北京
高温合金是航空航天、能源动力等国家重点领域关键装备的核心材料，其在高温高压环境下的性能 预测 是决定设备安全可靠性的核心指标。近年来，随着计算科学的迅猛发展，机器学习在预测高温合金 性能 方面取得了显著成就。例如，结合高通量实验和引入物理信息描述符的机器学习算法预测 疲劳 寿命，提高模型精度与解释性。然而，在材料研发与应用过程中，由于合金成分、热处理工艺等数据记录常常存在不完整或缺失的情况 ( 即 “ 模糊数据 ” ) ，这严重制约了传统机器学习方法的预测能力。 因此， 如何基于这些不确定性的数据进行准确的 性能 预测，一直是该领域面临的一大挑战。
针对这一难题， 河北科技大学 苏孺教授团队 联合上海交通大学、北京科技大学学者创新性地将两种机器学习技术—“迁移学习”与“部分标签学习”相结合，构建了一个能够高效处理数据不确定性的预测框架。该框架能够利用从相关材料体系中学到的通用知识，来智能地补全和修正当前数据集中缺失或模糊的关键信息。通过这一策略，该框架成功实现了从不完整的初始数据中精确 “ 提炼 ” 出高温合金的真实组成，基于 被该框架 “ 修正与增强 ” 的数据，疲劳性能预测模型的准确性和泛化能力均得到了显著提升。
相关工作以题为 “ Data -driven fatigue prediction of superalloys: a novel strategy integrating transfer learning and partial label learning for addressing ambiguous data ” 研究性论文发表在 《 Advanced Science 》 。 河北科技大学 博士研究生吕浩鹏为论文第一作者， 河北科技大学 吴大勇副教授 、 苏孺教授 、上海交通大学饶梓元副教授 为论文的通讯作者 。 该研究成果为解决材料科学领域普遍存在的 “ 小数据、不完 整 数据 ” 问题提供了新的思路，在高性能合金的设计、服役可靠性评估等方面具有 指导意义 和应用前景。
论文连接：
http://doi.org/10.1002/advs.202507362
图 1. 方法论概述。 a) 结合 PLL 与 TL 进行合金成分挖掘与疲劳性能预测的新型工作流程框架。该框架分为四个主要步骤： (I) 拉伸性能与成分预测； (II) TL 方法； (III) PLL 方法； (IV) 疲劳性能预测。 b) 模型预测疲劳性能准确性的实验验证。具体步骤包括材料制备、疲劳试验、数据采集及模型验证。
图 2 . PLL 流程图： a) 数据消歧过程示意图及每次优化循环后失效数据的演变过程； b) 模型在优化周期中 MAPE 与 R² 值的变化趋势； c) 应用 PLL 策略前后 SVR 模型 MAPE 与 R² 值的对比。
本文来自“材料科学与工程”公众号，感谢作者团队支持。
近期学术会议推荐
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.
