材料基因組 (MG)和集成計算材料工程 (ICME)在世界范圍內越來越受到科學和工程領域的認可和接受，它們整合了材料制備、表征、智能數據庫和制造過程模擬等多種研究方法以材料設計為目標。對于材料的設計和優化，組成-微觀結構-性能關系的建立是關鍵因素?；诔煞?、工藝和微觀結構的機械性能定量評估和預測對于精確定制金屬材料的微觀結構和機械性能至關重要。建立成分-微觀結構-性能關系是材料科學中一個長期存在的課題，但無論是連續介質力學方法還是機器學習方法都沒有建立一個通用模型來涵蓋金屬材料的廣泛應力-應變關系，并且，特別是對于具有復雜微觀結構的鋼。

來自東北大學的學者開發了一個處理多模式數據庫（包括成分和多源微觀結構圖像）的深度學習框架，用于預測雙相鋼的拉伸性能。該模型能夠實現多模態數據的耦合分析，具有良好的通用性。此外，多源微結構信息的整合顯著使模型能夠兼容多種機制，并在大應力-應變范圍內實現準確預測。最后，在所提出的框架中應用的反向可視化加深了對不同相形態下應變分布的機制理解，極大地提高了深度學習模型的可解釋性。該框架為復雜鋼系統中成分微觀結構-性能關系的預測提供了有用的指導，并可能應用于其他合金。相關文章以“Building a quantitative composition-microstructure-property relationship of dual-phase steels via multimodal data mining”標題發表在Acta Materialia。

圖 1. DP 鋼的加工路線、顯微組織、拉伸性能和馬氏體體積分數分布。(a) Q-IA、(c) IA 和(e) AIA 的加工路線。(b) Q-IA、(d) IA 和 (f) A-IA 樣品的微觀結構。馬氏體體積分數與 (g) 屈服強度 (YS)、(h) UTS、(i) UEL 和 (j) 總伸長率 (TEL) 的散點圖

圖 2. 基于多模態 DP 鋼數據庫的拉伸性能預測 DL 框架

圖 3. CNN-DP 模型對測試集的預測。(a) UTS，(b) UEL。

圖 4. (a) DP-1Mn-IA-815?C 樣品的 BC 圖像。(b) UTS 和 UEL 在 DP-1Mn-IA-815?C 樣品下的驗證結果。（~：預測值與實驗值之差）。(c) DP-2Mn-IA-815℃樣品的 BC 圖像。(d) UTS 和UEL 在 DP-2Mn-IA-815?C 樣品下的驗證結果。

圖 5. UTS 和 UEL 的可視化結果。(a) DP-1Mn-A-IA-810℃、(b) DP-1Mn-IA-825℃ 和 (c) DP-1Mn-A-IA-810℃ 的 BC 圖像。(d) DP1Mn-A-IA-810?C 的 UTS 疊加圖像。(e) DP-1Mn-IA-825℃ 和 (f) DP-1Mn-A-IA-810℃ 的 UEL 堆疊圖像

圖 6. (a) 不同來源微觀結構圖像的預測結果比較。(b) DP-1Mn-A-IA-810℃ 和 (c) DP-3Mn-IA-825℃ 樣品的 BC 圖像。(d) DP-1Mn-A-IA-810℃ 和 (e) DP-3Mn-IA-825℃ 樣品的 KAM 圖像。(f) DP-1Mn-A-IA-810℃ 和 (g) DP-3Mn-IA825℃ 樣品的相位圖像。

圖 7. (a) 有源圖像與 BC 圖像的預測，(b) 三成分系統與單一成分系統的預測。

圖 8 不同多模態數據耦合分析方法框架。(a) 多模態耦合法，(b) FC層拼接神經元法

圖 9. 不同 ML 方法之間的比較。(a) 傳統統計學習方法 vs 多模態耦合方法，(b) FC 層拼接神經元方法 vs 多模態耦合方法。

圖 10. (a) UTS 預測平均場力學模型的結果。(b) UEL 預測平均場力學模型的結果。(c) 多模態模型的UTS預測結果。(d) 多模態模型的UEL預測結果

在這項工作中提出了一種多模態深度學習框架來預測 DP 鋼的拉伸性能。在大范圍的應力應變值下，僅使用一組固定參數，在多成分和多工藝路線下成功建立了成分-微觀結構-性能關系。成分(Mn含量)和顯微組織信息(EBSD圖像)的耦合輸入，實現了DP鋼拉伸性能的準確預測。所提出的多模態方法打破了傳統的ML策略，獨立分析各種形式的數據，形成了多模態融合數據挖掘系統。

多源顯微結構圖像顯示出對拉伸性能預測的重要貢獻。該模型在不同的機制下自動識別每個圖像的重要性。與單源和雙源輸入相比，三源輸入顯示出更高的準確性，這反映了多源信息整合的必要性。建立了通用的DP鋼拉伸性能預測框架，可以忽略復雜機制的影響，參數在UTS(600-1300 MPa)和UEL(220%)的中錳鋼體系下唯一固定?？梢暬夹g深化了應變集中在塊狀形貌的馬氏體相和細小等軸形貌的馬氏體和鐵素體相的傳統物理冶金機理。具有研究未知機理，促進合金研發的潛力。