深度学习驱动的 Mg-Gd 合金微观组织表征与维氏硬度预测
机器学习
2024-10-29 v1 材料科学
计算机视觉与模式识别
摘要
在材料科学领域，探索成分、微观组织与性能之间的关系一直是一个关键的研究重点。固溶 Mg-Gd 合金的力学性能受 Gd 含量、枝晶组织和第二相存在的显著影响。为了更好地分析和预测这些因素的影响，本研究提出了一种基于图像处理和深度学习技术的多模态融合学习框架。该框架集成了元素组成和微观组织特征，以准确预测固溶 Mg-Gd 合金的维氏硬度。首先，采用深度学习方法从文献和实验中获得的多种固溶 Mg-Gd 合金图像中提取微观组织信息。这为性能预测任务提供了精确的晶粒尺寸和第二相微观组织特征。随后，将这些定量分析结果与 Gd 含量信息相结合，构建性能预测数据集。最后，使用基于 Transformer 架构的回归模型预测 Mg-Gd 合金的维氏硬度。实验结果表明，Transformer 模型在预测精度方面表现最佳， 值达到 0.9。此外，SHAP 分析确定了影响 Mg-Gd 合金维氏硬度的四个关键特征的临界值，为合金设计提供了有价值的指导。这些发现不仅增强了对合金性能的理解，也为未来的材料设计和优化提供了理论支持。
引用
@article{arxiv.2410.20402,
title = {Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys},
author = {Lu Wang and Hongchan Chen and Bing Wang and Qian Li and Qun Luo and Yuexing Han},
journal= {arXiv preprint arXiv:2410.20402},
year = {2024}
}