上海交大材料学院：人工智能解析高温合金组织 - 缺陷 - 性能构效关系，实现含疏松缺陷高温合金拉伸性能的高精度预测

镍基高温合金（Inconel 718）广泛应用于航空发动机等高温部件，其力学性能预测因精密铸造产生的疏松缺陷和复杂的显微组织而面临挑战。本研究基于上海交通大学孙宝德院士团队的成果，提出一种融合显微组织与缺陷信息的多源深度学习框架。背景在于传统方法难以同时关联组织特征与缺陷。研究目的为开发一种数据驱动方法，以实现含疏松缺陷高温合金拉伸性能的高精度预测。结论表明，通过整合EBSD多源组织数据（BC、Phase、Euler、IPF和KAM图）及X射线缺陷图像，模型预测延伸率、抗拉强度和屈服强度的决定系数R²均超过0.93。Grad-CAM可视化显示，模型重点关注的MC碳化物、高KAM区域及疏松缺陷，与传统物理冶金理论一致。该框架为性能评价和智能材料设计提供了新方案。