材料基因組 (MG)和集成計(jì)算材料工程 (ICME)在世界范圍內(nèi)越來(lái)越受到科學(xué)和工程領(lǐng)域的認(rèn)可和接受，它們整合了材料制備、表征、智能數(shù)據(jù)庫(kù)和制造過(guò)程模擬等多種研究方法以材料設(shè)計(jì)為目標(biāo)。對(duì)于材料的設(shè)計(jì)和優(yōu)化，組成-微觀結(jié)構(gòu)-性能關(guān)系的建立是關(guān)鍵因素。基于成分、工藝和微觀結(jié)構(gòu)的機(jī)械性能定量評(píng)估和預(yù)測(cè)對(duì)于精確定制金屬材料的微觀結(jié)構(gòu)和機(jī)械性能至關(guān)重要。建立成分-微觀結(jié)構(gòu)-性能關(guān)系是材料科學(xué)中一個(gè)長(zhǎng)期存在的課題，但無(wú)論是連續(xù)介質(zhì)力學(xué)方法還是機(jī)器學(xué)習(xí)方法都沒有建立一個(gè)通用模型來(lái)涵蓋金屬材料的廣泛應(yīng)力-應(yīng)變關(guān)系，并且，特別是對(duì)于具有復(fù)雜微觀結(jié)構(gòu)的鋼。

來(lái)自東北大學(xué)的學(xué)者開發(fā)了一個(gè)處理多模式數(shù)據(jù)庫(kù)（包括成分和多源微觀結(jié)構(gòu)圖像）的深度學(xué)習(xí)框架，用于預(yù)測(cè)雙相鋼的拉伸性能。該模型能夠?qū)崿F(xiàn)多模態(tài)數(shù)據(jù)的耦合分析，具有良好的通用性。此外，多源微結(jié)構(gòu)信息的整合顯著使模型能夠兼容多種機(jī)制，并在大應(yīng)力-應(yīng)變范圍內(nèi)實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)。最后，在所提出的框架中應(yīng)用的反向可視化加深了對(duì)不同相形態(tài)下應(yīng)變分布的機(jī)制理解，極大地提高了深度學(xué)習(xí)模型的可解釋性。該框架為復(fù)雜鋼系統(tǒng)中成分微觀結(jié)構(gòu)-性能關(guān)系的預(yù)測(cè)提供了有用的指導(dǎo)，并可能應(yīng)用于其他合金。相關(guān)文章以“Building a quantitative composition-microstructure-property relationship of dual-phase steels via multimodal data mining”標(biāo)題發(fā)表在Acta Materialia。

圖 1. DP 鋼的加工路線、顯微組織、拉伸性能和馬氏體體積分?jǐn)?shù)分布。(a) Q-IA、(c) IA 和(e) AIA 的加工路線。(b) Q-IA、(d) IA 和 (f) A-IA 樣品的微觀結(jié)構(gòu)。馬氏體體積分?jǐn)?shù)與 (g) 屈服強(qiáng)度 (YS)、(h) UTS、(i) UEL 和 (j) 總伸長(zhǎng)率 (TEL) 的散點(diǎn)圖

圖 2. 基于多模態(tài) DP 鋼數(shù)據(jù)庫(kù)的拉伸性能預(yù)測(cè) DL 框架

圖 3. CNN-DP 模型對(duì)測(cè)試集的預(yù)測(cè)。(a) UTS，(b) UEL。

圖 4. (a) DP-1Mn-IA-815?C 樣品的 BC 圖像。(b) UTS 和 UEL 在 DP-1Mn-IA-815?C 樣品下的驗(yàn)證結(jié)果。（~：預(yù)測(cè)值與實(shí)驗(yàn)值之差）。(c) DP-2Mn-IA-815℃樣品的 BC 圖像。(d) UTS 和UEL 在 DP-2Mn-IA-815?C 樣品下的驗(yàn)證結(jié)果。

圖 5. UTS 和 UEL 的可視化結(jié)果。(a) DP-1Mn-A-IA-810℃、(b) DP-1Mn-IA-825℃ 和 (c) DP-1Mn-A-IA-810℃ 的 BC 圖像。(d) DP1Mn-A-IA-810?C 的 UTS 疊加圖像。(e) DP-1Mn-IA-825℃ 和 (f) DP-1Mn-A-IA-810℃ 的 UEL 堆疊圖像

圖 6. (a) 不同來(lái)源微觀結(jié)構(gòu)圖像的預(yù)測(cè)結(jié)果比較。(b) DP-1Mn-A-IA-810℃ 和 (c) DP-3Mn-IA-825℃ 樣品的 BC 圖像。(d) DP-1Mn-A-IA-810℃ 和 (e) DP-3Mn-IA-825℃ 樣品的 KAM 圖像。(f) DP-1Mn-A-IA-810℃ 和 (g) DP-3Mn-IA825℃ 樣品的相位圖像。

圖 7. (a) 有源圖像與 BC 圖像的預(yù)測(cè)，(b) 三成分系統(tǒng)與單一成分系統(tǒng)的預(yù)測(cè)。

圖 8 不同多模態(tài)數(shù)據(jù)耦合分析方法框架。(a) 多模態(tài)耦合法，(b) FC層拼接神經(jīng)元法

圖 9. 不同 ML 方法之間的比較。(a) 傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)方法 vs 多模態(tài)耦合方法，(b) FC 層拼接神經(jīng)元方法 vs 多模態(tài)耦合方法。

圖 10. (a) UTS 預(yù)測(cè)平均場(chǎng)力學(xué)模型的結(jié)果。(b) UEL 預(yù)測(cè)平均場(chǎng)力學(xué)模型的結(jié)果。(c) 多模態(tài)模型的UTS預(yù)測(cè)結(jié)果。(d) 多模態(tài)模型的UEL預(yù)測(cè)結(jié)果

在這項(xiàng)工作中提出了一種多模態(tài)深度學(xué)習(xí)框架來(lái)預(yù)測(cè) DP 鋼的拉伸性能。在大范圍的應(yīng)力應(yīng)變值下，僅使用一組固定參數(shù)，在多成分和多工藝路線下成功建立了成分-微觀結(jié)構(gòu)-性能關(guān)系。成分(Mn含量)和顯微組織信息(EBSD圖像)的耦合輸入，實(shí)現(xiàn)了DP鋼拉伸性能的準(zhǔn)確預(yù)測(cè)。所提出的多模態(tài)方法打破了傳統(tǒng)的ML策略，獨(dú)立分析各種形式的數(shù)據(jù)，形成了多模態(tài)融合數(shù)據(jù)挖掘系統(tǒng)。

多源顯微結(jié)構(gòu)圖像顯示出對(duì)拉伸性能預(yù)測(cè)的重要貢獻(xiàn)。該模型在不同的機(jī)制下自動(dòng)識(shí)別每個(gè)圖像的重要性。與單源和雙源輸入相比，三源輸入顯示出更高的準(zhǔn)確性，這反映了多源信息整合的必要性。建立了通用的DP鋼拉伸性能預(yù)測(cè)框架，可以忽略復(fù)雜機(jī)制的影響，參數(shù)在UTS(600-1300 MPa)和UEL(220%)的中錳鋼體系下唯一固定。可視化技術(shù)深化了應(yīng)變集中在塊狀形貌的馬氏體相和細(xì)小等軸形貌的馬氏體和鐵素體相的傳統(tǒng)物理冶金機(jī)理。具有研究未知機(jī)理，促進(jìn)合金研發(fā)的潛力。