多保真数据增强：破解小样本困境、助力双目标设计

本文针对钴基高温合金中γ′相特征参数的双目标优化设计问题展开研究。背景方面，传统实验方法存在周期长、成本高且难以系统揭示多元素协同效应的局限。研究目的旨在通过融合可解释机器学习与多保真数据增强策略，构建双目标优化框架以克服小样本数据困境。具体采用马尔可夫链蒙特卡洛采样和生成对抗网络生成中保真模拟数据，结合SMOGN算法进行低保真数据扩充，利用XGBoost算法建立预测模型并通过SHAP分析实现可解释性。结论表明，该方法成功筛选出最优合金成分Co-30Ni-10Al-3Ti-4Ta-5Cr-2Mo-1V，在1000°C下兼具低粗化速率常数和高γ′相体积分数，为下一代高温合金设计提供了新范式。