上海交大孙宝德团队：AI 破解高温合金缺陷与性能关联难题

镍基高温合金在航空发动机及燃气轮机等高温环境中应用广泛，其力学表现直接决定关键部件的可靠性与使用寿命。然而，精密铸造过程中难以避免的疏松缺陷，加之显微组织复杂多变，使得材料性能预测长期面临严峻挑战。

为解决这一瓶颈，上海交通大学孙宝德院士团队研发了一种融合显微组织与缺陷信息的多源深度学习框架，成功实现了对含疏松缺陷高温合金拉伸性能的精准预测。该成果以“Mechanical property prediction of superalloys with microporosity defects using a multi-source deep learning framework”为题刊登于《npj Computational Materials》。论文第一作者为博士生余慧澎，通讯作者为康茂东副研究员及王俊教授，研究获国家科技重大专项（2025ZD0609500）支持。

论文链接：

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

本研究以镍基高温合金薄壁铸件为对象，构建了包含 EBSD 多源组织表征数据（BC、Phase、Euler、IPF 及 KAM 图）与 X 射线疏松缺陷图像的综合数据库。借助多源数据融合策略，模型能同步学习组织与缺陷特征，从而构建更真实的“组织 - 缺陷 - 性能”关联。结果显示，相较于仅利用单一信息的传统模型，多源框架显著提升了预测精度。在延伸率（EL）、抗拉强度（UTS）和屈服强度（YS）预测中，最优 DenseNet 模型的决定系数 R²均突破 0.93，展现了卓越的泛化能力与可靠性。为解析模型习得的缺陷 - 组织 - 性能机制，研究利用 Grad-CAM 对深度学习模型的关注区域进行了可视化。结果表明，模型聚焦于 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。这些高响应区与传统物理冶金理论中影响强度塑性的关键要素高度吻合。该研究不仅为含疏松缺陷高温合金的力学性能预测提供了全新的数据驱动方案，也彰显了人工智能在材料设计与性能评估中的巨大潜力。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，为智能材料设计与数字化制造提供强力支撑。

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，该团队深耕航空航天用高温合金大型复杂薄壁铸件的缺陷控制领域，建立了从基础理论、关键技术到工程应用的系统性创新体系与成果储备。在新型高温合金设计优化、数据驱动缺陷控制、原子级缺陷修复等方面，持续产出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化落地与产业升级奠定了坚实的理论基础与技术支撑。

本文源自上海交大材料学院，感谢论文作者团队的支持。

2026 全国先进焊接材料加工及特种连接技术交流会

2026 全国有机光电前沿与先进材料器件发展论坛

2026 全国先进高分子材料科学与功能研讨会

第三届全国电化学技术与先进储能材料创新发展研讨会

AI 赋能材料研发与关键技术—工信部人才交流中心

2026 低空飞行器&商业航天创新峰会，7.8-10 上海