上交大材料学院：AI解码高温合金组织与缺陷关联，精准预测力学性能

中国电子显微镜学会、中国电镜网官方微信

电镜网为中国电子显微镜学会官方微信公众平台，旨在促进显微学领域学术交流，发布电镜学会官方通知与信息，并选择性发布与学科相关的人文风情，地区发展介绍。

转自 材料学网

镍基高温合金在航空发动机、燃气轮机等高温环境中使用广泛，其力学性能直接决定关键部件的可靠性和使用寿命。然而，精密铸造过程中不可避免的疏松缺陷，加上复杂多变的微观组织结构，使材料性能预测长期面临巨大困难。为应对这一挑战，上海交通大学孙宝德院士团队提出了一种融合微观组织与缺陷信息的多源深度学习框架，成功实现对含疏松缺陷高温合金拉伸性能的高精度预测。该研究成果发表在《npj Computational Materials》上，标题为“Mechanical property prediction of superalloys with microporosity defects using a multi-source deep learning framework”。博士生余慧澎担任论文第一作者，通讯作者为康茂东副研究员和王俊教授，研究得到国家科技重大专项（2025ZD0609500）资助。

论文链接：https://doi.org/10.1038/s41524-026-02055-4

研究以镍基高温合金薄壁铸件为对象，构建了涵盖EBSD多源组织表征数据（包括BC、Phase、Euler、IPF和KAM图）以及X射线疏松缺陷图像的综合数据库。通过采用多源数据融合策略，模型能同时学习组织与缺陷特征，从而建立更真实的组织-缺陷-性能关联。结果显示，相比仅用组织信息或缺陷信息的传统模型，多源框架显著提升了性能预测精度。在延伸率、抗拉强度和屈服强度预测中，最佳DenseNet模型的决定系数R²均超过0.93，展现出优秀的泛化能力和可靠性。为揭示模型学习的缺陷-组织-性能关系，研究利用Grad-CAM对深度学习模型的关注区域进行可视化分析。结果显示，模型重点聚焦MC碳化物、Laves相、δ相、η相等析出相、高KAM区域及疏松缺陷位置。这些高响应区域与传统物理冶金理论中影响强度和塑性的关键因素高度吻合。该研究不仅为含疏松缺陷高温合金力学性能预测提供了创新的数据驱动方案，也展示了人工智能在材料设计与性能评估中的巨大应用前景。未来，该框架有望拓展至疲劳寿命、蠕变性能及更多合金体系，为智能材料设计和数字化制造提供关键支撑。

图1. 多源深度学习框架示意图及组织-缺陷-性能关联关系

图2. IN718-1-1样品EL预测的可视化堆叠热力图，原始图像以及对应的热力图包括: (a, b) BC图, (c, d) Phase图, (e, f) 欧拉角图像, (g, h) IPFZ图像, (i, j) KAM图像以及(k, l) 缺陷图像

近十年来，研究小组聚焦航空航天用高温合金大型复杂薄壁铸件缺陷控制领域，形成了从基础理论、关键技术到工程应用的系统性创新能力与成果储备，在新型高温合金设计优化、数据驱动缺陷控制、原子级缺陷修复等领域，持续产出一系列高水平学术成果与自主知识产权，为高性能高温合金铸件的工程落地与产业升级提供了坚实的理论基础与技术支撑。