人工智能助力高温钛合金蠕变预测

蠕变现象随金属材料服役温度和应力的提高而愈发明显，高温金属的蠕变行为显著影响工件服役的安全性和可靠性。然而，迄今为止，金属材料蠕变行为的物理机制尚未探明，新型材料的蠕变测定往往需要大量的应力梯度试验，只有预设应力恰好使得材料达到给定残余应变量才能直接贡献于蠕变测定，预设应力值能否精确预测对研究人员提出了巨大挑战。

近日，昱华先进材料研究院团队利用人工智能方法，实现了对高温钛合金蠕变规律的精准捕捉（图1）。首先通过蠕变拉伸试验获得训练所需的数据，随后利用数据清洗、平滑处理、插值去重及特征工程等方法，生成高质量的数据集。然后借助计算机强大的数据记忆能力和人工神经网络在数据拆解、特征重组与高维分析中的卓越表现，深入挖掘数据背后的蠕变规律，有效避免复杂的物理机制探索，从数据科学层面提供指导性的预测方案。随后结合研究人员对蠕变规律的理解，对神经网络的预测结果进行人工修正，以确保较高的预测精度和置信度。与传统人工预测方法相比，实验成本降低了2/3，同时平均预测精度提高了50%。这一成果在降低成本、提升效率和提高预测精度方面取得了显著成效，为工程实践中的类似问题提供了新思路。

人工智能与试验相结合的方法是成功的关键。利用首批次试验数据训练神经网络模型，再利用模型预测预设应力指导进一步的蠕变试验，所得结果又反回来修正预测模型……如此往复，人工智能模型和试验测定两者相辅相成、互相迭代，最终逐步逼近真实蠕变规律（图2）；模型的精细调控是减少迭代次数和提升预测精度的重要支撑。神经网络的层数、神经元的数量以及正则化强度等超参数显著影响模型的复杂程度和学习能力，学习能力强弱与蠕变规律的适配程度决定了预测结果的泛化能力和鲁棒性；人工辅助修正为预测模型提供了必要的补偿与调整。数据集的质量把控、迁移学习的深入训练和预测结果的偏差修正等是超参数外保证模型准确性和可靠性的关键因素，实现了人类智慧与机器学习的有效结合。

本研究为高温钛合金应用提供了数据支持，并为新材料研究和检测提供了参考依据。团队计划继续探索更多材料的蠕变行为及其它性能，以支持相关研究的持续进展。