Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys

📄 arXiv: 2410.20402v1 📥 PDF

作者: Lu Wang, Hongchan Chen, Bing Wang, Qian Li, Qun Luo, Yuexing Han

分类: cs.LG, cond-mat.mtrl-sci, cs.CV

发布日期: 2024-10-27

💡 一句话要点

提出基于深度学习的多模态融合框架，用于预测Mg-Gd合金的维氏硬度。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 镁合金 维氏硬度预测 深度学习 多模态融合 Transformer 图像处理 材料设计

📋 核心要点

  1. 传统方法难以准确分析Gd含量、枝晶结构和第二相对Mg-Gd合金力学性能的复杂影响。
  2. 论文提出多模态融合学习框架，结合图像处理、深度学习和Transformer模型，提取微观结构特征并预测维氏硬度。
  3. 实验结果表明，Transformer模型预测精度最佳，R^2达到0.9，并通过SHAP分析识别了关键影响特征。

📝 摘要（中文）

本研究针对材料科学中成分、微观结构和性能关系这一关键研究领域，提出了一种基于图像处理和深度学习技术的多模态融合学习框架，用于预测固溶Mg-Gd合金的维氏硬度。该框架融合了元素成分和微观结构特征，以准确预测Mg-Gd合金的维氏硬度。首先，利用深度学习方法从文献和实验中获取的Mg-Gd合金图像中提取微观结构信息，为性能预测任务提供精确的晶粒尺寸和第二相微观结构特征。然后，将这些定量分析结果与Gd含量信息相结合，构建性能预测数据集。最后，使用基于Transformer架构的回归模型来预测Mg-Gd合金的维氏硬度。实验结果表明，Transformer模型在预测精度方面表现最佳，R^2值为0.9。此外，SHAP分析确定了影响Mg-Gd合金维氏硬度的四个关键特征值，为合金设计提供了有价值的指导。这些发现不仅增强了对合金性能的理解，而且为未来的材料设计和优化提供了理论支持。

🔬 方法详解

问题定义：论文旨在解决Mg-Gd合金的维氏硬度预测问题。现有方法难以有效整合合金成分、微观结构等多源信息，导致预测精度不高，且缺乏对关键影响因素的深入理解。

核心思路：核心思路是利用深度学习从合金微观结构图像中提取定量特征，并结合合金成分信息，构建多模态数据集，然后使用Transformer模型进行回归预测。这种方法能够充分利用图像信息，并学习不同模态数据之间的复杂关系。

技术框架：整体框架包括三个主要阶段：1) 微观结构图像分析：使用深度学习模型（具体模型未知）从Mg-Gd合金的微观结构图像中提取晶粒尺寸和第二相特征。2) 数据集构建：将提取的微观结构特征与Gd含量信息相结合，构建用于维氏硬度预测的数据集。3) 维氏硬度预测：使用基于Transformer架构的回归模型，以Gd含量和微观结构特征作为输入，预测Mg-Gd合金的维氏硬度。

关键创新：关键创新在于将深度学习图像分析与Transformer模型相结合，实现多模态数据的融合和维氏硬度的准确预测。与传统方法相比，该方法能够自动提取图像特征，并学习不同特征之间的复杂非线性关系。

关键设计：Transformer模型的具体参数设置未知。损失函数应为回归任务常用的均方误差或平均绝对误差。图像分析所使用的深度学习模型结构未知，但需要能够有效提取晶粒尺寸和第二相特征。SHAP分析用于识别影响维氏硬度的关键特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于Transformer的回归模型在预测Mg-Gd合金的维氏硬度方面表现出色，R^2值达到了0.9，显著优于其他模型（具体对比基线未知）。此外，通过SHAP分析，确定了影响维氏硬度的四个关键特征，为合金成分设计提供了重要参考。

🎯 应用场景

该研究成果可应用于新型镁合金的设计与优化，加速材料研发进程。通过准确预测合金的力学性能，可以减少实验次数，降低研发成本，并为高性能镁合金的开发提供理论指导。此外，该方法也可推广到其他合金材料的性能预测。

📄 摘要（原文）

In the field of materials science, exploring the relationship between composition, microstructure, and properties has long been a critical research focus. The mechanical performance of solid-solution Mg-Gd alloys is significantly influenced by Gd content, dendritic structures, and the presence of secondary phases. To better analyze and predict the impact of these factors, this study proposes a multimodal fusion learning framework based on image processing and deep learning techniques. This framework integrates both elemental composition and microstructural features to accurately predict the Vickers hardness of solid-solution Mg-Gd alloys. Initially, deep learning methods were employed to extract microstructural information from a variety of solid-solution Mg-Gd alloy images obtained from literature and experiments. This provided precise grain size and secondary phase microstructural features for performance prediction tasks. Subsequently, these quantitative analysis results were combined with Gd content information to construct a performance prediction dataset. Finally, a regression model based on the Transformer architecture was used to predict the Vickers hardness of Mg-Gd alloys. The experimental results indicate that the Transformer model performs best in terms of prediction accuracy, achieving an R^2 value of 0.9. Additionally, SHAP analysis identified critical values for four key features affecting the Vickers hardness of Mg-Gd alloys, providing valuable guidance for alloy design. These findings not only enhance the understanding of alloy performance but also offer theoretical support for future material design and optimization.