摘要：在材料科学领域，尤其是轻量化结构材料的研究中，镁合金因其轻质高强的特性备受关注。然而，传统的镁合金设计方法依赖于经验试错，效率低下。本研究提出了一种基于循环生成对抗网络（Cycle-GAN）的逆向设计框架，集成了长短期记忆（LSTM）人工神经网络和变分自编码器

【全文导读】

在材料科学领域，尤其是轻量化结构材料的研究中，镁合金因其轻质高强的特性备受关注。然而，传统的镁合金设计方法依赖于经验试错，效率低下。本研究提出了一种基于循环生成对抗网络（Cycle-GAN）的逆向设计框架，集成了长短期记忆（LSTM）人工神经网络和变分自编码器（VAE），实现了从力学性能到成分和挤压参数的逆向设计，为镁合金的设计提供了新的思路。

【研究背景】

随着轻量化需求的不断提升，镁合金因其优异的比强度和比刚度成为研究的焦点。传统的设计方法依赖于大量的实验和经验，耗时且成本高昂。材料信息学的发展为这一领域带来了新的机遇，通过机器学习和人工智能技术，可以更高效地预测材料的性能，优化设计过程。本研究旨在探索一种新的逆向设计方法，以力学性能为出发点，反向推导出镁合金的成分和挤压参数，提高设计效率和精度。

【研究亮点】

★ 提出了一种基于Cycle-GAN的逆向设计框架，集成LSTM和VAE，提高了预测精度27%和47%。

★ 框架模型在测试集上的均方误差和平均绝对误差分别为0.09和0.15，提供了参考范围，缩小了设计空间。

★ 该框架能够根据给定的性能要求，快速设计出合理的成分和挤压工艺参数，加速镁合金研发进程。

【来源解析】

上海工程技术大学研究团队在2024年第44卷第10期《特种铸造及有色合金》期刊上发表了题为“基于对抗神经网络的镁合金力学性能逆向设计”的文章，作者为了特定的应用场景或特性要求寻找合适的材料，本研究提出一种基于循环生成对抗网络的逆向设计框架，集成了长短期记忆人工神经网络和变分自编码器，应用在镁合金从力学性能到成分和挤压参数的逆向设计。框架模型相较于传统的人工神经网络和支持向量机算法预测精度分别提高了27%和47%，在测试集中的均方误差和平均绝对误差分别为0.09和0.15，同时提供了参考范围，以缩小镁合金逆向设计空间。

点击阅读原文

【研究方法】

研究团队首先从文献和试验中收集数据，构建数据集并进行清洗和预处理。然后，设计了基于Cycle-GAN的逆向设计框架，集成LSTM和VAE算法，构建了P2CE和CE2P模型，分别用于从力学性能预测成分和挤压参数，以及从成分和挤压参数预测力学性能。通过对抗训练和迭代优化，提升了模型的性能。

【图文内容】

图1研究方法流程图

图2镁合金各特征的皮尔逊相关性热力图

图3GVLS框架及不同模型的数据流程图

图4ANN、SVR、VAE_LSTM模型的结果比较

图5GVLS成分和挤压参数预测值与真实值的对比

图6GVLS力学性能预测值与真实值的对比

【主要结论】

● 基于Cycle-GAN的逆向设计框架在镁合金设计中表现出色，提供了一种新的设计思路。

● 该框架能够根据力学性能预测镁合金的成分和挤压参数，预测精度高，误差范围小。

● 该研究为镁合金的设计和应用提供了一种高效的工具，有助于加速新材料的研发进程。

【本文引用格式】

中文：马洪浩, 董万鹏, 苏德君,等.基于对抗神经网络的镁合金力学性能逆向设计[J].特种铸造及有色合金，2024，44（10）：1345-1351.

英文：MA H H, DONG W P, SU D J, et al.Reverse design of mechanical properties of magnesium alloy based on generative adversative nets[J].Special Casting & Nonferrous Alloys，2024，44（10）：1345-1351.

欢迎下载并引用《特种铸造及有色合金》期刊论文，共同助力期刊与铸造行业发展！

编译：彭瑾

编辑/排版：江姗

校对：刘晨辉

审核：张正贺

来源：特铸杂志