Professional Documents
Culture Documents
Acta+Mater +基于机器学习设计出新型超高强不锈钢
Acta+Mater +基于机器学习设计出新型超高强不锈钢
基于机器学习设计出新型超高强不锈钢
材料科学与工程
东北大学轧制技术与连轧自动化国家重点实验室徐伟教授团队近期在
ActaMater.79 (2019)201-214 发表题为 Physical metallurgy-guided machine
learning and artificial intelligent design of ultrahigh-strength
stainless steel 的研究成果,文章第一作者为实验室博士研究生沈春光,共
同通讯作者为王晨充、徐伟。
论文链接:https://doi.org/10.1016/j.actamat.2019.08.033
材料基因工程是近年兴起的材料领域前沿方向,旨在通过对集成计算与数据库
技术等手段的综合运用,实现材料研发成本与周期的降低。随着集成计算思想和数
据挖掘技术的发展,材料基因工程在诸多新型高性能金属材料的研发中取得了显著
的成效。然而,由于钢铁结构材料的成分工艺设计涉及大量对复杂耦合关系的分析,
并受到诸多争议性机理的制约,因此基于材料基因思想的钢铁材料设计一直是领域
内的国际性热点与难点问题。
随着大数据时代的到来,机器学习算法为解决复杂体系下的工艺设计与优化提
供了可行之道。尽管现今基于机器学习的材料设计方法已经获得了若干成功案例,
但是多数研究中使用的设计手段只是运用机器学习算法,在统计数学层面上直接构
建“成分/工艺-目标性能”之间的强关联,而忽视了传统材料设计思想中最为关注
的显微组织特征等物理冶金学信息,这种设计方式不单极大地阻碍了对设计结果内
在物理机制的理解,更导致设计方式存在对数据数量的极大依赖,从而为模型的设
计效率提升和普适性推广造成了极大的困难。
针对基于传统机器学习算法的钢铁材料设计中的以上瓶颈问题,徐伟教授团队
从物理冶金学与机器学习算法融合的角度出发提出了以物理冶金学为指导的机
器学习方法。在该设计方法中,通过使用与强度高度相关的物理冶金参数对原
始数据集中进行增维处理,不仅可以将物理冶金信息融入机器学习过程,还可
以充分挖掘原始数据内在信息,提升数据质量,最终获得了具有优良泛化能力
的预测模型。随后将该预测模型与高通量遗传算法寻优相结合形成了高效的合
金计算设计框架。