機(jī)器學(xué)習(xí)在鋼鐵材料研究中的應(yīng)用綜述

王海偉，葉 波，馮 晶，種曉宇

(1. 昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500) (2. 昆明理工大學(xué) 云南省人工智能重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500) (3. 昆明理工大學(xué)材料科學(xué)與工程學(xué)院，云南 昆明 650093) (4. 昆明理工大學(xué) 材料基因工程重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650093)

1 前 言

鋼鐵是人類文明中最重要的材料之一，20世紀(jì)末鋼鐵成為現(xiàn)代世界位于核心地位的金屬材料[1]。隨著時(shí)代的不斷發(fā)展，鋼鐵材料應(yīng)用于各種領(lǐng)域，例如鐵路、石油、建筑、汽車、船舶、航空航天等，不同的應(yīng)用領(lǐng)域?qū)︿撹F性能的需求不同[2]，鋼的性能主要取決于其化學(xué)成分和工藝參數(shù)。鋼的主要化學(xué)成分是鐵(Fe)、碳(C)和10余種合金元素[3]。此外，鋼材的生產(chǎn)工藝極其復(fù)雜，例如，鋼材的生產(chǎn)涉及到高溫冶煉過(guò)程，包括爐料的加熱、熔化、脫氧等多個(gè)階段。而每個(gè)階段都需要控制溫度、壓力、保護(hù)氣氛等參數(shù)，從而確保所制造的鋼材符合特定的質(zhì)量標(biāo)準(zhǔn)[4]。生產(chǎn)鋼材最常用的加熱工藝是退火、回火、淬火和正火[5]。為了獲得符合服役性能需求的鋼材，需要研究化學(xué)成分、熱處理工藝參數(shù)和其他工藝參數(shù)對(duì)鋼材性能的影響。因此，具有不同元素組合和工藝參數(shù)的候選組合種類多達(dá)百萬(wàn)，目前通過(guò)傳統(tǒng)實(shí)驗(yàn)試錯(cuò)法幾乎不可能研究所有組合。

近年來(lái)，機(jī)器學(xué)習(xí)技術(shù)已廣泛應(yīng)用于各種材料的研究與設(shè)計(jì)中，成為材料研究的新興方法和熱門領(lǐng)域[6，7]。牛程程等[8]綜述了機(jī)器學(xué)習(xí)技術(shù)在材料信息學(xué)方面的應(yīng)用，總結(jié)了機(jī)器學(xué)習(xí)方法在多種材料性能預(yù)測(cè)中的研究現(xiàn)狀，介紹了最常用的材料數(shù)據(jù)庫(kù)資源和多種應(yīng)用于材料領(lǐng)域的機(jī)器學(xué)習(xí)算法，并對(duì)國(guó)內(nèi)外機(jī)器學(xué)習(xí)在材料中應(yīng)用的研究進(jìn)展進(jìn)行了對(duì)比和總結(jié)。Arroyave等[9]綜述了數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)和人工智能在金屬和合金中的應(yīng)用研究，總結(jié)了應(yīng)用于解決材料科學(xué)和工程中的正向與反向問(wèn)題的研究框架。Liu等[10]綜述了材料基因組計(jì)劃中的機(jī)器學(xué)習(xí)技術(shù)，介紹了材料科學(xué)中使用的機(jī)器學(xué)習(xí)算法以及機(jī)器學(xué)習(xí)在材料結(jié)構(gòu)確定、性能預(yù)測(cè)、描述符構(gòu)建和新材料的發(fā)現(xiàn)中的應(yīng)用，指出了機(jī)器學(xué)習(xí)在材料設(shè)計(jì)領(lǐng)域未來(lái)的研究方向。

機(jī)器學(xué)習(xí)已成為材料科學(xué)領(lǐng)域中揭示和開發(fā)材料成分-組織/結(jié)構(gòu)-性能-服役行為關(guān)系的有力工具。Reddy等[11]利用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法構(gòu)建預(yù)測(cè)模型，通過(guò)成分和熱處理參數(shù)預(yù)測(cè)鋼的性能，并設(shè)計(jì)出具有所需力學(xué)性能的中碳鋼。Xie等[12]基于11 101個(gè)數(shù)據(jù)樣本，以合金成分、加熱爐工藝參數(shù)、軋制數(shù)據(jù)和冷卻數(shù)據(jù)為輸入，預(yù)測(cè)了熱軋鋼板的4種力學(xué)性能，并依據(jù)預(yù)測(cè)模型探究C元素在鋼種中的作用，預(yù)測(cè)模型的解釋結(jié)果與實(shí)驗(yàn)測(cè)量的結(jié)果吻合較好。

本文主要綜述機(jī)器學(xué)習(xí)技術(shù)在鋼鐵材料設(shè)計(jì)與開發(fā)中的應(yīng)用。首先介紹在材料領(lǐng)域中常用的機(jī)器學(xué)習(xí)算法和模型，然后介紹鋼鐵材料在構(gòu)建機(jī)器學(xué)習(xí)模型中特征選擇的重要性，綜述機(jī)器學(xué)習(xí)技術(shù)在鋼鐵材料成分-工藝-性能預(yù)測(cè)、服役行為預(yù)測(cè)以及逆向設(shè)計(jì)中的研究進(jìn)展。最后，分析機(jī)器學(xué)習(xí)在鋼鐵材料領(lǐng)域面臨的問(wèn)題并展望其發(fā)展前景。

2 機(jī)器學(xué)習(xí)算法與模型

機(jī)器學(xué)習(xí)是一門多學(xué)科交叉專業(yè)，涵蓋計(jì)算機(jī)科學(xué)、概率論、統(tǒng)計(jì)學(xué)、近似理論和復(fù)雜算法等知識(shí)，本質(zhì)是基于大量的數(shù)據(jù)和一定的算法規(guī)則，使計(jì)算機(jī)可以自主模擬人類的學(xué)習(xí)過(guò)程，并能夠通過(guò)不斷的數(shù)據(jù)“學(xué)習(xí)”提高性能并做出智能決策的行為[13]。機(jī)器學(xué)習(xí)模擬人類學(xué)習(xí)主要過(guò)程可以分為數(shù)據(jù)收集、特征選擇、算法/模型選擇、模型訓(xùn)練和評(píng)估、模型預(yù)測(cè)和應(yīng)用。機(jī)器學(xué)習(xí)的學(xué)習(xí)流程如圖1所示。

數(shù)據(jù)是機(jī)器學(xué)習(xí)過(guò)程的核心，機(jī)器學(xué)習(xí)算法通過(guò)收集的數(shù)據(jù)進(jìn)行訓(xùn)練，揭示數(shù)據(jù)中存在的隱藏規(guī)律。通常會(huì)對(duì)收集的數(shù)據(jù)進(jìn)行預(yù)處理，例如歸一化處理。用于機(jī)器學(xué)習(xí)的數(shù)據(jù)可以為數(shù)值或者圖像，將初始數(shù)據(jù)進(jìn)行轉(zhuǎn)換為更適合所選擇的機(jī)器學(xué)習(xí)算法的輸入數(shù)據(jù)的過(guò)程稱為特征選擇。所選特征越合適，輸出結(jié)果的精度就越高。

機(jī)器學(xué)習(xí)需要選擇合適的算法，模型中的結(jié)構(gòu)與參數(shù)的選擇也會(huì)影響模型的精確度，為了使所選模型達(dá)到最優(yōu)，通常有兩種方式對(duì)模型進(jìn)行優(yōu)化，第一種是采用優(yōu)化算法，例如粒子群算法、遺傳算法等[14]；第二種是增加訓(xùn)練集的數(shù)據(jù)容量，使模型參數(shù)不斷迭代更新直至達(dá)到最優(yōu)值。模型訓(xùn)練結(jié)果通過(guò)選取的評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)，回歸問(wèn)題中常用的評(píng)價(jià)指標(biāo)有均方根誤差、決定系數(shù)等。

模型預(yù)測(cè)是利用訓(xùn)練及優(yōu)化好的模型對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度取決于模型的精度。通過(guò)評(píng)價(jià)指標(biāo)對(duì)模型的精度評(píng)估后，進(jìn)一步通過(guò)改變模型輸入實(shí)現(xiàn)新型材料的預(yù)測(cè)并完成模型輸出規(guī)律的探究。

根據(jù)學(xué)習(xí)風(fēng)格不同，機(jī)器學(xué)習(xí)算法可以分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)[15]。監(jiān)督學(xué)習(xí)是指通過(guò)帶有屬性標(biāo)簽的樣本進(jìn)行訓(xùn)練，每組樣本都由輸入和輸出數(shù)據(jù)構(gòu)成。無(wú)監(jiān)督學(xué)習(xí)是指樣本的類別是未知的，不帶有屬性標(biāo)簽，可以將未分類的樣本進(jìn)行分類。表1列舉了材料信息學(xué)中常用的機(jī)器學(xué)習(xí)算法模型以及它們的特點(diǎn)和應(yīng)用。強(qiáng)化學(xué)習(xí)是一種通過(guò)智能系統(tǒng)與環(huán)境互動(dòng)學(xué)習(xí)如何做出一系列決策以最大化累積獎(jiǎng)勵(lì)的機(jī)器學(xué)習(xí)方法，其核心思想是在試錯(cuò)過(guò)程中通過(guò)學(xué)習(xí)來(lái)找到最優(yōu)策略，而不需要顯式的監(jiān)督標(biāo)簽。

表1 常用的機(jī)器學(xué)習(xí)模型Table 1 Common machine learning models

3 機(jī)器學(xué)習(xí)在鋼鐵材料設(shè)計(jì)中的應(yīng)用

3.1 特征構(gòu)建與選擇

鋼鐵材料的機(jī)器學(xué)習(xí)預(yù)測(cè)模型是對(duì)合金成分及其加工處理工藝數(shù)據(jù)訓(xùn)練，然后對(duì)材料的性能做出預(yù)測(cè)。機(jī)器學(xué)習(xí)預(yù)測(cè)模型需要揭示被表征的鋼鐵數(shù)據(jù)及其性能之間的隱式關(guān)系，材料被表征后的數(shù)據(jù)被稱為材料特征或材料描述符，鋼鐵材料特征的構(gòu)建需要盡可能多地保留鋼鐵的特性。針對(duì)鋼鐵進(jìn)行性能預(yù)測(cè)時(shí)，材料特征通常選取鋼鐵的合金成分或者其熱處理工藝。Reddy等[28]利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)低合金鋼的力學(xué)性能，預(yù)測(cè)模型輸入特征包括合金成分和2種熱處理參數(shù)，并根據(jù)預(yù)測(cè)模型探究了各種合金成分及2種處理工藝對(duì)該低合金鋼性能的影響。

機(jī)器學(xué)習(xí)模型的材料描述符需要根據(jù)模型輸出進(jìn)行合理設(shè)計(jì)與選擇，合理的材料描述符往往需要在考慮材料描述符與目標(biāo)輸出之間關(guān)聯(lián)性的基礎(chǔ)上，根據(jù)相關(guān)專業(yè)知識(shí)來(lái)進(jìn)行設(shè)計(jì)。在鋼鐵材料的成分及性能預(yù)測(cè)中，如果反將鋼鐵材料的合金成分以及處理工藝作為輸入來(lái)建立機(jī)器學(xué)習(xí)模型，會(huì)存在特征冗余的問(wèn)題。因此，應(yīng)進(jìn)行特征選擇，將高維數(shù)據(jù)進(jìn)行降維，保留重要的材料信息。利用特征篩選后的強(qiáng)相關(guān)特征進(jìn)行模型建立，可以提高模型的預(yù)測(cè)精度以及計(jì)算速度。Xiong等[29]在進(jìn)行鋼鐵材料性能預(yù)測(cè)時(shí)，利用隨機(jī)森林和符號(hào)回歸分別對(duì)影響疲勞強(qiáng)度、抗拉強(qiáng)度、斷裂韌性和硬度的特征進(jìn)行特征選擇，成功地在16個(gè)特征中篩選出與4個(gè)性能強(qiáng)相關(guān)的特征，特征選擇結(jié)果如圖2所示，隨機(jī)森林篩選的特征為Mo和Cr的含量以及均勻化溫度和回火溫度，符號(hào)回歸選擇的特征為C，Mo和Cr含量以及回火溫度，最后將上述2種算法選擇出的特征分別構(gòu)建預(yù)測(cè)模型，得出利用符號(hào)回歸模型選擇特征構(gòu)建的預(yù)測(cè)模型具有更高的預(yù)測(cè)精度(決定系數(shù)R>0.9550，均方根誤差RRMSE<3.25%)，預(yù)測(cè)結(jié)果如圖3所示。

圖2 疲勞強(qiáng)度、抗拉強(qiáng)度、斷裂強(qiáng)度和硬度的16個(gè)特征的歸一化[29]：(a)隨機(jī)森林特征重要性，(b)符號(hào)回歸特征重要性Fig.2 Normalized random forest importance (a)and symbolic regression importance (b)of the 16 features for fatigue strength，tensile strength，fracture strength and hardness[29]

3.2 成分-工藝-性能預(yù)測(cè)

目前機(jī)器學(xué)習(xí)算法在鋼鐵材料領(lǐng)域最廣泛的應(yīng)用是建立鋼鐵成分-工藝-性能之間的隱式關(guān)系，以輔助鋼鐵材料的設(shè)計(jì)與開發(fā)。鋼鐵材料元素成分的多樣性和加工工藝的復(fù)雜性都會(huì)對(duì)鋼鐵的抗拉強(qiáng)度、屈服強(qiáng)度和延伸率等力學(xué)性能產(chǎn)生重大影響。因此將鋼鐵材料的元素成分和工藝參數(shù)作為預(yù)測(cè)模型的輸入，以力學(xué)性能作為輸出建立預(yù)測(cè)模型，可以輔助鋼鐵材料的設(shè)計(jì)和工藝參數(shù)優(yōu)化，從而加快新型鋼鐵的設(shè)計(jì)與研發(fā)。

魏清華等[30]使用日本國(guó)立材料研究所數(shù)據(jù)庫(kù)中的360條鋼材數(shù)據(jù)，以元素成分、制備工藝和夾雜物參數(shù)為輸入，利用正則化線性回歸、隨機(jī)森林和正則化人工神經(jīng)網(wǎng)絡(luò)3種算法構(gòu)建預(yù)測(cè)模型，成功預(yù)測(cè)了鋼材的4種力學(xué)性能。謝少捷等[31]基于冶金機(jī)理選取影響熱鍍鋅鋼卷生產(chǎn)的基本特征，利用梯度提升樹算法對(duì)其他化學(xué)元素特征進(jìn)行篩選，并構(gòu)建鋼卷屈服強(qiáng)度的預(yù)測(cè)模型，最后利用預(yù)測(cè)模型分析了各種特征對(duì)鋼卷屈服強(qiáng)度的影響。Guo等[32]利用人工神經(jīng)網(wǎng)絡(luò)模型模擬合金成分、加工參數(shù)和馬氏體時(shí)效鋼性能之間的相關(guān)性，輸入?yún)?shù)為13種元素的含量、時(shí)效前冷變形程度、時(shí)效溫度和老化時(shí)間，輸出參數(shù)為8個(gè)力學(xué)特性和馬氏體起始溫度，模型預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)非常吻合。Capdevila等[33]等利用貝葉斯神經(jīng)網(wǎng)絡(luò)探究了鋼的元素成分和馬氏體起始溫度之間的關(guān)系，并根據(jù)預(yù)測(cè)模型進(jìn)一步研究了合金中C濃度對(duì)馬氏體起始溫度的影響，發(fā)現(xiàn)隨著合金中C濃度的增加，馬氏體起始溫度的下降速率降低。Guo等[34]基于6萬(wàn)多個(gè)鋼鐵的工業(yè)數(shù)據(jù)樣本，以工藝參數(shù)和化學(xué)成分共27個(gè)特征為輸入，構(gòu)建普通最小二乘法、支持向量機(jī)、回歸樹和隨機(jī)森林4種預(yù)測(cè)模型，對(duì)鋼鐵的屈服強(qiáng)度、抗拉強(qiáng)度和延伸率進(jìn)行性能預(yù)測(cè)，借助預(yù)測(cè)模型，計(jì)算了不同合金含量下3種性能的可能邊界，并設(shè)計(jì)出了滿足性能要求的新鋼種。Qiao等[35]提出了一種改進(jìn)的成分-結(jié)構(gòu)-性能的預(yù)測(cè)模型，將物理特征加入到機(jī)器學(xué)習(xí)的模型中，并利用果蠅優(yōu)化算法和粒子群優(yōu)化算法分別對(duì)廣義回歸神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行尋優(yōu)，根據(jù)預(yù)測(cè)模型證明了物理特征對(duì)珠光體鋼的層間距和力學(xué)性能有較大的影響，并用制備的樣品證明所提出的果蠅優(yōu)化算法-廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與實(shí)驗(yàn)結(jié)果非常吻合，該模型可以用于開發(fā)具有目標(biāo)特性的新型鋼鐵，所提出的方法流程如圖4所示。

3.3 服役行為預(yù)測(cè)

鋼鐵材料服役條件各不相同，服役性能主要包括腐蝕速率、蠕變壽命和疲勞強(qiáng)度等，鋼鐵結(jié)構(gòu)和部件的疲勞斷裂是鋼材在實(shí)際服役過(guò)程中主要的失效形式之一，因此對(duì)鋼鐵材料的服役行為進(jìn)行預(yù)測(cè)越來(lái)越受到學(xué)者們的關(guān)注。利用機(jī)器學(xué)習(xí)算法，構(gòu)建服役環(huán)境因素與服役性能之間的預(yù)測(cè)模型，可以對(duì)鋼鐵的服役行為進(jìn)行預(yù)測(cè)。

Aghaaminiha等[36]基于26 855個(gè)低碳鋼在CO2水溶液中的腐蝕數(shù)據(jù)樣本，以緩蝕劑濃度、時(shí)間和溫度等12個(gè)環(huán)境和操作因素為輸入，采用隨機(jī)森林構(gòu)建機(jī)器學(xué)習(xí)模型，預(yù)測(cè)緩蝕劑對(duì)低碳鋼的腐蝕速率的影響，經(jīng)過(guò)訓(xùn)練的隨機(jī)森林模型可以很好地預(yù)測(cè)低碳鋼腐蝕速率隨時(shí)間的變化趨勢(shì)。Verma等[37]采用各種機(jī)器學(xué)習(xí)方法，包括線性回歸、套索回歸和t分布隨機(jī)鄰域嵌入，建立9%～12%Cr(質(zhì)量分?jǐn)?shù))鋼的加工/微觀結(jié)構(gòu)和蠕變特性之間的統(tǒng)計(jì)關(guān)系，為650 ℃、100 MPa和蠕變壽命≥105h的新型馬氏體鋼的設(shè)計(jì)提供了參考。Wang等[38]建立了具有高蠕變壽命的低合金鋼設(shè)計(jì)框架，如圖5所示，首先比較各種機(jī)器學(xué)習(xí)策略，得到預(yù)測(cè)蠕變壽命的最佳機(jī)器學(xué)習(xí)模型，然后利用帶有過(guò)濾器的遺傳算法在特定蠕變條件下獲得具有最佳成分和加工參數(shù)的新合金。He等[39]利用人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸和隨機(jī)森林方法預(yù)測(cè)含有缺陷/夾雜物的焊接馬氏體不銹鋼(13Cr-5Ni)和KSFA90鋼(為曲軸制造)的疲勞壽命，在3種機(jī)器學(xué)習(xí)的預(yù)測(cè)結(jié)果中，隨機(jī)森林的預(yù)測(cè)結(jié)果精度最高，因此在預(yù)測(cè)材料的疲勞壽命時(shí)，使用多種算法要優(yōu)于單一算法。

圖5 蠕變壽命預(yù)測(cè)模型和高通量設(shè)計(jì)模型的基本流程[37]Fig.5 Basic flow of the creep life prediction module and high-throughput design module[37]

3.4 逆向設(shè)計(jì)

鋼鐵材料的正向設(shè)計(jì)[40]是指以鋼鐵成分或工藝為輸入、性能為輸出，通過(guò)改變輸入來(lái)達(dá)到優(yōu)化鋼鐵材料性能的目的。但由于鋼鐵材料成分的多樣性以及工藝的復(fù)雜性，通過(guò)正向設(shè)計(jì)需要對(duì)大量數(shù)據(jù)進(jìn)行篩選，并且難以保證所獲取的材料性能為最優(yōu)性能。因此，需要在已知材料性能的前提下，設(shè)計(jì)材料的成分和工藝，即逆向設(shè)計(jì)[41]。鋼鐵材料的逆向設(shè)計(jì)能夠快速準(zhǔn)確地設(shè)計(jì)開發(fā)滿足性能需求的新鋼鐵材料。

Lee等[42]開發(fā)了一個(gè)包含16種算法的集成機(jī)器學(xué)習(xí)平臺(tái)，如圖6所示，基于收集到的5473組熱機(jī)械控制工藝鋼合金數(shù)據(jù)建立屈服強(qiáng)度與極限抗拉強(qiáng)度比值(YS/UTS)的預(yù)測(cè)模型，利用經(jīng)過(guò)充分訓(xùn)練的7種非線性機(jī)器學(xué)習(xí)算法構(gòu)建基于精英策略的非支配排序遺傳算法的逆向預(yù)測(cè)模型，使用全息搜索策略技術(shù)在16維決策變量空間中將預(yù)測(cè)結(jié)果進(jìn)行圖形可視化，從而可以系統(tǒng)地了解數(shù)據(jù)狀態(tài)，并且在輸入特征空間引入可視化解決方案，從而實(shí)現(xiàn)了真正意義上的機(jī)器學(xué)習(xí)預(yù)測(cè)。在合金逆向設(shè)計(jì)中，Wang等[43]提出了以性能為導(dǎo)向的銅合金機(jī)器學(xué)習(xí)設(shè)計(jì)系統(tǒng)，如圖7所示，用反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)建了成分預(yù)測(cè)性能(C2P)和性能預(yù)測(cè)成分(P2C)這2種模型，初始合金成分預(yù)測(cè)由P2C模型得出，將得到的結(jié)果輸入到預(yù)測(cè)精度更高的C2P模型中，將預(yù)測(cè)屬性與目標(biāo)進(jìn)行比較并得到誤差，如果預(yù)測(cè)值和目標(biāo)值之間的所有誤差都超過(guò)預(yù)設(shè)閾值，則將重新訓(xùn)練P2C模型，直到篩選出合理的合金成分設(shè)計(jì)方案，實(shí)驗(yàn)證明，機(jī)器學(xué)習(xí)設(shè)計(jì)系統(tǒng)在解決目標(biāo)特性的成分設(shè)計(jì)問(wèn)題上具有更高的效率和可靠性。

圖6 集成機(jī)器學(xué)習(xí)平臺(tái)的總體框圖，包括3組機(jī)器學(xué)習(xí)算法、NSGA-II驅(qū)動(dòng)的逆預(yù)測(cè)和高維數(shù)據(jù)可視化方法[42]Fig.6 The overall graphical description for the integrated machine learning platform，three groups of machine learning algorithms，the NSGA-II-driven inverse prediction，and the high-dimensional data visualization method are given[42]

圖7 用于快速準(zhǔn)確成分設(shè)計(jì)的機(jī)器學(xué)習(xí)設(shè)計(jì)系統(tǒng)流程圖[43]Fig.7 Flow chart of the machine learning design system for rapid and accurate compositional design[43]

4 結(jié) 語(yǔ)

近年來(lái)，機(jī)器學(xué)習(xí)已廣泛應(yīng)用于材料研究中，本文針對(duì)機(jī)器學(xué)習(xí)在鋼鐵材料研究中的應(yīng)用進(jìn)行了綜述，由于鋼鐵材料成分的多樣性以及工藝參數(shù)的復(fù)雜性，采用傳統(tǒng)實(shí)驗(yàn)進(jìn)行鋼鐵設(shè)計(jì)與開發(fā)的成本過(guò)于昂貴且效率較低，相比傳統(tǒng)實(shí)驗(yàn)，機(jī)器學(xué)習(xí)在揭示和開發(fā)鋼鐵材料成分-組織/結(jié)構(gòu)-性能-服役行為關(guān)系方面具有巨大的潛力。

目前，鋼鐵材料領(lǐng)域可以用于機(jī)器學(xué)習(xí)的數(shù)據(jù)規(guī)模還比較小，基于小規(guī)模數(shù)據(jù)集構(gòu)建的預(yù)測(cè)模型預(yù)測(cè)的結(jié)果往往只能接近真實(shí)數(shù)據(jù)集，不能用于真正的實(shí)驗(yàn)指導(dǎo)。鋼鐵材料領(lǐng)域針對(duì)特定鋼鐵材料的研究已經(jīng)發(fā)表了很多文獻(xiàn)，但由于缺少成熟的方法，難以從大量文獻(xiàn)中收集數(shù)據(jù)作為機(jī)器學(xué)習(xí)的訓(xùn)練集。擴(kuò)充鋼鐵材料的數(shù)據(jù)集可以通過(guò)數(shù)據(jù)挖掘技術(shù)從文獻(xiàn)中提取有效數(shù)據(jù)，并建立可以用于機(jī)器學(xué)習(xí)的鋼鐵材料數(shù)據(jù)庫(kù)，基于鋼鐵材料大數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)將會(huì)快速推動(dòng)鋼鐵材料的研發(fā)。