镍基高温合金广泛应用于航空发动机、燃气轮机等高温服役环境，其力学性能直接关系到关键构件的可靠性与服役寿命。然而，在精密铸造过程中不可避免产生的疏松缺陷，以及复杂多变的显微组织特征，使得材料性能预测长期面临巨大挑战。针对这一难题，av直播 孙宝德院士团队提出了一种融合显微组织与缺陷信息的多源深度学习（Multi-source Deep Learning）框架，实现了含疏松缺陷高温合金拉伸性能的高精度预测。该项研究成果以“Mechanical property prediction of superalloys with microporosity defects using a multi-source deep learning framework”为题发表于《npj Computational Materials》。博士生余慧澎为论文第一作者，通讯作者为康茂东副研究员，王俊教授，研究工作受到了国家科技重大专项（2025ZD0609500）的资助。
论文链接：//doi.org/10.1038/s41524-026-02055-4
研究以镍基高温合金薄壁铸件为研究对象，构建了包含EBSD多源组织表征数据（BC、Phase、Euler、IPF和KAM图）以及X射线疏松缺陷图像的综合数据库。通过引入多源数据融合策略，模型能够同时学习组织特征与缺陷特征，从而建立更加真实的组织-缺陷-性能关联关系。研究结果表明，与仅使用组织信息或仅使用缺陷信息的传统模型相比，多源框架显著提高了性能预测精度。在延伸率（EL）、抗拉强度（UTS）和屈服强度（YS）预测中，最佳DenseNet模型的决定系数R²均超过0.93，展现出优异的泛化能力和预测可靠性。为了揭示模型学习到的缺陷-组织-性能关系，通过Grad-CAM对深度学习模型的关注区域进行了可视化分析。结果显示，模型重点关注MC碳化物、Laves相、δ相、η相等析出相、高KAM区域以及疏松缺陷位置。这些高响应区域与传统物理冶金理论中影响强度和塑性的关键因素高度一致。该研究不仅为含疏松缺陷高温合金力学性能预测提供了新的数据驱动解决方案，也展示了人工智能技术在材料设计与性能评价中的巨大潜力。未来，该框架有望进一步扩展至疲劳寿命、蠕变性能及更多合金体系，为智能材料设计和数字化制造提供重要支撑。
图1. 多源深度学习框架示意图及组织-缺陷-性能关联关系
图2. IN718-1-1样品EL预测的可视化堆叠热力图，原始图像以及对应的热力图包括: (a, b) BC图, (c, d) Phase图, (e, f) 欧拉角图像, (g, h) IPFZ图像, (i, j) KAM图像以及(k, l) 缺陷图像
近十年来，研究小组聚焦航空航天用高温合金大型复杂薄壁铸件缺陷控制领域，形成了从基础理论、关键技术到工程应用的系统性创新能力与成果储备，在新型高温合金设计优化、数据驱动缺陷控制、原子级缺陷修复等领域，持续产出一系列高水平学术成果与自主知识产权，为高性能高温合金铸件的工程落地与产业升级提供了坚实的理论基础与技术支撑。
-av直播 材料av直播 -
文稿编辑/王俊教授课题组
图文编辑/李润华
责任编辑/李逸舟、邵士博
