チームの最近の成果：深層学習によるMg-Gd合金の微細組織表征とビッカース硬度予測
私たちのチームは『Journal of Magnesium and Alloys』（中国科学院QSCIランクI、JCR Q1）に論文「Deep learning-driven microstructure characterization and Vickers-hardness prediction of Mg-Gd alloys」を発表しました。本論文は高強度Mg-Gd合金を研究対象とし、合金の「プロセス - 微細組織 - 性能」間の定量的関連モデリング問題に焦点を当て、画像認識と深層学習に基づくマルチモーダル融合フレームワークを提案し、Mg-Gd合金のビッカース硬度の自動予測を実現した。
高強度Mg-希土類（Mg-RE）合金では、固溶処理と時効処理が合金の微細組織および機械的性質に大きな影響を与える。しかし、従来の実験手法や物理モデリング手法では、加工パラメータ、微細組織特徴、性能応答の間の定量的写像関係を効果的に構築することは依然として困難である。この問題に対処するため、本論文では高強度Mg-Gd合金を事例として、「プロセス（固溶と時効） - 微細組織 - 性能」に向けた定量分析フレームワークを構築した。具体的には、固溶状態のMg-Gd合金の機械的性質は主にGd含有量、粒界特徴、第二相の存在に影響される。一方、時効状態の合金の性能は、Gd含有量、時効パラメータ、析出相特徴の共同作用によってさらに影響を受ける。
上述の写像関係を構築するため、本論文では、元素組成、プロセスパラメータ、および合金顕微画像から抽出した微細組織特徴を組み合わせて合金硬度を予測する二段階マルチモーダル融合フレームワークを提案した。このフレームワークはまず、深層学習手法を用いて、異なる状態の合金画像から結晶粒サイズ、第二相、析出相などの重要な微細組織特徴を自動的に抽出する。その後、これらの画像特徴を組成および加工パラメータと融合し、固溶状態データセットと時効状態データセットをそれぞれ構築する。固溶状態データセットは固溶状態硬度の予測に用いられ、時効状態データセットは時効処理によって生じる硬度増分の予測に用いられる。実験結果により、2つの予測モデルはそれぞれ0.90および0.89のR²値を達成し、高い予測精度を示した。
手作業による分析結果との比較検証により、本論文で提案した二段階フレームワークは、Mg-Gd合金の最終的な室温硬度を自動的に予測でき、手作業による微細組織分析コストを効果的に削減できることが示された。
論文リンク：Deep learning-driven microstructure characterization and Vickers-hardness prediction of Mg-Gd alloys
コードリンク：https://github.com/han-yuexing/MCVHPA
