摘要：本文《基于数据驱动的高温合金疲劳预测：一种集成迁移学习与偏标记学习处理模糊数据的新策略》聚焦于材料科学中机器学习应用的一个核心挑战——数据模糊性问题。文章指出，在利用历史文献数据构建疲劳性能预测模型时，合金成分、工艺参数等关键特征的缺失或不确定性严重制约了模型

本文《基于数据驱动的高温合金疲劳预测：一种集成迁移学习与偏标记学习处理模糊数据的新策略》聚焦于材料科学中机器学习应用的一个核心挑战——数据模糊性问题。文章指出，在利用历史文献数据构建疲劳性能预测模型时，合金成分、工艺参数等关键特征的缺失或不确定性严重制约了模型的准确性与泛化能力。为此，作者团队创新性地提出了一种融合迁移学习与偏标记学习的混合框架。该框架首先利用在拉伸性能数据库上训练的模型，通过迁移学习将知识迁移至数据相对稀缺的疲劳性能预测领域；进而，针对成分数据的模糊性，引入偏标记学习进行循环优化与消歧，从候选成分中识别出最可能真实的成分；此外，研究还通过热力学计算补充了如析出相体积分数等关键微观结构特征，增强了模型的物理可解释性，并利用SHAP方法深入分析了成分-工艺-微观结构-性能之间的内在关联。实验验证表明，该策略不仅在多种镍基高温合金上取得了优异的预测精度，在极端工况及新型高熵合金体系中也展现出良好的泛化能力，为解决材料科学中普遍存在的数据模糊性问题提供了一个行之有效且可推广的解决方案。

图1展示了本研究提出的集成偏标记学习与迁移学习新方法的整体工作流程框架，该框架主要分为四个核心步骤：基于拉伸性能的合金成分预测、利用迁移学习进行知识迁移、应用偏标记学习进行数据消歧，以及最终的疲劳性能预测，并辅以实验验证环节说明了模型预测的准确性。

图2通过散点图等形式呈现了前向性能预测模型和后向成分预测模型在训练、验证和测试集上对拉伸性能及主要合金元素的预测结果与实测值的对比，表明所选用的随机森林回归算法具有较高的预测精度，为后续迁移学习奠定了基础。

图3详细阐释了结构迁移学习方法的具体流程、简化示例及其在处理特征不一致问题时的机制，并通过模型在迁移前后的预测结果对比，直观地证明了结构迁移有效提升了模型在新数据集上的泛化能力和预测准确性。

图4以流程图形式说明了偏标记学习的数据消歧过程，展示了随着优化循环的进行，噪声标签数量逐渐减少至零，同时模型预测的均方根误差和决定系数等指标得到显著改善，验证了PLL框架在提升数据质量和模型可靠性方面的有效性。

图5通过箱线图对比了GH4169合金在偏标记学习优化前后其主要化学成分分布的变化，显示了优化后元素浓度分布更为集中，离散度减小，并结合SHAP值分析，表明优化过程增强了数据的稳定性和模型的可解释性。

图6以条形图和摘要图的形式展示了SHAP分析得出的对疲劳性能影响最大的前十个特征及其重要性排序，其中总应变和塑性应变被识别为最关键的影响因素，为理解模型的决策依据提供了直观视角。

图7通过 hysteresis 循环曲线、断口宏观形貌、二次裂纹形貌以及透射电镜图像，将不同总应变幅下的疲劳实验现象与模型识别出的关键力学参量联系起来，从微观变形机制（如位错切割或Orowan绕过）的角度解释了宏观疲劳损伤的积累过程，证实了模型与物理机制的一致性。

图8结合SHAP分析与实验数据，揭示了强化相γ'的体积分数与疲劳寿命之间存在非单调的依赖关系，即存在一个最佳体积分数范围（约40%-50%），并指出通过特定的固溶处理温度可以实现这一最优微观结构，从而获得最佳的疲劳性能。

本研究通过冷轧结合900°C退火的热机械处理，在一种新型固溶强化Fe-Ni基高温合金中成功构建了包含纳米M₂₃C₆析出相、多尺度孪晶（纳米级微孪晶和微米级退火孪晶）、位错和织构的混合微观结构。

科学技术的发展离不开科研仪器的进步。凯视迈（KathMatic）自2014年创建以来，一直“致力于高精尖光学测量技术”，已成为集“研发、制造、销售”为一体的国产高端光学精密测量仪器新力量。推出了KC系列多功能精密测量显微镜、KS系列超景深3D数码显微镜以及KV系列激光多普勒测振系统，取得了良好的市场成绩。详情欢迎留言咨询!

来源：凯视迈精密测量