先进合金的人工智能：多尺度模拟、智能制造、高通量表征及服役性能智能评估

《Progress in Materials Science》：Artificial intelligence for advanced alloy: multiscale simulation, intelligent manufacturing, high-throughput characterization, and service performance intelligent assessment

　　

# 摘要

人工智能正在通过将其角色从传统的基于数据的性能预测扩展到嵌入物理模型、制造工作流程、表征管线和服务评估框架中的更广泛功能，来重塑合金研发。本综述总结了AI赋能合金开发在四个相互关联阶段中取得的最新进展：多尺度计算模拟、智能制造、高通量表征和服役寿命预测。在计算模拟方面，讨论了机器学习原子间势、CALPHAD辅助模型、离散位缺动力学、相场建模、晶体塑性有限元方法和ICME，重点强调模拟加速、闭合关系学习、参数反演和多尺度耦合。在智能制造方面，回顾了AI在铸造、锻造、增材制造、轧制、热处理和冶金精炼中的应用，突出了多源传感、物理场重构、缺陷检测、工艺优化和基于数字孪生的控制。基于SEM、EBSD、TEM/STEM和自动化微观组织定量分析的高通量表征进一步被视为连接加工历史、微观组织描述符和模型校准的关键数据反馈层。对于服役评估，总结了AI辅助预测腐蚀、疲劳、蠕变和耦合损伤，阐明了如何整合成分、微观组织、缺陷、残余应力、环境和载荷历史进行寿命预测和可靠性评估。最后，讨论了关键挑战，包括数据稀缺和异质性、物理一致性不足、外推可靠性有限、模型与尺度之间互操作性弱以及缺乏不确定性感知决策。提出了未来展望，朝着物理信息学习、标准化数据库、自主实验室、数字孪生和闭环合金开发系统的方向发展。

# 引言

人工智能（AI）正在深刻地重塑合金研发的传统范式。历史上，合金设计主要依赖于经验性的试错法、热力学计算、有限元模拟和积累的加工知识。尽管这些方法在成分设计、微观组织控制和性能优化方面发挥了重要作用，但随着合金系统变得更加复杂，其局限性日益明显。一方面，多元合金、高熵合金、高温合金、先进钢铁和轻量化合金通常以高维成分空间和复杂的相稳定性为特征，仅通过实验试错来探索其设计空间效率低下[1]、[2]、[3]。另一方面，合金制造涉及强耦合的多物理场过程，包括传热、流体流动、凝固、塑性变形、相变、析出和损伤演化。尽管传统数值模拟具有物理基础，但它们通常面临计算成本高、参数校准困难和跨尺度耦合复杂的问题，这限制了它们在高通量筛选、实时监测和闭环控制中的应用[4]、[5]、[6]、[7]。

近年来，机器学习、深度学习、物理信息神经网络、图神经网络、生成模型、贝叶斯优化和强化学习的快速发展，为克服这些瓶颈提供了新的技术途径[2]、[8]、[9]。与早期主要用于成分-性能预测的机器学习模型不同，AI在合金研究中的角色正在经历明显的转变。AI不再仅仅是一个独立的黑箱预测工具，而是越来越多地被嵌入到多尺度计算模拟、制造过程控制和服役性能评估中。在这些场景中，AI发挥多种功能，包括代理建模、计算加速、闭合关系学习、物理场重构、缺陷检测、参数反演、逆优化、不确定性量化和数字?哑生建模[10]、[11]、[12]、[13]、[14]、[15]。

在计算模拟层面，机器学习势函数使分子动力学模拟能够达到接近第一性原理精度，同时拓展可访问的时间和长度尺度[10]、[11]、[16]、[17]。机器学习辅助的CALPHAD和相图计算提高了预测复杂多元体系中相稳定性和热物性的效率[5]、[6]、[18]、[19]、[20]。AI与离散位缺动力学、相场建模和晶体塑性有限元方法的集成，进一步为加速模拟和解决与位缺行为、微观组织演化和晶粒尺度力学响应相关的逆问题提供了新途径[7]、[12]、[21]、[22]、[23]、[24]。这些进展正推动计算材料科学从孤立的单尺度模拟向以数据驱动建模、物理约束和多尺度集成为特征的智能计算框架转变。

在制造过程层面，AI正在推动传统合金加工技术的智能化转型，包括铸造、锻造、增材制造、轧制、热处理和冶金精炼。通过整合温度信号、图像、声发射、振动、力学信号和工艺参数等多源数据，机器学习模型可以实时预测温度场、应力场、熔池形貌和缺陷状态，从而支持工艺参数优化和闭环控制[13]、[14]、[25]、[26]、[27]、[28]、[29]。特别是在增材制造、热成型、轧制和复杂铸造过程中，AI模型已从离线质量预测发展为在线监测、过程诊断和基于数字孪生的控制，为提高制造稳定性和产品一致性提供了重要支持[30]、[31]、[32]、[33]、[34]、[35]。

在服役性能评估层面，合金的腐蚀、疲劳、蠕变和耦合损伤行为表现出强环境敏感性、历史依赖性和不确定性。传统的寿命预测模型通常依赖简化假设和大量实验校准，难以满足复杂服役条件下的可靠性评估需求[36]、[37]、[38]、[39]。AI方法可以整合成分、微观组织、缺陷、残余应力、环境参数和载荷历史等多维信息，建立服役性能和剩余使用寿命的预测模型。这样，AI提供了一种连接材料设计、制造过程和服役可靠性评估的潜在桥梁[9]、[40]、[41]、[42]、[43]。

在此背景下，本综述围绕一个AI赋能的合金开发框架组织，该框架连接多尺度计算模拟、智能制造、高通量表征和服役评估，如图1所示。其核心理念不是将AI视为孤立的数据拟合工具，而是阐明它如何在合金研发的不同阶段中作为计算加速器、代理模型、闭合关系学习者、物理场重构器、缺陷检测器、逆优化器、不确定性量化工具和数字孪生组件发挥作用。

首先，第2节讨论机器学习势函数和先进合金的分子动力学模拟，包括2.1节机器学习势的分类体系和技术特征、2.2节机器学习势在代表性合金系统中的应用、2.3节关键对比、剩余挑战和未来方向；第3节讨论相图与热物性，包括3.1节相图的高通量智能计算（含3.1.1数据驱动的相区和相界预测、3.1.2主动学习和不确定性引导的相图构建、3.1.3 AI增强的CALPHAD和高级相空间探索、3.1.4用于相图信息获取的大语言模型）、3.2节热物性的智能计算（含3.2.1导热系数预测与机理分析、3.2.2热膨胀预测与多目标优化）、3.3节关键对比、剩余挑战和未来方向；第4节讨论离散位缺动力学，包括4.1机器学习加速DDD模拟、4.2机器学习增强的物理建模和闭合关系、4.3节关键对比、剩余挑战和未来方向；第5节讨论AI集成相场建模，包括5.1物理基础与计算瓶颈、5.2 AI-PF集成的方法分类（含5.2.1数据驱动的代理加速、5.2.2物理信息和物理驱动的求解、5.2.3参数识别与不确定性感知校准、5.2.4高通量逆微观组织和工艺设计、5.2.5自由能和物理关系的跨尺度学习、5.2.6相场到性能映射及ICME中的集成）、5.3节关键对比、剩余挑战和未来方向；第6节讨论晶体塑性有限元方法，包括6.1机器学习驱动的计算加速和多尺度桥接、6.2本构增强与逆问题求解：从替代到闭合学习、6.3节关键对比、剩余挑战和未来方向；第7节讨论AI赋能的金属成形和集成计算材料工程综述，回顾AI辅助的多尺度计算方法，包括机器学习原子间势和分子动力学、相图和热物性预测、离散位缺动力学、相场建模、晶体塑性有限元方法以及金属成形中的集成计算材料工程。这些部分强调AI在加速模拟、改进物理闭合关系和实现跨尺度建模中的作用。

其次，第8节讨论智能铸造技术，包括8.1使用机器学习监测和预测铸造中的关键物理场（含8.1.1多源异构数据采集、8.1.2数据融合与智能特征提取）、8.2使用机器学习预测铸造中的微观组织/力学性能和工艺优化（含8.2.1基于机器学习的质量/性能预测模型、8.2.2工艺参数的自适应控制与优化）、8.3节关键对比、剩余挑战和未来方向；第9节讨论智能锻造技术，包括9.1使用机器学习监测和预测锻造中的温度和应力场、9.2基于机器学习的变形速度和应变速率场监测与预测、9.3基于机器学习的锻造载荷、成形能量和几何演化监测与预测、9.4使用机器学习预测材料锻造中的微观组织和力学性能、9.5节关键对比、剩余挑战和未来方向；第10节讨论智能增材制造，包括10.1熔池智能监测、10.2缺陷智能检测、10.3工艺智能优化、10.4性能预测与控制、10.5节关键对比、剩余挑战和未来方向；第11节讨论智能轧制技术，包括11.1轧制力的精确预测、11.2形状控制和表面缺陷优化、11.3力学性能预测、11.4节关键对比、剩余挑战和未来方向；第12节讨论智能集成热处理方案，包括12.1智能热处理在传统工艺中的应用、12.2智能热处理在专用工艺中的应用、12.3节关键对比、剩余挑战和未来方向；第13节讨论机器学习赋能的智能冶金，讨论AI与关键合金制造工艺的集成，包括铸造、锻造、增材制造、轧制、热处理和冶金精炼，特别关注多源传感、温度和应力场重构、缺陷识别、性能预测、工艺优化和闭环控制。

第三，第14节重点关注基于SEM、EBSD、TEM/STEM和自动化微观组织定量分析的高通量表征，强调AI如何将大规模图像和晶体学数据转化为定量描述符，作为计算和工艺模型的反馈信息。

最后，第15节总结了AI辅助的服役损伤评估和寿命预测，涵盖腐蚀、疲劳、蠕变和耦合损伤，随后讨论了与数据标准化、物理一致性、模型泛化、多尺度互操作性、不确定性量化和自主闭环合金开发相关的主要挑战和未来展望。

# 各章节摘录

## 机器学习势函数和先进合金的分子动力学模拟

代表性合金系统，包括高温合金、铝合金、高强钢和新兴多元合金，涵盖了与相稳定性、缺陷演化、轻量化设计和力学性能相关的多种科学挑战。其微观组织演化和宏观力学及热力学性能直接决定了设备的运行可靠性和使用寿命[44]、[45]、[46]。分子动力学（MD）模拟

## 相图与热物性

相图作为材料科学家不可或缺的"地图"，系统地揭示了材料在不同成分-温度-压力条件下的相演化规律、凝固路径和相变动力学。它们为优化合金成分、确定热处理工艺窗口和精确控制微观组织提供了基础理论指导，有效克服了固有的高成本

## 机器学习加速DDD模拟

离散位缺动力学（DDD）通过将有位缺的位缺机制与连续介质本构描述联系起来，为晶体塑性提供了介观框架[136]、[137]、[138]。通过显式解析位缺运动和相互作用，它被广泛用于研究应变硬化[139]、[140]、[141]、小尺度尺寸效应[142]、[143]、位缺图案化[144]、[145]、间歇性[146]、[147]以及位缺与微观组织之间的相互作用

## AI集成相场建模

相场（PF）方法已成为描述微观组织演化和将加工历史与结构和性能联系起来的核心介观工具[7]、[184]、[185]、[186]、[187]、[188]、[189]。通过将相、成分、取向、位移、极化、损伤或其他状态变量表示为连续场，相场模型避免了显式追踪移动界面，可以处理凝固、析出、晶粒生长、马氏体相变

## 晶体塑性有限元方法

晶体塑性有限元方法（CPFEM）提供了一个基于物理的框架，用于将晶体学变形机制与宏观力学响应联系起来。通过显式考虑晶粒取向、滑移系活动、点阵旋转、应变硬化和微观组织非均匀性，CPFEM可以描述多晶合金的各向异性塑性变形、织构演化、应变局部化和微观组织敏感力学行为。因此，它

## AI赋能的金属成形和集成计算材料工程

塑性成形是冶金材料的主要制造工艺之一，包括锻造、轧制、挤压和冲压等。塑性成形的目标是通过在各种施加驱动力作用下利用塑性变形机制来生产具有设计几何形状和性能的零件。与其他制造工艺相比，塑性变形具有高效率、近净成形的优点。最重要的是，它可以生产高质量的产品

## 智能铸造技术

铸造是一种基本的近净成形方法，熔融金属填充模具并凝固成零件。

质量形成受流场、传热、凝固、补缩、应力与变形等多个紧密耦合环节的控制，而合金状态、模具状态与设备参数的变化都可能诱发缩孔、夹杂、冷隔、热裂或尺寸超差。因此，智能化铸造不能仅依赖孤立的预测模型，而需要构建可追溯的闭环——将预测结果反馈到工艺与模具设计，实现真正意义上的智能铸造。

**智能化锻造技术**

锻造是一种先进的制造工艺，在压缩载荷作用下对金属坯料进行塑性变形，从而获得具有特定形状、尺寸和优良力学性能的锻件。传统锻造工艺高度依赖操作人员的经验，对复杂部件的成形质量控制能力有限。随着锻造产业向自动化、数字化和智能化演进，机器学习带来了范式变革。

**智能化增材制造**

在科学技术与产业转型不断革新的推动下，以人工智能和数字孪生为代表的尖端技术与传统制造深度融合，催生出前所未有的智能制造范式。增材制造（AM）凭借其独特的"自下而上"逐层堆积成形原理，突破了传统减材制造固有的设计限制，提供了……

**智能化轧制技术**

轧制是将金属坯料置于连续、动态的压缩应力下，在通过旋转轧辊时发生塑性变形的工艺过程。该方法能够生产具有规定截面轮廓、精确尺寸和增强力学性能的中厚板或带状产品。传统轧制工艺控制主要依赖机理模型和经验公式。尽管这些方法具有基础作用，但其控制精度往往不足。

**智能化热处理方案**

热处理是工业制造中的关键工序，直接决定产品的最终性能与质量。传统热处理方法长期依赖操作人员的经验判断，这往往引入人为差异，表现为工艺参数波动、温度控制精度不足、一致性与稳定性难以保证等问题，最终损害产品合格率与……

**机器学习赋能的智能化冶金精炼工艺**

总体而言，将数据驱动与机器学习（ML）技术应用于冶金精炼工艺关键参数的智能研究，已成为一个突出的前沿领域。相关研究广泛覆盖了电渣重熔（ESR）、电弧炉（EAF）、转炉炼钢（BOF）、钢包精炼（LF）和真空脱气（VD/RH）等核心工艺。这些研究基于包含运行记录、热物性数据库以及……的大量数据集。

**高通量表征技术**

高通量表征在合金成分、处理历史与宏观性能之间架起了实验桥梁。与操作者人工挑选的孤立测量不同，它将自动化台位移控与探测器控制相结合，在大面积、成分库或三维体积范围内进行可重复的空间采样，同时协调来自……的互补形态学、化学成分、晶体学、应变、缺陷与界面信息。

**服役损伤与寿命预测**

金属合金具有优异的力学性能和物理特性，使其成为航空航天、能源工程、交通运输等领域关键应用的基础材料[36]，[37]，[38]，[39]。然而，在涉及载荷、温度和介质等多场耦合的复杂服役环境中，金属材料容易发生腐蚀、疲劳和蠕变损伤[575]，[576]，[577]。这进一步影响运行安全与……

**结论与展望**

本综述系统地总结了人工智能在合金多尺度计算模拟、智能制造工艺和服役寿命预测方面的最新进展。总体而言，AI在合金研发中的作用正从传统的、用于性能预测的数据驱动工具，演变为嵌入物理模型的计算加速器、闭环关系学习器、工艺优化器以及数字孪生的核心组件。

**CRediT作者贡献声明**

王文旺（Wenwang Wu）：撰写——审阅与编辑，撰写——初稿，监督管理，资金获取。
Xu Kang：撰写——初稿。
Yang Xianli：撰写——初稿。
Zhao Qiutong：撰写——初稿。
Mao Shilin：撰写——初稿。
Sun Dongke：撰写——初稿。
Wei Tianyu：撰写——初稿。
Zhang Xu：撰写——初稿。
Hou Xiang：撰写——初稿。
Zhang Liang：撰写——初稿。
Deng Dayang：撰写——初稿。
Yang Ping：撰写——初稿。

**利益冲突声明**

作者声明不存在任何已知的、可能影响本文所述工作的竞争性经济利益或个人关系。

**致谢**

本研究由先进材料-国家科技重大项目（编号：2025ZD0619200）和中国国家自然科学基金（编号：12472347）资助。本研究还得到了中国国家自然科学基金（52130107）的支持。

**Prof. Dr. Wenwang Wu Scopus信息：**
Wenwang Wu 教授任职于苏州实验室，并获得了瑞士洛桑联邦理工学院（école Polytechnique Fédérale de Lausanne）的博士学位。其研究方向包括：先进合金材料的智能设计、复合材料与结构力学。https://www.scopus.com/pages/authors/57194469872

Wenwang Wu | Kang Xu | Xianli Yang | Qiutong Zhao | Shilin Mao | Dongke Sun | Tianyu Wei | Xu Zhang | Xiang Hou | Liang Zhang | Dayang Deng | Ping Yang | Pengyang Zhao | Cheng Wen | Liying Wu | Ruxue Liu | Rui Zhang | Zhiqiang Hu | Zhengming Sun