东北大学材料考研(东北大学材料考研科目)

东北大学材料考研，东北大学材料考研科目

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 252 (2023) 118954发表题为“Building a quantitative composition-microstructure-property relationship of dual-phase steels via multimodal data mining”的研究成果(https://doi.org/10.1016/j.actamat.2023.118954)，文章第一作者为实验室博士研究生任达，共同通讯作者为王晨充副教授、徐伟教授。

成分-显微组织-性能关系的建立一直是金属材料设计和优化研究的核心。因此，基于成分/工艺和显微组织的力学性能定量评估和预测对于精确定制不同金属材料的显微组织和优化力学性能至关重要，特别是具有复杂微观组织的钢铁材料。传统性能预测方法如平均场均匀化方法和有限元方法，在数值类型组织信息的提取以及本构方程搭建方面包含部分基于人为经验的主观判断与机制假设过程，因此普适性存在局限。而新兴的机器学习方法普遍为“数值-数值”的计算模式，同样存在人为提取数值信息的主观判断过程，同时其物理可解释性一直饱受争议。

为解决上述问题，东北大学徐伟教授团队与南京工业大学赖庆全教授团队合作，提出了通过多模态数据挖掘策略建立钢铁材料“成分-真实组织图像-性能”关系的方法。在该方法中，首先对双相(DP)钢成分(数值信息)和真实显微组织(图像信息)的多模态数据进行耦合，而后对 BC、KAM 等多源显微组织图像进行集成，实现了多模态深度学习预测模型的建立。最后，应用了深度学习逆向可视化方法量化分析了影响DP 钢强塑性的核心组织因素。基于该多模态性能预测框架，成功实现了多成分、多工艺路线DP 钢在宽应力区间(600-1300 MPa)和宽应变区间(2-20%)内拉伸性能的精准预测。此多模态数据的耦合分析方法表现出良好的普适性与自主兼容多种物理机制的优势。同时逆向可视化技术进一步提高了深度学习模型可解释性，并实现了使用深度学习算法反向指导材料学机理深化的核心思路。该多模态深度学习性能预测方法为金属材料“成分-显微组织-性能”全链条关系的精准建立与机制深化提供了更为客观有效的普适性方法策略。

*感谢论文作者团队对本文的大力支持。

东北大学材料考研(东北大学材料考研科目)

未经允许不得转载：考研培训网 » 东北大学材料考研(东北大学材料考研科目)