机器学习辅助设计铝合金

预测变形行为

一个可解释的数据驱动框架，用于预测铝合金的变形行为。

Han, Sun · 庄新村 · 赵震 · 肖刚锋 · 夏琴香

Mechanics of Materials 2026

参数信息

未加权平均召回率

0.85

误分类率

15 %

技术优势

预测可靠

深度神经网络和随机森林模型能捕捉非线性相互作用，未加权平均召回率高于0.85，误分类率低于15%。

揭示关键因素

模型一致识别出铜团簇几何参数、晶体取向和变形模式为主导因素，明确了设计时需要优先控制的变量。

实现综合优化

通过合理设计团簇，可同时优化强度和力学各向异性，为兼顾多项性能提供依据。

应用场景

• 材料设计与优化：直接预测不同成分和工艺下的强度，减少实验试错成本。
• 轻质合金：针对Al-Cu合金体系优化团簇结构，提升比强度以满足轻量化需求。
• 计算材料学：提供从微观到宏观的定量映射，加速数据驱动的材料研发流程。