一种基于高通量表征与机器学习的核电用钢晶粒尺寸预测方法

本发明公开一种基于高通量表征与机器学习的核电用钢晶粒尺寸预测方法，涉及材料晶粒尺寸分析及预测技术领域，通过高通量表征技术一次性获取大量核电用奥氏体不锈钢在不同热变形与热处理条件下的多变量复杂参数组合，结合EBSD大面积拼接技术获取高精度的晶粒尺寸信息，利用WOA‑XGBoost机器学习算法建立可靠的实验数据库，实现对大尺寸试样晶粒尺寸的准确预测。这种方法不仅提高了数据采集效率，还显著降低了研究与生产成本，同时优化了工艺参数，提升了材料性能和质量。此外，该发明还促进了智能制造技术的发展，推动了材料研发和生产过程的智能化和自动化，有助于实现可持续发展的目标。