南京理工大学李永胜教授团队联合北京科技大学黄海友教授JMI研究论文 | 相场信息驱动镍基单晶高温合金蠕变行为的机器学习研究

本文研究了相场信息驱动的机器学习在镍基单晶高温合金蠕变行为中的应用。研究背景是蠕变应变作为单晶高温合金损伤程度的重要参数，对蠕变变形量和剩余寿命预测具有关键作用。研究目的是通过相场模拟驱动机器学习方法，建立高精度的相分类模型和蠕变应变预测模型，以提高材料研发效率。研究结论表明，U-Net卷积神经网络能准确区分蠕变筏化组织中的基体相和析出相，SVR模型在预测蠕变应变时表现最佳，而通过统计方法优化后，蠕变应变预测模型的精度和稳定性得到显著提升。此外，SHAP解释性分析揭示了筏化程度和析出相体积分数对蠕变应变的重要影响。