《Results in Engineering》：Physics-informed data synthesis enables deep learning in data-scarce materials engineering
编辑推荐：
深度学习已在蛋白质结构预测、无机晶体稳定性及化学合成等领域借助大规模训练数据集取得进展。然而，在严苛服役载荷下的结构材料工程领域（如航空发动机铸件、涡轮锻件及核压力边界部件），则处于截然相反的情形。此类材料附加值高、资质要求严格，且市场需求在结构上有限而非持续
深度学习已在蛋白质结构预测、无机晶体稳定性及化学合成等领域借助大规模训练数据集取得进展。然而，在严苛服役载荷下的结构材料工程领域（如航空发动机铸件、涡轮锻件及核压力边界部件），则处于截然相反的情形。此类材料附加值高、资质要求严格，且市场需求在结构上有限而非持续，因此生产必然呈现小批量、定制化特征。单个工艺的有标注观测数据因而可能极为有限，难以支撑可靠的模型开发与评估。在此背景下，数据稀缺性与预测价值相互关联：试验成本高昂，而避免失效具有显著价值，但同样的成本限制了训练和评估预测模型所需的探索性采样。一个实际问题是如何将可用的工艺知识与有限观测数据结合使用。相关信息包括指定的扰动尺度、工艺约束、失效机理认识及少量提供的工艺记录。任务是将这些知识表示为学习算法可用的形式，并与测量数据结合，同时赋予经验记录更高的个体权重。研究人员通过从稀缺经验记录本身合成训练信号来解决这一问题。工艺约束扰动生成每个观测的变体，紧凑的机理映射通过分层插值填充额外的工艺区域。两个合成来源与生产记录构成单一加权语料库，其中原始观测获得更高权重。应用于K439B补焊热裂纹预测，该研究在共同网络和测试集下比较三个累积训练阶段，评估传统分类器，并考察各板材的焊接结果。
一、研究背景与问题
结构材料在严苛服役条件下的工程应用（如航空发动机铸件、涡轮锻件和核压力边界部件）具有高附加值、严格资质要求和市场需求有限的特点，导致生产模式为小批量和定制化。这使得单个工艺的有标注观测数据极为有限，难以支撑可靠的深度学习模型开发与评估。试验成本高昂，而避免失效具有显著价值，但同样的成本限制了训练和评估预测模型所需的探索性采样。因此，如何在有限观测数据条件下充分利用可用的工艺知识（包括指定的扰动尺度、工艺约束、失效机理认识及少量工艺记录），将其表示为学习算法可用的形式并与测量数据结合，同时保留经验记录的更高权重，是亟待解决的关键问题。
二、研究内容与结论
研究人员以K439B镍基高温合金导向组件铸件的手工TIG补焊热裂纹预测为案例，构建了三层数据合成框架：第一层为32条原始生产记录（权重5.0）；第二层通过工艺约束扰动生成32,000条增强样本（权重1.0），每条样本继承父代标签；第三层通过紧凑的机理映射与分层插值生成32,000条虚拟样本（权重1.0）。三层合成语料库共64,032条样本。在分类器架构和训练协议固定的条件下，平均内部测试准确率从仅使用原始记录的79.27%提升至加入第二层后的85.41%，再加入第三层后达到99.15%。此外，320个焊点的前瞻性验证表明，模型报告的裂化概率（2.5%–78.0%）与实测裂化分数在四个工艺条件下均落在基于板材的95%置信区间内。研究结论表明，局部扰动和基于机理的插值在已测量和未测量区域提供了互补的训练信号；准确率差距是可通过物理知识弥合的覆盖问题，而非结构性障碍。
三、关键技术方法
研究人员采用的主要技术方法包括：（1）工艺约束高斯扰动增强，对九个工艺参数施加独立零均值高斯噪声，并依次执行几何兼容性修正、工艺耦合变换、范围裁剪及条件采样规则，生成增强样本并继承父代标签；（2）基于符号搜索的紧凑机理映射，通过六种复合描述符（能量输入强度、几何应力集中、残余热驱动力、热积累、冷却速率和焊丝直径）构建CPI指标并经逻辑变换，利用32条源记录及其32,000条增强后代进行符号搜索与数值拟合，生成虚拟样本标签；（3）分层插值采样，在存储锚点间独立采样七个工艺变量并施加高斯噪声和裁剪，焊丝直径按电流条件采样，10%样本分配至高低电流子区域；（4）前馈神经网络分类器（两层隐藏层64和32个ReLU单元，dropout 0.3和0.2，sigmoid输出），采用Adam优化器、阶梯衰减学习率、批大小512和L2正则化；（5）前瞻性焊接验证，在四种工艺条件下对五种K439B板材的4×4网格共320个焊点进行X射线盲评。样本队列来源为32条K439B补焊生产记录及后续320焊点前瞻性验证队列。
四、研究结果
1. 各层对预测准确率的贡献
通过在三层累积训练阶段上使用共同网络和测试集进行三次重复训练，研究人员发现平均准确率从仅源记录的79.27%增至加入第二层后的85.41%，再加入第三层后达到99.15%， successive gains分别为6.14和13.74个百分点。最终增益主要反映在方程衍生靶标的预测改善上。但在数据生成前预留源记录的测试中，三阶段未复现一致的改善。
2. 焊接结果与概率比较
通过四种焊接条件（S1–S4）各80个焊点的前瞻性验证，研究人员发现观测裂化分数分别为5.00%、23.75%、55.00%和75.00%，对应的板材基95%区间分别为1.53%–8.47%、17.26%–30.24%、44.88%–65.12%和62.73%–87.27%。所有四个报告概率均落在这些区间内，但四个选定条件的一致性不足以确立整个工艺空间的校准。
3. 分类器比较与先前方法的关系
通过在完整语料库上固定数据并更换分类器进行比较，研究人员发现逻辑回归、随机森林和DNN的平均准确率分别为84.25%、98.86%和99.15%，随机森林在本语料库上表现接近DNN。机理映射单独在该测试行上给出89.22%的准确率，与第二层标签的一致率为78.44%，与自身第三层标签的一致率为100%。
五、讨论与结论
讨论部分指出，该研究使用单一合金和应用的小型源数据集，合成行可能在训练集和测试集间共享祖先，映射在划分前开发，因此内部三阶段分数不能确立对独立新焊点的准确率。继承的二值标签假设输入调整后响应不变，不描述裂纹严重程度。四个焊接条件覆盖选定设置，条件效应与日期效应混杂。将该方法应用于其他工艺需要能够拟合可用生产数据并捕捉主导物理驱动因素的紧凑机理映射，这是比封闭控制方程描述更弱的前提条件。未来工作应在映射开发和数据生成之前预留的更大独立数据集上测试完整流程，比较训练集大小以确定额外真实观测是否改善第三层的贡献，跨天重复焊接条件以分离工艺效应和日期效应，并将二值标签扩展至裂纹严重程度并测试其他合金。
研究结论部分翻译：本研究考察了基于32条源记录的K439B补焊热裂纹预测的物理信息数据合成。在固定网络架构和训练协议的条件下，工艺约束增强和基于机理的插值将平均内部测试准确率从79.27%提升至85.41%和99.15%。两个层提供不同的训练靶标，最终增益在方程衍生标签上最大。在生成前预留源记录的测试中未显示一致的三阶段增益。四个焊接组增加了报告概率与观测裂化分数之间的比较，并跨板材评估了变异。贡献在于一种将工艺知识转化为训练样本同时保留源记录更高权重的构建方法。其使用取决于这些记录的质量、标签稳定性假设和拟合映射。匹配的随机森林结果还表明，构建的语料库可供神经网络以外的分类器使用。
