基于图像机器学习的AZ80镁合金微观结构-力学性能关联预测研究

本研究针对镁合金力学性能预测难题，创新性地采用深度学习模型直接从SEM微观结构图像预测AZ80镁合金的屈服强度(YS)、极限抗拉强度(UTS)及Ramberg-Osgood本构参数(K/n)。通过合成数据过采样技术解决数据不平衡问题，模型在图像外验证中实现YS/UTS预测误差<2.2%，为镁合金高通量表征提供新范式。

　　

镁合金作为最轻的金属结构材料，在航空航天和汽车轻量化领域具有战略意义。然而，其复杂的微观结构与力学性能间的非线性关系，使得传统基于经验公式或有限元模拟的预测方法面临巨大挑战。尤其对于AZ80这类商用镁合金，铸造-锻造工艺产生的动态再结晶(DRX)区域分布、Mg₁₇Al₁₂金属间化合物形态等微观特征，会显著影响材料的屈服强度和应变硬化行为。现有研究多依赖人工提取微观结构特征进行回归分析，不仅耗时费力，还可能遗漏关键形态学信息。

Erfan Azqadan团队在《Journal of Magnesium and Alloys》发表的研究，开创性地将计算机视觉领域的深度学习技术引入镁合金性能预测。研究团队通过27种工艺参数组合制备AZ80镁合金试样，构建包含377张SEM图像的独特数据集。为解决微观结构长程异质性与局部特征捕获的矛盾，开发了512×512像素大尺寸输入的卷积神经网络(CNN)，创新性地集成自注意力机制处理多尺度特征。

关键技术包括：(1)采用去噪扩散概率模型(DDPM)生成合成图像平衡数据分布；(2)开发带放大倍数条件输入的六层卷积网络架构；(3)通过梯度加权类激活映射(Grad-CAM)可视化特征重要性；(4)采用图像外(image-out)和类别外(class-out)双重验证策略。

【微观结构与力学性能关联】

研究显示铸造冷却速率(1.5-10.4°C/s)和锻造温度(250-350°C)显著影响DRX程度和Mg₁₇Al₁₂相分布。如经420°C均匀化处理的试样呈现连续/非连续共晶组织共存特征，对应较高的应变硬化率（图4）。这种微观结构多样性为机器学习提供了理想的数据基础。

【数据平衡策略优化】

对比实验证明，基于DDPM的合成过采样使YS预测误差降低42%（图5）。合成图像与真实图像的Fréchet起始距离(FID)达6.46，形态学参数误差<7.1%，显著优于简单复制过采样方法(p<0.01)。

【力学性能预测精度】

在图像外验证中，模型对K参数的预测误差仅1.5%，n参数误差5.47%（图6）。值得注意的是，通过多图像预测取平均的策略，YS预测的R²达0.93，NRMSE降至0.0687（图8）。Grad-CAM热图显示模型能自动聚焦晶界和金属间化合物界面等关键区域（图7）。

【本构关系重建】

基于预测的K/n参数重建的Ramberg-Osgood曲线与实验曲线高度吻合（图9）。其中锻造温度300°C、高变形量条件的预测曲线几乎完全重叠，验证了模型在塑性变形阶段的预测可靠性。

该研究建立了首个直接从SEM图像预测镁合金全应力-应变曲线的智能模型。其重要意义在于：(1)突破传统描述符提取的局限性，实现端到端的微观结构-性能关联；(2)开发的DDPM数据增强策略为小样本材料研究提供新思路；(3)模型参数开源促进领域发展。未来结合工艺参数-微观结构生成模型，可形成完整的"工艺-结构-性能"数字孪生框架，加速镁合金的优化设计。