背景简介

在航空航天、能源发电及石油化工等领域，高温部件需长期承受应力与热载荷，蠕变断裂因而成为其关键材料面临的核心挑战。准确预测蠕变断裂寿命对于防止突发失效、确保高温部件长期可靠性至关重要。数十年间，Larson–Miller参数、Monkman–Grant关系及θ投影法等经验模型，一直是蠕变寿命预测的主要手段。然而，这些模型假设过于简化，泛化能力较弱，且输入特征利用有限，难以准确刻画材料性能与蠕变寿命之间复杂的非线性关系。为克服上述局限，数据驱动的机器学习方法提供了强有力的替代方案。机器学习可处理大量输入特征，捕捉复杂非线性相互作用，揭示多变量间依赖关系，并在不同材料体系中表现出良好泛化能力。

为充分发挥机器学习在蠕变寿命预测中的潜力，本文旨在全面梳理金属材料蠕变寿命预测的机器学习方法。文章从数据采集到模型部署，完整呈现了机器学习工作流程；系统梳理了现有建模策略，包括混合建模、蠕变机理感知模型、特征选择技术及合金设计策略；同时指出该领域面临的问题与挑战，如数据稀缺、物理约束融入不足、实时原位蠕变寿命预测框架缺失、以及模型可解释性难题。期望本文研究成果能够推动开发出更精确、可解释且可部署的机器学习模型，用于高性能工程材料的长期蠕变预测。

成果介绍

（1）完整的机器学习流程：综述给出了一个涵盖数据采集、预处理、特征工程、模型选择与训练、评估、可解释性直至模型部署的蠕变寿命预测全流程。

图1 基于机器学习的蠕变寿命预测工作流程

（2）综述对大量蠕变寿命预测文献进行了系统性回顾，并将其归纳为四大主题：

1）混合建模方法：报道了物理模型与机器学习相结合研究，以及结合了多种机器学习架构的混合框架。

2）蠕变机理感知机器学习框架：将关键蠕变机制嵌入模型，增强模型与实际材料行为的一致性。

3）特征工程策略：总结各类特征工程研究，并详细概述了不同特征筛选方法、所选特征及优缺点。

4）机器学习在抗蠕变合金设计中的应用：聚焦利用机器学习优化成分与微观结构以提升蠕变寿命的研究。

图2 特征工程方法

（3）通过全面文献调研，识别出四项主要挑战并给出未来研究方向：

1）数据限制：蠕变试验耗时导致数据稀缺，是机器学习预测的核心瓶颈。综述提出数据生成与机器学习增强策略，如 GAN、WGAN、变分自编码器及迁移学习，以突破实验局限、扩充数据量。

2）物理约束融入不足：机器学习模型若不含反映材料行为的物理约束，常丧失可解释性。为此，综述介绍了SCMLA等融入蠕变机制的方法，包括基于机理的数据聚类、机理启发特征选择及忽略不确定性的替代建模，将物理领域知识嵌入学习过程，提升模型可解释性、泛化能力及物理一致性。

3）实时蠕变寿命预测技术缺失：当前研究尚缺少利用机器学习进行原位蠕变寿命预测的研究。综述提出一种新型框架，将实时蠕变监测与基于增量学习的机器学习系统结合，实现服役期间的连续模型更新与及时预测（图4）。

4）可解释性难题：黑箱模型的可解释性仍是重大障碍。综述建议采用已被广泛验证的LIME与SHAP方法，评估模型对输入-输出关系的捕捉能力，提升解释水平。

图3 机器学习驱动蠕变寿命预测研究存在的挑战与解决思路

图4 基于机器学习的蠕变寿命原位预测与蠕变损伤监测框架

致谢

该研究工作得到了中国国家自然科学基金（No. 22208258）的支持。本文第一作者：Muhammad Bilal Jan（西安交通大学），本文通讯作者：柴孟瑜（西安交通大学）。

本期小编 柴孟瑜（整理）

吴林森（校对）

郭子键（审核）

董乃健（发布）