东北大学徐伟团队《Acta Materialia》等多篇文章：晶体塑性指导深度学习方法

东北大学数字钢铁全国重点实验室（原轧制技术及连轧自动化国家重点实验室）徐伟教授团队近期在Acta Materialia发表题为“Fitting-free mechanical response prediction in dual-phase steels by crystal plasticity theory guided deep learning” (https://doi.org/10.1016/j.actamat.2025.120936)的研究成果，文章第一作者为博士研究生韩思宇，通讯作者为王晨充副教授。另在Scripta Materialia发表题为“Harmonizing physical and deep learning modeling: A computationally efficient and interpretable approach for property prediction” (https://doi.org/10.1016/j.scriptamat.2024.116350)的研究成果，文章第一作者为博士研究生任达，共同通讯作者为王晨充副教授和魏晓蓼博士后。

在金属材料“成分/工艺-组织-性能”关系的建模策略中，物理建模与人工智能建模分别以强可解释性和高计算效率的优势而著称。然而，在确保可解释性的同时，高效且准确地预测金属材料的力学性能仍然是一项重大挑战。例如，晶体塑性建模作为模拟复杂微观组织、揭示材料加工硬化及塑性变形机制的强大工具，虽具有强可解释性，但其模型构建和校准过程计算复杂，导致计算效率较低。相比之下，深度学习模型在训练后可实现快速性能预测，具备高计算效率，但普遍缺乏可解释性。当前主流的晶体塑性和深度学习建模方法体现了物理模型与人工智能模型间的“可解释性-计算效率”冲突。因此，如何平衡二者的优劣势，突破这一建模瓶颈，对于推动金属材料领域的研究至关重要。

针对加工硬化行为、塑性等力学性能正向预测的长期挑战，东北大学徐伟教授团队与南京工业大学赖庆全教授合作提出了晶体塑性指导深度学习的新方法（CNN-DP）。该方法旨在突破传统晶体塑性建模计算复杂、参数敏感性强的局限，实现双相钢在不同成分和工艺条件下力学行为的精准预测，整体建模流程如图1所示。首先，通过实验和晶体塑性理论构建双相钢多模态数据集，包括完整的成分、工艺、性能，并引入不同应变条件下的局部应力分布图。接着，通过点乘方式深度耦合不同模态信息，使成分、工艺和局部应力分布数据在物理约束下相互融合。这种多模态数据处理策略有效挖掘了各类信息之间的内在联系，并增强了模型的泛化能力。最终，融合后的特征矩阵被输入卷积神经网络CNN模型，确保在保持物理可解释性的同时，实现双相钢应力-应变曲线、加工硬化行为及颈缩起始点的高精度预测。CNN-DP模型在双相钢力学性能预测中具有良好的准确性，平均预测精度达96.6%，误差为68.6 MPa。同时，模型对原始数据库以外不同成分、工艺双相钢力学性能也可实现准确预测（图2），具有良好的扩展性和普适性。此外，还深入探讨了晶体塑性本构方程对CNN-DP模型预测精度的影响，验证了其在不同条件下的稳健性。本研究通过晶体塑性指导深度学习，不仅有效克服了传统晶体塑性模型因参数敏感性导致的泛化能力受限问题，还显著提升了建模效率，为钢铁材料的力学性能预测提供了一种新思路。

图1：CNN-DP工作框架

图2：不同样本下的域外验证

针对于力学性能预测的反向机制解析需求，徐伟教授团队进一步结合晶体塑性建模和多模态深度学习策略，提出了兼具强可解释性和高计算效率的双相钢性能预测方法（DL-CP）。该方法通过U-Net架构引入晶体塑性模拟的应力-应变分布信息并作为预测力学性能的中间环节，从而在多模态深度学习框架下嵌入物理机理，实现应力-应变分布和拉伸性能的双输出预测，工作框架如图3所示。首先，对成分和显微组织图像进行点乘操作，生成多模态融合矩阵；随后将融合矩阵输入至DL-CP框架中，该框架包含两个关键模块：初始模块利用U-Net架构对DP钢的应力和应变分布进行精准预测；后续模块利用池化层和全连接层对U-Net输出的应力-应变分布数据进行综合分析，从而预测DP钢的拉伸性能。DL-CP框架实现了不同组织形貌下双相钢力学性能的准确预测，平均预测准确率超过96%，且对域外样本具有良好泛化能力。此外，模型可实现应力-应变分布（图4）的精准复现，符合晶体塑性模拟获得的机理知识。值得强调的是，基于Grad-CAM的可视化结果表明，晶体塑性引入使得该框架可精准识别显微组织图像中的应力-应变集中，从而显著提高了可解释性及预测能力，实现了变形机制的反向精准解析。另外，在高模量钢体系性能预测中的扩展应用进一步证明了该框架在其他金属材料体系应用中的良好普适性、可移植性。

图3：DL-CP模型工作框架

图4：应力应变配分预测结果

综上，晶体塑性指导的深度学习策略为钢铁材料“成分/工艺-显微组织-性能”全链条关系的高效可解释建模提供了切实有效的方法，为材料的研发与优化提供有力的理论支持与技术手段，同时具有广泛的应用前景，有望推广到其他材料体系中。