多模态学习驱动的渗碳钢性能预测与设计：基于深层显微结构表征

《Surface and Coatings Technology》：Multimodal learning-guided performance prediction and design of carburized steels via deep microstructural characterization

本研究针对渗碳钢力学性能与显微结构关联复杂、传统图像分析方法精度不足的问题，开发了一种融合语义分割与机器学习的多模态框架。通过UNet++与DenseNet121实现碳化物像素级分割，结合合金成分与工艺参数，利用MLP模型实现硬度高精度预测（R2=0.996）。SHAP分析揭示铬含量、碳化物分布及热处理参数为关键影响因素。该框架为材料智能化设计提供了可迁移的方法论。

　　

在航空航天、精密制造等关键领域，渗碳作为一种重要的表面硬化热处理技术，被广泛应用于提升钢材料的表面硬度、耐磨性和疲劳性能。然而，渗碳钢的力学性能强烈依赖于显微结构特征，尤其是碳化物的形态、尺寸和空间分布。传统上，渗碳工艺设计严重依赖工程经验和试错方法，面对复杂材料体系和多样化性能需求时，效率低且优化潜力有限。尽管材料科学家在显微结构图像分析方面取得了长足进步，但碳化物的多尺度形态、空间分布不均、多相共存以及金相图像中的固有噪声，给传统图像分析方法带来了巨大挑战。此外，现有基于机器学习的性能预测模型多仅依赖合金成分和热处理参数等结构化输入，未能充分利用显微结构图像信息，导致模型泛化能力和可解释性不足。

为突破这些瓶颈，东北大学数字钢铁国家重点实验室的王雪飞等人开展了一项创新研究，成果发表于《Surface and Coatings Technology》。研究团队构建了一个集成多模态学习框架，将语义分割、深度特征提取、机器学习与可解释性分析相结合，旨在实现渗碳钢硬度的精准预测和工艺优化。

研究采用了几个关键技术方法：首先，利用大语言模型（LLM）从学术文献和工业记录中自动化提取和结构化数据，构建了覆盖500多个数据条目的高质量数据库；其次，采用UNet++与DenseNet121组合的深度学习模型对金相图像中的碳化物相进行像素级语义分割，并利用OpenCV等工具提取碳化物的几何与空间分布特征；最后，整合成分、工艺参数及图像特征，训练并比较了多种机器学习模型（如MLP、RFR、LSTM等），并利用SHAP（SHapley Additive exPlanations）分析模型的可解释性。

3.1. 碳化物特征与算法选择

通过系统比较多种语义分割模型，研究发现UNet++与DenseNet121的组合在碳化物分割任务中表现最优，其灵敏度（Sensitivity）达0.9770，交并比（IoU）为0.5674。该模型能有效识别碳化物区域，为后续特征提取奠定基础。

3.2. 特征选择与预测算法

基于Spearman秩相关系数进行特征筛选，并利用随机森林评估特征重要性。结果表明，碳化物特征（如周长、密度、均匀性）与硬度预测高度相关。在六种预测算法中，多层感知器（MLP）表现出最高的预测精度（R² = 0.996，RMSE = 1.9592），显著优于传统机器学习模型。

3.3. 渗碳钢工艺设计

研究开发了可视化工艺设计界面，集成参数输入、硬度预测与SHAP分析功能。通过调整碳含量、铬含量及热处理温度（如渗碳温度、淬火温度、回火温度），可实时预测硬度并解析各特征的贡献度。SHAP分析明确显示，铬含量、回火温度及碳化物分布是影响硬度的最关键因素。

3.4. 工艺设计与性能验证

基于模型优化，研究确定了最优工艺参数（如渗碳温度1050°C、淬火温度1000°C、回火温度240°C）和合金成分（低碳高铬设计）。实验验证表明，预测硬度曲线与实测结果高度吻合（均方误差MSE=1.921），证明了模型的可靠性与稳定性。

3.5. 讨论与启示

本研究通过融合成分、工艺参数及图像衍生的碳化物特征，显著提升了硬度预测的准确性。研究发现，碳化物的形态特征（如周长、均匀性）对硬度的影响甚至超过某些合金元素，凸显了显微结构在关联工艺与性能中的关键作用。MLP模型在处理高维异构数据时展现出优势，而SHAP分析则提供了清晰的物理洞察，增强了模型的可解释性。

该研究不仅为渗碳工艺的智能化设计提供了新范式，其结合先进图像处理与机器学习的多模态框架，也为其他材料体系的性能预测与优化提供了可迁移的方法论。通过数据驱动的方法，研究实现了从“经验试错”到“精准设计”的转变，为材料信息学在工程应用中的深入发展奠定了坚实基础。