北京
东北大学轧制技术与连轧自动化国家重点实验室徐伟教授团队近期在Acta Materialia 235 (2022) 118103发表题为On the use of transfer modelling to design new steels with excellent rotating bending fatigue resistance even in the case of very small calibration datasets的研究成果，文章第一作者为实验室博士研究生魏晓蓼，通讯作者为徐伟教授。
随着材料基因工程和数据科学的发展，机器学习方法已被广泛应用于新材料的组织性能预测及成分工艺设计，并取得了显著成效。然而，尽管机器学习策略可以直接构建起合金“成分/工艺-性能”或“成分/工艺/组织-性能”之间的关联，并借此进一步实现合金的高效率优化设计。但目前普遍使用的机器学习策略均不可避免的高度依赖于包含数百甚至上千个合金样本的高质量数据库。而对于以高测试时间及资金成本的性能为导向的合金设计(例如疲劳性能)，构建一个如此大规模高质量的数据库显然是极为困难的，通常在一个待研发的新合金体系下，可被利用的样本数量仅能达到数十组，其远不足以支撑传统机器学习模型的建立。因此，数据库建立的高成本成为了制约人工智能方法在合金设计领域进一步发展的核心瓶颈问题。
针对以上极小样本下合金优化设计的瓶颈问题，徐伟教授团队提出了力学理论指导的迁移学习预测及设计方法。在该方法中，首先以低成本的拉伸性能大数据集构建了源模型，而后以拉伸性能与疲劳性能间的高关联性为指导，进一步以疲劳强度极小数据集构建了两种迁移学习预测框架，实现了极小样本下疲劳强度的准确预测。随后将该预测模型与高通量优化算法相结合，形成了高效的合金计算设计框架。基于该设计框架在仅包含30余条疲劳性能数据的极小样本数据集下成功设计出新型高疲劳强度低合金钢。该工作提出的迁移预测及设计框架极大降低了对高成本疲劳数据的需求，进而降低了构建准确模型所需数据积累的时间和资金需求，大幅降低了合金研发周期与成本。除此之外，通过对比无迁移模型的预测及设计过程，清晰地揭示了力学理论指导的迁移对模型性能与设计效率的提升能力。同时，该工作进一步明确了所提出两种迁移框架的可移植性和适用性。研究结果为基于极小样本数据的钢铁材料高效率性能优化与设计提供了可行思路。
本文来自：东北大学轧制技术与连轧自动化国家重点实验室。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
