チームの最近の成果：多モード融合学習に基づくAl-Si合金の引張強度予測

我々のチームは、国際材料遺伝子工学分野の新刊『Materials Genome Engineering Advances』に「Prediction of ultimate tensile strength of Al-Si alloys based on multimodal fusion learning」という論文をオンラインで発表した。同論文は上海大学材料科学・工学院が第1単位、コンピュータ工学・科学学院が第2単位、朱龍飛が第1著者、陳僑川が第3著者、韓越興助教授と材料科学・工学院李謙教授が共同通信著者である。

現在、Al-Si合金の引張強度は主に引張試験によって得られ、サンプルの製造、加工、試験に関連し、専門的な技能と試験設備が必要で、試験周期が長く、コストが高く、材料の浪費の問題がある。また、複雑な形状の部材に対して、標準化された引張試料を製造して性能試験を行うことは課題である。

そのため、材料の引張強度をいかに効率的かつ正確に取得するかは現在の課題である。 この問題に対して、Al−Si合金の引張強度を予測するために、成分とミクロ組織を総合的に考慮した多モード融合学習フレームワークを革新的に提案した。本作業は広く応用されているサブ共晶Al-Si合金に焦点を当て、まず、文献と実験データから合金成分、添加合金元素、α-Al画像、共晶Si画像、引張サンプルサイズ、引張速度を含む異なるモードのデータを収集した。次に、画像処理技術を用いて微細構造特徴パラメータを抽出し、画像を分割し定量分析する。次に、異なるモダリティからの33個の特徴を3段階の特徴選別を行い、12個の重要な特徴を得た。最後に、12個の重要な特徴を入力として、4種類の機械学習モデル（決定木（DT）、ランダム森林（RF）、適応強化（AdaBoost）と極端勾配向上（XGBoost）を用いて引張強度回帰予測モデルを構築する。その結果、XGBoostモデルはすべてのモデルの中で最もよく表現され、データが限られ、主に異なる文献から来た場合、高い引張強度予測精度が得られた（R 2=0.94、相対誤差は8.1%未満、絶対誤差は14.2 MPa未満）。また、UTSに顕著な影響を与える5つの混合特徴（Grain size、Ti、Si、ECD、Number density）及びその臨界値を特徴重要性解析及びSHAP解析により決定した。本作業は亜共晶Al-Si合金成分、組織と性能の間のマッピング関係の構築にヒントを提供することが期待され、他の合金に応用することができる。

論文へのリンク：Prediction of ultimate tensile strength of Al-Si alloys based on multimodal fusion learning