【上海交大｜ACS AMI】可解释机器学习实现热障涂层逆向精准设计

    ``  

    ``  

      PART 1    

        文章信息      

      题目    

    Microstructure-Mediated Inverse Design of Thermal Barrier Coatings via Interpretable, Data-Efficient Machine Learning  

      作者    

    Tianmeng Huang, Xiao Shan, Hanchao Zhang, Min Zhang, Huangyue Cai, Jie Lu, Jingyang Wang, Xiaofeng Zhao  

      单位    

    上海交通大学材料科学与工程学院先进高温材料与精密成形上海市重点实验室；辽宁材料实验室氢燃气轮机涂层技术研究所  

      期刊    

    ACS Applied Materials & Interfaces，2026 / Vol.18  

      DOI    

    https://doi.org/10.1021/acsami.6c00672  

      PART 2    

        一句话概括      

    研究构建了一种以微观结构为中介的可解释机器学习闭环框架，仅利用45组实验数据即可实现APS热障涂层从目标性能到工艺参数的逆向设计。  

该方法将“工艺—结构—性能”关系显式拆解，在小样本条件下实现高精度预测与可制造化优化。

      PART 3    

        研究背景与科学问题      

    热障涂层（TBC）广泛应用于航空发动机和燃气轮机，其隔热性能主要由孔隙、裂纹和未熔颗粒等微观结构决定。然而这些特征之间存在天然权衡：孔隙有利于隔热但降低强度，未熔颗粒提高抗热震能力却可能诱发裂纹。  

    APS（大气等离子喷涂）工艺涉及电流、喷涂距离、气体流量和送粉速率等多个参数，工艺与结构之间呈现强非线性耦合，使传统试错优化效率极低。  

    近年来机器学习被用于材料设计，但多数工作直接建立“工艺性能”的黑箱映射，既缺乏物理可解释性，也难以在几十个样本规模下获得可靠模型。  

    因此，一个关键问题是：能否利用有限实验数据，构建兼具可解释性、预测能力和逆向设计能力的智能设计框架？  

关键挑战

工艺参数与微观结构存在复杂非线性耦合

APS实验成本高，数据规模通常不足百组

黑箱模型难以揭示形成机制

缺乏将目标性能直接映射为工艺参数的逆向设计能力

如何在小样本条件下实现可解释、可验证且可制造的热障涂层智能设计？

      PART 4    

        技术原理与创新点      

    作者提出“Microstructure-Mediated”设计思想，将微观结构作为连接工艺与性能的中介层。首先利用深度学习识别SEM图像中的等轴孔、裂纹和未熔区域，再建立工艺参数到微观结构的预测模型。  

    随后，通过随机森林（RF）模型和SHAP解释分析揭示关键控制机制，并利用NSGA-II多目标遗传算法实现逆向优化，将目标微观结构反推为可执行工艺参数。  

    整个框架形成“实验图像识别结构建模逆向优化实验验证”的闭环流程，实现性能驱动制造。  

方法分解

1.

采集45组APS热障涂层实验数据与450张SEM图像

2.

深度学习自动识别孔隙、裂纹和未熔区域

3.

构建38个工程特征并进行特征筛选

4.

比较RF、XGBoost、GPR和SVR模型性能

5.

基于RF建立工艺—结构预测模型

6.

利用SHAP分析关键工艺机制

7.

采用NSGA-II执行多目标逆向优化

8.

通过实际制备样品完成验证

创新清单

引入微观结构作为可解释中介变量

仅使用45个样本实现高精度建模

构建结构驱动的逆向设计闭环

结合SHAP实现工艺机理可解释分析

text

工艺参数    SEM图像识别    微观结构定量化    随机森林预测模型    NSGA-II逆向优化    目标工艺参数    实验验证

与传统黑箱模型相比，本文显式建模“工艺—结构—性能”链路，使预测结果具备物理可解释性与工程可实施性。

      PART 5    

        实验验证与性能      

    研究基于45组APS制备样品建立数据集，并采用留一交叉验证（LOOCV）评估模型泛化能力。随后设计独立验证样品，对逆向设计精度和热学性能进行双重验证。  

    最终通过两组优化工艺（OPT-1与OPT-2）制备热障涂层，在1000℃下测试热导率。  

评测维度

1.

微观结构预测精度

•

等轴孔：R²=0.896

•

未熔区域：R²=0.878

•

裂纹：R²=0.727

2.

逆向设计能力

•

微观结构复现精度：92%

•

工艺参数预测精度：88%

3.

热学性能优化

•

测试温度：1000℃

•

对比对象：数据集平均热导率

关键结果表

仅通过两轮实验验证，即实现1000℃下热导率最高降低46%，达到数据集最优水平。

      PART 6    

        学术贡献      

提出面向热障涂层的小样本可解释机器学习框架

建立工艺参数与关键微观结构之间的定量映射

实现从目标性能到制造参数的逆向设计闭环

证明微观结构中介建模能够显著提升数据利用效率

该工作推动热障涂层研发从经验试错模式向数据驱动精准设计范式转变。

      PART 7    

        局限性与未来方向      

    尽管框架在热导率优化方面取得显著成果，但当前优化目标仍局限于隔热性能，尚未同时考虑热循环寿命、抗剥落能力和力学可靠性等工程指标。  

    此外，微观结构表征主要基于二维SEM图像，尚未充分利用三维孔隙网络与界面结构信息。  

    未来可结合迁移学习与多目标优化，将框架推广至更多APS陶瓷体系，实现跨材料泛化设计。  

待解决问题

引入热循环寿命与服役可靠性指标

构建三维微观结构表征体系

验证向其他APS陶瓷材料迁移的可行性

建立多性能协同优化模型

下一阶段最重要的方向是实现热导率、寿命与力学性能的统一多目标逆向设计。

      PART 8    

        总结      

    本文提出了一种以微观结构为核心中介的可解释机器学习框架，在仅45组实验数据条件下实现APS热障涂层的精准预测与逆向设计。通过结合深度学习图像识别、随机森林建模和NSGA-II优化，成功将目标性能直接映射为制造参数。  

    实验验证表明，该方法能够在极少实验迭代下获得显著降低的热导率，为数据稀缺条件下的智能材料设计提供了通用方案。  

从“试出来”到“算出来”，热障涂层设计正在进入可解释智能优化时代。

      PART 9    

        图文赏析      

Figure 1

微观结构介导的热障涂层设计机器学习框架。（a）样品制备与微观结构表征；（b）微观结构识别与特征工程；（c）正向预测模型开发与性能分析；（d）多目标逆向优化；（e）实验验证I：微观结构预测精度；（f）实验验证II：性能驱动逆向设计。

Figure 2

热喷涂工艺参数分析：（a-d）氩气流量、送粉速率、电流和喷涂距离的分布；（e）相关性矩阵；（f）PC1−PC2空间中的PCA双标图；（g）主成分解释的方差。

Figure 3

APS热障涂层微观结构特征提取与量化。（a）原始SEM图像；（b）分割结果；（c）叠加对比；（d-f）裂纹、等轴孔和未熔区域的单独提取；（g-i）数据集统计分布概览。

Figure 4

特征选择与重要性分析。（a）RFECV得到的最优特征数量；等轴孔预测的特征重要性（b）；裂纹预测的特征重要性（c）；未熔区域预测的特征重要性（d）。

Figure 5

机器学习算法性能与模型验证。（a-c）裂纹、等轴孔和未熔区域预测的算法比较。（d-f）RF模型在裂纹、等轴孔和未熔区域预测中的验证结果。

Figure 6

RF模型可解释性的SHAP分析。（a-c）等轴孔、裂纹和未熔区域预测的特征重要性排序。（d-f）对应特征的SHAP值分布。颜色表示缺陷水平，由低（红色）到高（蓝色）。

Figure 7

验证样品横截面微观结构表征。（a）不同位置的SEM图像；（b）自动特征识别；（c）各位置特征分布；（d）平均组成。

Figure 8

多目标优化结果与权衡分析。（a）三维空间中的Pareto前沿；（b）RBF曲面重建；（c）等轴孔与裂纹之间的权衡；（d）未熔区域与等轴孔之间的权衡；（e）未熔区域与裂纹之间的权衡。

Figure 9

逆向设计验证与工艺−结构相关性分析。（a）四种优化策略的预测精度；（b）工艺参数−缺陷相关矩阵；（c）参数−结构相关系数；（d）参数重要性排序；（e）不同优化目标下累计偏差比较。

Figure 10

孔隙率−热导率相关性分析。（a）总体趋势；（b-d）低、中、高孔隙率区间内的分区相关性；（e）箱线图比较。

Figure 11

目标微观结构识别的参数空间探索。（a）电流与距离；（b）电流与氩气流量；（c）距离与氩气流量；（d）电流与送粉速率；（e）距离与送粉速率；（f）氩气流量与送粉速率。

Figure 12

优化涂层的微观结构与热学验证。（a）OPT-1微观结构；（b）OPT-1孔隙分布；（c）OPT-2微观结构；（d）OPT-2孔隙分布；（e）热导率比较。