团队近期成果--基于FAGC的Cu-Cr-Zr合金微观组织与性能关系研究

我们团队在《Physica B: Condensed Matter》（IF：3.2）上发表论文“Revealing the structure–property relationships of copper alloys with FAGC”。该论文以上海大学计算机工程与科学学院为第一单位，围绕小样本条件下Cu-Cr-Zr合金微观组织与电导率、硬度之间的定量关系展开研究，提出了一种融合深度学习、形状空间理论、特征增强和伪标签学习的材料性能预测框架。

Cu-Cr-Zr合金兼具较高的电导率、强度和热稳定性，被广泛应用于集成电路引线框架、电阻焊电极、高速铁路接触线以及聚变反应堆热沉部件等领域。然而，合金强度与电导率之间通常存在相互制约关系，其性能还会受到成分、热处理工艺、晶粒尺寸及析出相分布等多种因素的共同影响。传统材料研究主要依赖样品制备、显微组织表征和性能测试，不仅实验周期较长、成本较高，而且难以获得足够规模的数据用于深度学习模型训练。特别是在仅有少量显微组织图像的情况下，模型容易出现过拟合，限制了微观组织—性能关系的准确建模。

针对上述问题，本文引入测地线曲线特征增强方法FAGC（Feature Augmentation on Geodesic Curve），构建了Cu-Cr-Zr合金电导率和硬度预测框架。该框架首先利用EfficientNet-B6从合金显微组织图像中提取深度特征，并将其投影至预形状空间；随后，通过拟合样本特征分布的测地线曲线生成新的特征样本，并利用经过微调的回归模型为生成特征分配伪标签；最后，将原始特征—标签对与生成的特征—伪标签对共同用于下游回归模型训练，从而在不额外制备大量实验样品的情况下扩充训练数据。

本文基于18组具有电导率和硬度测试结果的Cu-Cr-Zr合金显微组织图像开展实验，并采用六折交叉验证对模型进行评价。每一折均使用15组样品完成特征提取模型微调、测地线构建、特征生成、伪标签分配和回归模型训练，其余3组样品仅用于测试，从而避免测试信息参与训练过程。实验比较了不同EfficientNet网络、回归模型以及生成特征数量对预测结果的影响。结果表明，EfficientNet-B6具有较好的特征提取能力；当生成约100个增强特征并采用决策树回归模型时，模型取得了最佳综合表现。

在电导率预测任务中，引入FAGC后，决策树模型的R²由0.609提高至0.978；在硬度预测任务中，R²由0.638提高至0.998。与此同时，电导率和硬度预测的RMSE分别降低至1.9和2.0，表明测地线特征增强与伪标签机制能够有效缓解材料数据规模不足的问题。生成特征的t-SNE可视化结果进一步显示，测地线曲线能够较好地覆盖真实样本的特征分布，生成特征的性能变化趋势与真实样本保持一致。

在建立Cu-Cr-Zr合金微观组织—性能预测模型的基础上，本文进一步将显微组织图像划分为16个局部区域，对不同区域对硬度和电导率的贡献进行可视化分析。结果表明，具有较细晶粒、较多析出相或更复杂组织结构的区域通常对应较高硬度；而晶界或相界较少、组织相对均匀的区域通常具有较高电导率。该结果从图像层面揭示了Cu-Cr-Zr合金局部微观组织与性能之间的关联，为理解强度与导电性能之间的权衡关系提供了新的分析手段。

总体而言，本文将形状空间理论、深度特征增强和机器学习回归方法应用于Cu-Cr-Zr合金性能研究，在有限实验样本条件下实现了电导率和硬度的高精度预测，并进一步揭示了局部晶粒、析出相及界面特征对材料性能的影响。该研究为解决材料科学中的小样本建模问题提供了新的技术路径，也可为高硬度、高电导率铜合金的成分—工艺调控与性能优化提供参考。

论文链接：Revealing the structure–property relationships of copper alloys with FAGC