团队近期成果--深度学习驱动的Mg-Gd合金显微组织表征和维氏硬度预测
我们团队在《Journal of Magnesium and Alloys》（中科院一区，JCR Q1）上发表论文“Deep learning-driven microstructure characterization and Vickers-hardness prediction of Mg-Gd alloys”。该论文以高强度 Mg-Gd 合金为研究对象，围绕合金“工艺—微观组织—性能”之间的定量关联建模问题，提出了一种基于图像识别与深度学习的多模态融合框架，实现了对 Mg-Gd 合金维氏硬度的自动化预测。
高强度 Mg-稀土（Mg-RE）合金中，固溶处理和时效处理会显著影响合金的微观组织与力学性能。然而，传统实验方法和物理建模方法仍难以有效建立加工参数、微观组织特征与性能响应之间的定量映射关系。针对这一问题，本文以高强度 Mg-Gd 合金为案例，构建了一个面向“工艺（固溶与时效）—微观组织—性能”的定量分析框架。具体而言，固溶态 Mg-Gd 合金的力学性能主要受 Gd 含量、晶界特征以及第二相存在情况影响；而时效态合金的性能则进一步受到 Gd 含量、时效参数以及析出相特征的共同影响。
为建立上述映射关系，本文提出了一种两阶段多模态融合框架，将元素成分、工艺参数与由合金显微图像提取的微观组织特征相结合，用于预测合金硬度。该框架首先利用深度学习方法从不同状态下的合金图像中自动提取晶粒尺寸、第二相和析出相等关键微观组织特征；随后，将这些图像特征与成分及加工参数进行融合，分别构建固溶态数据集和时效态数据集。其中，固溶态数据集用于预测固溶态硬度，时效态数据集则用于预测由时效处理引起的硬度增量。实验结果表明，两个预测模型分别取得了 0.90 和 0.89 的 R² 值，表现出较高的预测精度。
与人工分析结果的对比验证表明，本文提出的两阶段框架能够实现 Mg-Gd 合金最终室温硬度的自动化预测，有效降低人工微观组织分析成本。
论文链接：Deep learning-driven microstructure characterization and Vickers-hardness prediction of Mg-Gd alloys
代码链接：https://github.com/han-yuexing/MCVHPA
