Npj Comput. Mater.: 小数据机器学习耦合相场模拟：解锁铸造工艺优化的密码

本文介绍了一种结合小数据机器学习和相场模拟的新方法，用于优化铸造工艺。传统方法在处理多因素多水平的铸造工艺优化时成本高且效率低，而机器学习方法由于数据稀缺和特征扩展困难，模型精度受限。赵宇宏教授团队提出了一种改进的拉丁超立方抽样方法，结合贝叶斯优化，成功应用于水雷燃料舱隔板件的挤压铸造工艺优化。该方法仅需25个样本，显著减少了数据量，并在六次实验迭代后确定了最优工艺参数，使隔板件的抗拉强度和延伸率分别提升了17.6%和18.4%。此外，通过夏普利加性解和相场模拟，揭示了压力和温度对铸件微观结构演变的影响机制，增强了机器学习模型的物理可解释性。该研究为铸造行业提供了一种高效、低成本的工艺优化策略，推动了行业向智能化和精准化发展。