用于钢材最终硬度估计的师生引导逆建模

预测热处理后钢材的最终硬度是一项具有挑战性的回归任务，因为该过程具有多对一的性质——不同的输入参数组合（如温度、持续时间和化学成分）可能导致相同的硬度值。这种模糊性使得逆问题，即从期望硬度估计输入参数，变得尤为困难。在本工作中，我们提出了一种使用师生学习框架的新颖解决方案。首先，训练一个正向模型以从 13 个冶金输入特征预测最终硬度。然后，训练一个反向模型以从目标硬度值推断合理的输入配置。通过在迭代的监督循环中利用 Teacher 的反馈来优化 Student。我们在公开的回火钢数据集上评估了该方法，并将其与基线回归和强化学习模型进行了比较。结果表明，我们的师生框架不仅实现了更高的逆预测精度，而且所需计算时间显著减少，证明了其在材料科学逆过程建模中的有效性和效率。