediction of superalloys with microporosity defects using a multi-source deep learning framework”為題發表于《npj Computational Materials》。博士生余慧澎為論文第一作者，通訊作者為康茂東副研究員，王俊教授，研究工作受到了國家科技重大專項（2025ZD0609500）的資助。
論文鏈接：
https://doi.org/10.1038/s41524-026-02055-4
研究以鎳基高溫合金薄壁鑄件為研究對象，構建了包含EBSD多源組織表征數據（BC、Phase、Euler、IPF和KAM圖）以及X射線疏松缺陷圖像的綜合數據庫。通過引入多源數據融合策略，模型能夠同時學習組織特征與缺陷特征，從而建立更加真實的組織-缺陷-性能關聯關系。研究結果表明，與僅使用組織信息或僅使用缺陷信息的傳統模型相比，多源框架顯著提高了性能預測精度。在延伸率（EL）、抗拉強度（UTS）和屈服強度（YS）預測中，最佳DenseNet模型的決定系數R2均超過0.93，展現出優異的泛化能力和預測可靠性。為了揭示模型學習到的缺陷-組織-性能關系，通過Grad-CAM對深度學習模型的關注區域進行了可視化分析。結果顯示，模型重點關注MC碳化物、Laves相、δ相、η相等析出相、高KAM區域以及疏松缺陷位置。這些高響應區域與傳統物理冶金理論中影響強度和塑性的關鍵因素高度一致。該研究不僅為含疏松缺陷高溫合金力學性能預測提供了新的數據驅動解決方案，也展示了人工智能技術在材料設計與性能評價中的巨大潛力。未來，該框架有望進一步擴展至疲勞壽命、蠕變性能及更多合金體系，為智能材料設計和數字化制造提供重要支撐。
圖1. 多源深度學習框架示意圖及組織-缺陷-性能關聯關系
圖2. IN718-1-1樣品EL預測的可視化堆疊熱力圖，原始圖像以及對應的熱力圖包括: (a, b) BC圖, (c, d) Phase圖, (e, f) 歐拉角圖像, (g, h) IPFZ圖像, (i, j) KAM圖像以及(k, l) 缺陷圖像
近十年來，研究小組聚焦航空航天用高溫合金大型復雜薄壁鑄件缺陷控制領域，形成了從基礎理論、關鍵技術到工程應用的系統性創新能力與成果儲備，在新型高溫合金設計優化、數據驅動缺陷控制、原子級缺陷修復等領域，持續產出一系列高水平學術成果與自主知識產權，為高性能高溫合金鑄件的工程落地與產業升級提供了堅實的理論基礎與技術支撐。
本文來自上海交大材料學院，感謝論文作者團隊支持。
近期學術會議推薦
歡迎留言，分享觀點。點亮?
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.
