基于机器学习的金属材料力学性能智能预测研究现状与展望

曹志增，王桂吉，罗斌强（中国工程物理研究院流体物理研究所）

摘要：机器学习正推动金属材料力学性能研究从经验驱动向数据驱动范式转变. 本文系统综述了机器学习在金属材料力学性能智能预测中的研究进展与挑战. 首先, 概述了常用机器学习算法的原理与流程, 重点介绍了可解释人工智能与物理信息机器学习等前沿方法. 进而, 从微介观性能 (如微观结构演化、断裂行为)、宏观性能 (如硬度、应力响应、疲劳寿命) 与跨尺度耦合性能 (如流变应力、屈服强度、本构参数反演) 三个层面, 评述了机器学习模型的典型应用与预测效果, 突出其在高通量计算与多尺度建模中的优势. 最后, 指出该领域面临数据稀缺、异构性及宽温域/宽应变率条件下预测精度不足等挑战, 并提出迁移学习、大型语言模型与多模态融合等解决路径. 展望未来, 本文构建了融合多模态数据与物理机制的机器学习技术路径, 旨在实现对极端环境下金属材料力学行为的精准预测, 推动材料力学研究向数字化、智能化方向发展.

关键词：机器学习，金属材料, 力学性能, 智能预测, 物理信息机器学习, 大语言模型