基于迁移学习的钢铁材料疲劳性能预测及合金优化设计

徐伟^*，魏晓蓼，王晨充，沈春光

东北大学 轧制技术及连轧自动化国家重点实验室，沈阳，110819，中国

详细摘要：疲劳是钢铁材料设计时考虑的重要的性能之一，因此其评估和预测对于新材料的研发十分重要。然而由于疲劳测试复杂且耗时，例如疲劳强度和S-N曲线，传统的以疲劳性能为导向的合金设计试错法成本高昂。尽管数据挖掘和机器学习已被广泛用于材料设计以取代试错法，但其成功实现需要足够的数据积累和优质的数据库。然而对于新材料，高质量及大规模疲劳数据库的建立显然是困难的，这极大限制了新材料研发的效率。因此，为了降低实验验证和数据积累的成本，基于迁移学习理念和力学理论指导，提出了疲劳强度预测和高通量合金设计的迁移预测及设计框架，其可以基于与疲劳性能相关的低成本性能的较大数据库和少量疲劳性能数据来实现疲劳强度的精准预测与合金优化设计。在针对疲劳强度的预测及设计框架中，首先基于传统机器学习模型和深度学习建立了钢铁材料成分/工艺与拉伸性能间的关联，其称为源模型；而后基于疲劳强度小数据集及源模型，建立了针对疲劳强度的迁移学习预测模型；通过将迁移预测框架与优化算法相结合，进一步实现了疲劳强度为导向的合金设计。该框架对于极小样本的疲劳数据集展现出了高的预测精度，其在拉伸性能和疲劳强度高相关性指导下，仅基于三十余组疲劳数据就实现疲劳强度的精准预测。这显著降低了数据收集成本，且迁移框架对于数据量具有高的容忍度。同时，对设计筛选的优化合金进行了实验验证，设计合金的疲劳强度远优于现有数据集最佳合金体系，这也证明该框架对于合金设计的有效性和高效性。进一步地，将迁移学习框架扩展到更有挑战的S-N曲线的预测中。我们利用长短期记忆神经网络（LSTM）来建立了S-N曲线的迁移学习预测模型，其可以利用现有相关S-N数据来实现小样本条件下目标曲线的预测，从而降低疲劳数据收集的成本并实现不同测试成本疲劳曲线之间的转换。该框架针对不同规模的数据及不同的模型参数均展示了良好的普适性。此外，将该框架扩展至了超高周疲劳S-N曲线的预测中，预测结果展现了该框架具有显著降低疲劳数据积累成本的潜力。以上针对疲劳强度及S-N曲线的迁移学习预测框架均展现了其适用于极小样本数据库的特点，可以解决极小样本条件下的材料属性预测及材料设计问题，显著降低数据库建立成本。其为机器学习和物理冶金学的整合提供了一个范例，有潜力移植到其它材料体系中。