极小数据机器学习+凝固相场模拟：解锁铸造工艺优化的密码

本文探讨了在材料加工领域，如何通过结合极小数据集的机器学习与相场模拟技术来优化铸造工艺。传统的铸造工艺优化方法成本高且效率低，而机器学习虽然提供了新的优化思路，但由于数据稀缺和特征扩展困难，其应用受到限制。中北大学、北京科技大学和辽宁材料实验室的赵宇宏教授团队提出了一种新的方法，通过改进的拉丁超立方采样结合贝叶斯优化，成功利用仅25个样本的数据集优化了水雷燃料舱隔板件的挤压铸造工艺。该方法不仅减少了数据量，还提高了工艺优化的效率和精度，最终使隔板件的抗拉强度和延伸率显著提升。此外，研究还通过夏普利加性解释和相场模拟增强了机器学习模型的物理可解释性，为铸造工艺的智能化、精准化发展提供了新的策略。