目前，由中南大学博士生秦子珺为第一作者，华中农业大学李伟夫副教授、中南大学刘锋研究员为共同通讯的学术论文“High-throughput characterization methods for Ni-based superalloys and phase prediction via deep learning”在期刊《Journal of Materials Research and Technology- JMR&T》上发表。
《JMR&T》期刊收录于SSCI数据库，最新分区为JCR-Q2，最新IF为6.267，为材料科学，冶金工程等领域的知名期刊。
合金的微组织结构是建立合金成分与性能关系的中介桥梁，其全自动采集后的组织分割和信息提取是建立合金数据库的关键。研究通过高通量数据采集，并基于UNet 3+深度学习网络，对组织照片相分割及提取，构建了镍基高温合金数据库。
图1 UNet 3+网络结构示意图
根据构建的数据库建立了γ′相的预测模型。为了更全面地评估γ′相特征，将合金的九种添加元素（Ni、Co、Cr、Al、W、Mo、Ti、Ta、Nb）做为输入，并将γ′相的体积分数、平均大小和五种不同大小设置为输出，构造了7个BP神经网络，分别研究了元素与各统计量之间的关系。如图2所示，BP-NN中有4个隐藏层，其中64、32、16、6个神经元。
图2 BP-NNs网络结构
R2用于测量七个BP NNs模型的精度，如图3A所示。所有预测模型对训练数据和测试数据的R2均大于0.70，这表明所建立模型的有效性。同时，将试验集的预测结果与实际值进行了比较，结果表明，γ′降水特征的7个统计量的值都得到了准确的预测。
