以下文章来源于MGE Advances 材料基因工程前沿 ，作者Xiaoxiao Geng等
文章摘要
随着新信息技术的发展，大数据技术和人工智能加速了材料研发和工业制造，已成为推动全球技术革命和工业转型的关键技术。本文首先介绍了与钢铁材料相关的数据来源和数据库。然后，探讨了机器学习在钢铁材料设计与研发的基本策略和应用，包括基于实验数据、工业制造数据和模拟数据的机器学习模型。随着大数据、人工智能/机器学习以及新通信技术的发展，智能制造模式——数字孪生被认为是引领下一次工业革命的关键。因此，本文回顾了基于数字孪生的智能制造模式在钢铁工业中的应用，并进行了讨论。此外，本文还讨论了机器学习在钢铁材料服役性能预测中的应用。最后，本文展望了贯穿钢铁材料全生命周期的数据驱动和人工智能方法的未来发展趋势。总的来说，本文对钢铁行业数据驱动和人工智能技术的整合进行了深入探讨，突出了它们的潜力和未来发展方向。
文章重点内容介绍
钢铁工业是国民经济的支柱产业，为建筑、车辆、桥梁、船舶工程、家用电器、电力等当代基础设施提供重要的材料。然而，该行业在实现碳中和方面面临挑战，如发展高端钢铁材料和更高效、更可持续的制造工艺。传统的金属材料研发方法主要依赖于试错法，通常需要大量实验，并辅以理论计算或模拟，导致研究周期长，成本高。此外，传统钢铁行业存在加工效率不佳、能耗过高、排放污染严重等问题。为了克服这些挑战，必须对传统的材料研究范式和钢铁行业的制造模式进行变革，以缩短研发周期，提高加工效率和智能化，促进经济的可持续增长。
近年来，集成计算材料工程在材料科学领域崭露头角，为制造模式的变革提供了新的途径。材料基因组计划，美国先进制造，中国材料基因工程、中国制造2025等战略和计划已先后启动。基于此，北京科技大学碳中和研究院毛新平院士团队对数据驱动和人工智能（AI）技术贯穿钢铁材料全生命周期的深度融合与协同创新进行了简要综述，涵盖了钢铁材料数据库、钢铁材料设计与研发、工业制造和服役性能评价等方面，并展望了其未来的发展趋势。相关成果发表于Materials Genome Engineering Advances，第一作者为博士研究生耿笑笑，通讯作者为吴宏辉教授，汪水泽教授，毛新平院士。
图1 数据驱动的机器学习（ML）模型和AI技术在钢铁材料全生命周期的应用，包括钢铁材料数据库、钢铁材料设计与研发、工业制造和服役性能评估等方面。
图2 AI在钢材料设计与发现中的研究现状，以及钢材料研发中的成分-工艺-结构-性能的复杂性。(a) Web of Science数据库中使用关键词“artificial intelligence”和“steel”获得的相关文章数量和被引用频率的直方图。(b) AI/ML在钢铁材料设计与研发中的基本策略。(c)钢铁材料中庞大而复杂的成分设计空间。(d)热轧、冷轧，各种热处理工艺和压淬火工艺生产不同等级钢的示意图。(e)不同等级钢的组织 (f) 多种等级钢的拉伸性能。
图3 基于实验数据的ML在正向设计中的应用。(a)利用ML模型预测硼钢的淬透性曲线，并结合正交试验进行合金设计。(b) ML的工作流程用以指导实验设计。(c)预测模型的预测精度。
图4 基于实验数据的ML在反向设计中的应用。
(a)智能设计模型的流程图。(b)前向模型的预测结果与相应的实验结果比较。(c)新型RAFM钢的典型马氏体组织。(d)反向设计模型的原理图。(e)探索二维潜空间用以设计更好的合金。(f, g) 9% Cr钢的设计模型流程图和元素的建议浓度。
图5 基于工业制造数据的ML在钢材料设计和研发中的应用。(a)集成多尺度计算的ML模型的基本策略。(b) 结合物理冶金变量的分类和回归模型预测框架。(c)用于预测夏比冲击韧性的ML流程图。(d) 基于钢厂提供的生产线数据集和从文献收集的实验数据建立的ML模型的预测性能。
图6 基于理论计算数据的ML钢材料设计和研发中的应用。(a)不同时间和长度尺度下模拟钢材料的计算方法。(b)神经网络结构的流程图。(c)神经网络学习的均方误差。(d)基于神经网络模型和CALPHAD数据库得到的凝固组织演变和镍摩尔分数分布的比较。
图7 典型的传统钢铁工业流程图。(a) 1900-2015年钢铁工业的巨大产量，伴随着庞大而复杂的钢铁生产流程。(b)用于热轧生产的数字孪生平台。
图8 ML在预测钢材料服役性能的应用，包括疲劳强度、磨损、蠕变性能、夏比冲击韧性和腐蚀速率。(a) 钢的疲劳强度预测模型示意图。(b) 模型对测试样本磨损率的预测性能。(c) Cr-Mo钢的蠕变寿命预测模型示意图。(d)预测钢的夏比冲击韧性所采用的三种策略示意图。(e)腐蚀速率预测值与实验值的对比图。
综上所述，将数据驱动的ML和AI贯穿于钢铁材料的全生命周期可以显著提高钢铁材料研发效率并促进工程应用。然而，由于钢铁材料的成分-工艺-结构演化复杂，力学性能和使用性能要求苛刻，设计和生产过程中的参数空间大、工艺控制裕度小、工艺参数窗口窄，迫切需要构建基于材料基因工程的钢铁材料全生命周期一体化设计平台。该平台将促进钢铁材料的快速研发、产业化生产和应用示范。这个集成设计平台的主要目标包括四个关键方面:
(1)钢铁材料多源异构智能数据库的构建。这包括针对钢铁材料“设计-制造-应用”过程中产生的多源异构数据的特点和应用需求，建立数据标准和数据库技术，以方便数据的存储、交换和应用。此外，还涉及科技文献关键数据信息自动提取技术的发展，便于钢铁材料文献数据的自动挖掘。最终，设计成为大规模数据挖掘与分析算法集成平台，用以钢铁材料性能的优化。
(2)钢铁材料研发关键技术的发展。这包括突破多场耦合下钢铁材料微观组织演化的跨尺度计算，实现基于图像纹理特征识别技术的微观组织精确数字化表征，数字化分析“成分-工艺-结构-性能”禀赋关系。此外，还涉及结合物理冶金和数据驱动的钢铁材料理性设计。
(3)应用数字孪生、5G等智能制造技术与其他新兴信息技术，促进中国钢铁行业数字化转型和高质量发展。
(4)钢铁材料的工程应用，包括复杂环境下钢铁材料服役性能和失效的高效评价，建立评价技术体系，实现工业应用示范。
【作者简介】
耿笑笑，北京科技大学碳中和研究院在读博士研究生，导师为北京科技大学碳中和研究院毛新平院士。主要研究方向为先进钢材料与计算材料工程。
吴宏辉，北京科技大学教授。获香港科技大学博士学位。主要研究方向为先进金属材料、综合计算材料工程、材料信息学。迄今为止，发表论文140余篇，包括Nature Communications、Materials Today、Chemical Society Reviews等，其中高被引16篇，被引5500余次，h指数39。
汪水泽是北京科技大学的教授。本科和硕士毕业于东北大学，博士毕业于北京科技大学。主要研究方向为近净形制造工艺和钢铁产品开发。
毛新平是中国工程院院士、北京科技大学教授。主要研究方向为近终形制造技术、先进钢铁材料、钛微合金化技术、绿色高性能汽车用钢等。
转自：“北科科研”微信公众号
如有侵权，请联系本站删除！
