团队近期成果--基于多模态融合学习的Al-Si合金抗拉强度预测

我们团队在国际材料基因工程领域新刊《Materials Genome Engineering Advances》上在线发表论文”Prediction of ultimate tensile strength of Al-Si alloys based on multimodal fusion learning”。该论文上海大学材料科学与工程学院为第一单位，计算机工程与科学学院为第二单位，朱龙飞为第一作者，陈侨川为第三作者，韩越兴副教授和材料科学与工程学院李谦教授为共同通讯作者。

目前，Al-Si合金的抗拉强度主要是通过拉伸试验获得的，涉及到样品制备、加工和测试，需要专业技能和测试设备，存在测试周期长、成本高和材料浪费的问题。此外，对于形状复杂的构件，制备标准化的拉伸试样进行性能测试是一项挑战。因此，如何高效、准确地获取材料的抗拉强度是目前一个具有挑战性的问题。

针对此问题，创新性地提出一种综合考虑成分和微观组织的多模态融合学习框架来预测Al-Si合金的抗拉强度。本工作聚焦于具有广泛应用的亚共晶Al-Si合金，首先，我们从文献和实验数据中收集不同模态的数据，包括合金成分、添加合金元素、α-Al图像、共晶Si图像、拉伸样品尺寸和拉伸速率。其次，利用图像处理技术提取微结构特征参数，对图像进行分割和定量分析。然后，对来自不同模态的33个特征进行三步特征筛选，得到12个关键特征。最后，将12个关键特征作为输入，使用四种机器学习模型（决策树（DT）、随机森林（RF）、自适应增强（AdaBoost）和极端梯度提升（XGBoost））构建抗拉强度回归预测模型。结果表明，XGBoost模型在所有模型中表现最好，在数据有限且主要来自不同文献的情况下，获得了较高的抗拉强度预测精度（R2=0.94，相对误差小于8.1%，绝对误差小于14.2 MPa）。此外，通过特征重要性分析和SHAP分析确定了显著影响UTS的五个混合特征（Grain size、Ti、Si、ECD、Number density）及其临界值。本工作有望为构建亚共晶Al-Si合金成分、组织与性能之间的映射关系提供启示，并可应用于其他合金。

论文链接：Prediction of ultimate tensile strength of Al-Si alloys based on multimodal fusion learning