物理信息机器学习用于钢开发：计算框架与CCT图建模
机器学习
2025-12-04 v1 材料科学
计算物理
摘要
机器学习（ML）已成为加速材料计算设计与生产的强大工具。在材料科学中，ML主要支持利用第一性原理数据的大规模新型化合物发现以及优化制造过程的数字孪生应用。然而，将通用ML框架应用于钢等复杂工业材料仍是一个挑战。关键障碍在于准确捕捉化学成分、加工参数与 resulting 微结构和性能之间的复杂关系。为此，我们提出了一种将物理洞察与ML相结合的计算框架，用于开发钢的物理信息连续冷却转变（CCT）模型。该模型在4100张图的数据集上训练，并与文献和实验数据进行验证。它展示了高计算效率，在5秒内即可生成包含100条冷却曲线的完整CCT图。它在所有合金钢上也展现出强泛化能力，所有相的相分类F1分数均高于88%。对于相变温度回归，除贝氏体外的所有相的平均绝对误差（MAE）均低于20°C，贝氏体的MAE略高，为27°C。该框架可扩展以包含额外的通用和定制ML模型，从而建立通用的热处理数字孪生平台。与互补仿真工具和针对性实验的集成将进一步支持加速的材料设计工作流程。
引用
@article{arxiv.2512.03050,
title = {Physics-Informed Machine Learning for Steel Development: A Computational Framework and CCT Diagram Modelling},
author = {Peter Hedström and Victor Lamelas Cubero and Jón Sigurdsson and Viktor Österberg and Satish Kolli and Joakim Odqvist and Ziyong Hou and Wangzhong Mu and Viswanadh Gowtham Arigela},
journal= {arXiv preprint arXiv:2512.03050},
year = {2025}
}
备注
14 pages