东北大学徐伟团队《Acta Materialia》等多篇文章：晶体塑性指导深度学习方法

本文介绍了东北大学徐伟教授团队在Acta Materialia和Scripta Materialia上发表的研究成果，重点探讨了晶体塑性指导深度学习方法在双相钢力学性能预测中的应用。研究背景是金属材料“成分/工艺-组织-性能”关系的建模策略中，物理建模与人工智能建模各自存在可解释性和计算效率的冲突。研究目的是通过晶体塑性指导深度学习的新方法（CNN-DP和DL-CP），实现双相钢力学行为的高效且准确预测。研究结果表明，CNN-DP模型在双相钢力学性能预测中具有高精度和良好的扩展性，而DL-CP框架则通过嵌入物理机理，实现了应力-应变分布和拉伸性能的双输出预测，并显著提高了可解释性。结论指出，晶体塑性指导的深度学习策略为钢铁材料全链条关系的高效可解释建模提供了有效方法，具有广泛的应用前景。