高强度钢强度预测的描述符补全与级联迁移

《Scientific Reports》：Descriptor completion and cascade transfer for strength prediction in high strength steels

　　## 摘要尽管高强度钢（HSS）的力学行为受成分-工艺-结构-性能强耦合的控制，但文献来源数据集中微观组织报告的完整性不足，阻碍了对抗拉强度（TS）和屈服强度（YS）的准确预测。本文开发了一种物理信息驱动的机器学习框架，区分了在描述符不完备条件下提升强度预测的两条路径：显式微观组织描述符补全和间接TS至YS级联迁移。我们采用结合热力学计算、K近邻（KNN）估计和专家引导评分的混合方案重构缺失的微观组织特征，生成了成分-工艺-微观组织（CPM）描述符空间，并以成分-工艺（CP）基线作为对照。随后在相等的保留特征预算和防数据泄露工作流框架内，通过重复随机划分训练集/测试集的方式，评估了直接预测和级联预测策略。补全后的微观组织描述符始终进入紧凑的保留特征子集，并在重复划分下产生了一般有利的HSS强度直接预测平均变化。最大的代表性改进出现在屈服强度（YS）的10特征紧凑设定下，单次划分测试R2从0.815提升至0.901，重复评估也显示多项关键对比中划分间变异性有所降低。相比之下，级联预测仅表现出条件性收益：在描述符受限的CP空间中，它改善了高强度钢的单次划分留出YS预测，但该优势在重复评估中未能作为平均增益持续存在，也无法推广至铝合金。一旦补全后的微观组织描述符在CPM空间中显式可用，级联预测便不再对直接建模提供稳健优势。SHAP分析和残差分析进一步表明，描述符补全使模型转向了具有物理意义的结构状态变量，而预测TS仅在此类信息缺失时主要作为辅助代理。总体而言，在当前小样本、文献来源的设定下，显式微观组织描述符补全比间接目标迁移提供了更具实践支撑的路径。因此，级联学习应被视为一种依赖具体情境的辅助策略，其效用最大化的条件为描述符受限的情况。