预测金属强度的统计视角：利用机器学习重审霍尔-佩奇关系

材料的力学性能与其微观结构密切相关。这对于预测多晶金属的力学行为尤为重要，因为微观结构的变化决定了材料的预期强度。迄今为止，可用数据集中微观结构可变性的缺乏阻碍了建立稳健的、考虑微观结构随机性的基于物理的理论模型。为此，我们开发了一个概率机器学习框架，用于预测流变应力随微观结构特征变化的函数关系。在该框架中，我们首先针对一组超过一百万个随机采样的微观结构特征生成了大规模的流变应力数据库，然后将混合模型与神经网络相结合应用于所生成的数据库，以量化流变应力的分布以及各微观结构特征的相对重要性。结果与实验高度吻合，并表明在广泛的晶粒尺寸范围内，传统的霍尔-佩奇关系在统计上对于将强度与平均晶粒尺寸及其相对于其他微观结构特征的重要性进行关联是有效的。本工作展示了基于机器学习的概率方法在预测多晶强度方面的威力，该方法直接考虑了微观结构变化，从而成为指导设计具有优异强度的多晶金属材料的一种工具，以及一种克服稀疏数据限制的方法。