资材学院团队在Nature旗下npj Computational Materials发表最新研究成果

近日，资材学院高秋志教授团队在AI辅助高温合金设计领域最新研究成果“Explainable machine learning-enabled dual-objective design of γ' phase characteristic parameters in γ'-strengthened Co-based superalloys（可解释性机器学习驱动的γ′相强化钴基高温合金中γ′相特征参数双目标设计）”发表在全球材料计算科学顶尖期刊npj Computational Materials（中科院一区，影响因子11.9）。我校资材学院2021级博士生孙林林和青年教师马庆爽为论文共同第一作者，我校高秋志教授、上海大学熊杰助理研究员、天津大学刘晨曦教授、澳大利亚伍伦贡大学李会军教授为论文共同通讯作者，东北大学为第一完成单位。

γ′相强化钴基高温合金因其优异的热稳定性与高温强度，被认为是继镍基高温合金之后极具潜力的下一代高温结构材料。γ′相的体积分数和粗化动力学特征是决定钴基高温合金力学性能和组织稳定性的关键参数。然而，传统实验方法周期长、成本高，且难以系统揭示多元素协同效应对γ′相演化行为的影响规律。因此，如何利用人工智能（AI）实现多性能参数的协同优化与可解释设计，成为当前高温合金研究的重要挑战。

针对γ′相强化钴基高温合金中γ′相粗化速率常数（K_r）和体积分数（V_γ′）两项关键微观特征参数，研究团队首次构建了一个融合可解释性机器学习（XML）与多保真数据增强策略的双目标优化设计框架，并提出了一套适用于小样本数据条件下的高效建模与优化方法。为克服实验数据局限问题，创新性地引入马尔可夫链蒙特卡洛（MCMC）采样与Wasserstein GAN-GP生成模型生成中保真虚拟样本，并结合基于高斯噪声的SMOGN算法进行低保真数据扩充。在此基础上，利用XGBoost算法构建高精度预测模型，并结合SHapley Additive exPlanations (SHAP) 实现模型的可解释性分析，系统揭示了主要合金化元素对γ′相粗化行为与组织稳定性的影响机制。最终筛选确定了兼具优异高温稳定性与低密度特征的候选合金成分，为下一代高温合金的人工智能设计与合金高效研发提供了重要实验与理论依据。‌

筛选合金稳定性与现有报道其他合金对比

据悉，npj全称为Nature Partner Journals（自然合作期刊），是Springer Nature旗下开放获取的高水平学术期刊系列，与全球顶尖科研机构合作创办，专注于细分学科领域。‌

上一条：中国二十二冶集团有限公司党委书记、董事长袁斯浪一行来校调研

下一条：我校举办“王胜明门券收藏展”

【关闭】