在高温合金服役中，蠕变断裂是其主要的失效形式之一，因此准确预测蠕变寿命对于科学设计和确保高温合金的可靠安全使用至关重要。近年来，随着计算科学的迅猛发展，机器学习在预测高温合金蠕变寿命方面取得了显著成就。例如，结合高通量实验和引入物理信息描述符的机器学习算法预测蠕变寿命，提高模型精度与解释性。然而，在使用化学成分作为输入特征来预测蠕变性能，热处理工艺在模型中的作用往往被忽视。这限制了机器学习模型的泛化性能和解释性。因此通过全面考虑热处理工艺对蠕变性能的影响，提高机器学习模型的预测精度和解释性，对该领域的发展至关重要。

河北科技大学苏孺教授团队联合德国马普所和北京科技大学的学者提出了一种基于领域专业知识增强的机器学习模型，用于高温合金蠕变寿命的可解释性预测。通过评估热处理工艺对高温合金蠕变性能的影响，成功实现了高精度的蠕变寿命预测。这项工作基于成分-工艺-性能之间的联系，采用了嵌入领域专业知识的分类和回归模型，深入研究了热处理工艺对高温合金蠕变性能的影响，成功评估了热处理工艺并准确预测了高温合金的蠕变寿命，最终实现了对热处理工艺的逆向优化，将蠕变性能提升了5.5倍以上。相关工作以题为“Interpretable predicting creep rupture life of superalloys: enhanced by domain-specific knowledge”的研究性文章发表在《Advanced Science》。河北科技大学硕士研究生殷嘉维为论文第一作者，马普所饶梓元研究员、河北科技大学吴大勇副教授、苏孺教授为论文的通讯作者。

论文链接：https://onlinelibrary.wiley.com/doi/10.1002/advs.202307982

图1.整体方法概述：(a) 我机器学习的预测高温合金蠕变寿命和评估热处理工艺的工作流框架。(b) 逆向设计实验验证阶段。

图2.相关研究方法的具体流程：(Ⅰ) 对通过专业知识评估热处理过程的步骤的示意图，整个数据集被分为两个子数据集；(Ⅱ) 嵌入的关键物理特征在评估热处理工艺中起到的作用；(Ⅲ)基于Person相关系数完成关键特征的筛选，实现蠕变寿命的预测。

图3.反向优化热处理工艺，实现蠕变寿命的大幅提升

本研究提出了一个基于机器学习的预测高温合金蠕变寿命和评估热处理工艺的工作框架。研究的主要亮点主要包括1）通过领域专业知识首次评估了热处理工艺；2）结合高质量描述符和专业知识首次实现了利用机器学习模型对热处理工艺的评估；3）通过筛选关键特征增强的回归模型预测蠕变寿命（准确率达90%以上）；4）应用该模型实现了热处理工艺优化，最终在极低的实验成本下实现工艺优化。该方法考虑了关键特征，如热处理过程参数和选定的微观结构参数对高温合金蠕变性能的影响，在简化合金设计过程优化热处理工艺方面实现了时间和实验成本节约。