数据驱动的机器学习凭借其准确高效的预测能力广泛应用于材料的性能预测和构效关系研究。数据决定了机器学习的上限。然而, 目前材料领域的数据存在来源广、噪音大、样本少、维度高等数据质量问题, 阻碍了机器学习在材料领域更广泛的应用。本文从数据品质和数据数量2个视角系统梳理并全面剖析了材料领域数据质量问题及其相关治理工作, 发现数据品质与数据数量共同决定数据质量。基于此, 提出了面向材料领域机器学习全过程的领域知识嵌入的数据质量治理框架。该框架定义了12种维度用于解析材料数据质量的内涵; 构建了数据质量治理的生命周期模型以确保数据质量治理活动有序进行; 建立了一系列数据质量治理处理模型, 从领域知识与数据驱动2个方面对数据质量进行精准全面治理, 为生命周期模型的具体实施提供技术支持。该框架实现了材料数据质量的综合评估与提升, 为高质量数据获取提供理论指导与候选方案, 加速机器学习在材料研发中的深入应用。

数据驱动的机器学习因其能够快速拟合历史数据中的潜在模式并实现材料性能的精准预测, 已被广泛应用于材料性能优化和新材料设计。然而, 由于缺乏描述符间关联关系、材料性能驱动机制等材料领域知识的指导, 数据驱动的机器学习在实际应用中常常出现与材料基础理论认知或原理不一致的结果。本工作通过分析材料数据的特点和数据驱动的机器学习建模原理, 厘清了数据驱动的机器学习应用于材料领域面临的三大矛盾: 高维度与小样本数据的矛盾、模型复杂性与易用性的矛盾、模型学习结果与领域专家知识的矛盾。藉此提出材料领域知识嵌入的机器学习作为上述矛盾的调和策略。进一步, 面向“目标定义-数据准备-数据预处理-特征工程-模型构建-模型应用”的机器学习全流程, 通过剖析相关的基础性和探索性工作, 探讨了在机器学习各阶段实现材料领域知识嵌入的关键技术。最后, 展望了材料领域知识嵌入机器学习的发展机遇和挑战。

为揭示超声红外热成像检测中缺陷区域的生热机理，考虑预紧力对缺陷生热的影响，采用裂纹试件开展了预紧力分别为100、150、200 N的检测试验，发现裂纹区域温度与预紧力正相关，裂纹两端的生热量明显高于裂纹中段，尖端热斑最明显，且不同预紧力下圆形热斑最明亮。基于单自由度有阻尼位移激励系统和热源温度场叠加法建立了超声激励下裂纹生热的简易数学模型，通过计算参考点P■和裂纹尖端点P■的温度变化，发现P■点温度变化与试验结果一致，随着预紧力增大，P■点的计算结果与试验温升曲线拟合误差减小，且温升速率变化逐渐趋于一致。该模型能够较好地描述裂纹的生热过程，为超声红外热成像检测的加载参数优化提供了模型基础，具有一定的理论意义与工程价值。

复杂型面叶片由于其结构复杂, 缺陷检测困难, 针对这类叶片的无损检测研究一直是国内外关注的热点。文中基于超声激励下含缺陷介质的摩擦生热模型, 分析缺陷处的热流传导, 推导了含裂纹叶片简化模型的表面温度场。针对复杂型面叶片裂纹处的生热模型, 应用有限元方法进行了数值仿真。仿真结果表明, 激励时间越长, 裂纹缺陷区域温升越大; 温升速率随时间增加呈先上升后下降的趋势。利用超声红外热成像检测平台, 对含裂纹的汽轮机叶片进行检测。实验结果表明, 当预紧力处于100~150 N时, 裂纹区域生热最明显, 叶片裂纹检测效果最好。基于数值仿真和实验表明, 超声红外热成像技术可以有效地检测出复杂型面叶片中的裂纹缺陷,具有一定的工程指导意义和广泛应用前景。

对一种新型红外热波无损检测技术——激光扫描热成像无损检测技术进行了研究。在深入分析检测机理的基础上建立了激光扫描热成像有限元数值计算模型, 选取缺陷处和非缺陷处表面最大温差作为特征量, 对样品材料、缺陷大小、缺陷深度、激光扫描速度和激光扫描功率等关键参数对激光扫描热成像检测的影响规律进行了仿真和分析, 为该新技术的进一步发展和应用提供了参考; 采用数据拟合方法得出了各参数和表面最大温差关系, 并以此为基础提出了激光扫描热成像技术检测参数控制策略, 实际检测过程中, 可据此针对样品缺陷特征快速准确设置检测参数, 提高检测能力。

Aiming at the drawbacks of low contrast and high noise in the thermal images, a novel method based on the combination of the thermal image sequence reconstruction and the first-order differential processing is proposed in this work, which is comprised of the following procedures. Firstly, the specimen with four fabricated defects with different sizes is detected by using pulsed infrared thermography. Then, a piecewise fitting based method is proposed to reconstruct the thermal image sequence to compress the data and remove the temporal noise of each pixel in the thermal image. Finally, the first-order differential processing based method is proposed to enhance the contrast. An experimental investigation into the specimen containing de-bond defects between the steel and the heat insulation layer is carried out to validate the effectiveness of the proposed method via the above procedures. The obtained results show that the proposed method can remove the noise, enhance the contrast, and even compress the data reaching at 99.1%, thus improving the detectability of pulsed infrared thermography on metal defects.

采用涡流热成像技术, 对铁磁材料近表面微裂纹进行了检测研究。提出了平行激励热传导方式检测近表面微裂纹的检测方法; 数值计算模拟了涡流激励下裂纹处的生热过程, 分析了裂纹处的温度分布及其对检测结果的影响; 采用平行激励方式对含近表面微裂纹的铁磁材料进行了检测实验, 通过提取试件表面温度分布数据, 获取其变化速率曲线, 实现了对裂纹的检测和识别。结果表明: 涡流热成像平行激励方式能够准确地检测到铁磁材料近表面的微裂纹缺陷; 选择适当的涡流激励时间有助于提高裂纹处与非裂纹处温度对比, 增强检测效果。该方法的研究为近表面微裂纹的检测和定量识别奠定了基础。

为提高脉冲相位热像法(PPT)温度序列相位的计算速度和检测效率, 对传统的傅里叶变换(FFT)进行优化, 提出了适用于PPT的相位快速计算方法, 使运算速度提高了1.9～12.4倍。为确定相位算法中温度序列的最佳采样长度和频率分量, 结合热扩散深度公式提出了最佳采样长度估算公式。对铝合金试件和钢材料试件进行了脉冲相位热波检测, 当缺陷检测效果最佳时, 热图序列最佳采样长度分别为1.1 s和3.9 s, 基频相位差有最佳的缺陷分辨能力。结果表明: 该算法显著提高了相位计算速度, 量化的最佳采样长度估算公式能直接确定热图采样长度, 减少了操作的主观性和参数设置的随机性, 有效提高了脉冲相位热像检测效率。