想象一下，你正在试图理解为什么某块饼干会在特定的地方碎掉。是因为巧克力豆吗？是空气泡吗？还是因为面团折叠的方式？这就是材料科学家每天面临的这类谜题。他们研究金属和合金，试图弄清楚其微小的内部结构——例如晶粒和相的排列方式——是如何决定其强度或柔韧性的。为了做到这一点，他们经常使用像 X 射线 CT 扫描仪这样强大的工具，这些工具就像超先进的照相机，可以在不切开物体的情况下看到其内部，从而创建其内部的 3D 地图。他们还使用一种被称为“数字体相关”（Digital Volume Correlation）的技术，这就像是一场高科技版的“找不同”游戏，追踪在挤压或拉伸材料时，其内部每一个微小点是如何移动和拉伸的。大问题在于：我们能否通过观察内部的 3D 地图，准确预测材料在断裂前会在哪里发生最大的拉伸？这对于制造更安全的汽车和飞机至关重要，尤其是那些由轻质金属（如镁）制成的车辆，这些金属虽然有助于节省燃料，但其性能却很难预测。
研究人员发现，仅使用一种类型的线索是不够的；这就像是只拿着一半证据去试图解开一个谜团。然而，当他们将这三种类型的线索结合到一个“多模态”模型中时——即一个能同时读取数字和图像的模型——预测变得更加精准。该模型成功预测了高应变区域会出现的位置，并与 X 射线扫描实际测得的数据相吻随。最令人兴奋的发现是一个特定的模式：材料往往会在硬质 LPSO 相形成相对于挤压方向呈 45 度角的长条状形状的地方发生最大程度的拉伸。这一发现证实了以往研究曾暗示但未能解释得如此清晰的内容：这些硬质相的取向和连通性是决定材料如何变形的关键因素。通过证明这种 AI 方法的有效性，研究人员为工程师提供了一种全新的、强大的工具，让他们能够通过理解内部结构的隐藏 3D 舞步，来设计出更好、更可靠的材料。
技术摘要：用于预测 Mg/LPSO 双相合金应变局部化的多模态深度学习框架
问题陈述 具有长周期堆垛层错有序（LPSO）相的镁（Mg）合金因其高比强度和独特的变形机制（如孪晶变形）而成为极具前景的结构材料。然而，在微观到介观尺度（跨越单个晶粒到相界）上理解其变形行为仍具有挑战性。虽然高分辨率数字图像相关技术（HR-DIC）已揭示在铸态合金中硬质 LPSO 相倾向于发生塑性变形，但大多数传统研究依赖于 2D 表面观测。目前缺乏将 3D 微观结构特征与局部应变分布定量联系起来的研究。此外，尽管机器学习正越来越多地被用于通过微观结构预测材料属性，但现有方法通常依赖于单一类型的描述符（数值数据或图像数据），这可能会限制预测精度和物理洞察的深度。
方法论 本研究提出了一种多模态深度学习框架，用于从铸态 Mg94Zn2Y4 合金的 3D 微观结构图像中预测 3D 局部应变分布。该方法包括以下步骤：
实验数据获取： 对 Mg/LPSO 试样进行了高达 300 MPa 的压缩测试。使用 X 射线计算机断层扫描（CT）获取变形前后的 3D 微观结构图像。
应变测量： 应用数字体相关技术（DVC）处理 X 射线 CT 图像，以计算介观尺度的 3D 等效应变（εeq）分布。