高温合金是航空航天、能源动力等国家重点领域关键装备的核心材料，其在高温高压环境下的性能预测是决定设备安全可靠性的核心指标。近年来，随着计算科学的迅猛发展，机器学习在预测高温合金性能方面取得了显著成就。例如，结合高通量实验和引入物理信息描述符的机器学习算法预测疲劳寿命，提高模型精度与解释性。然而，在材料研发与应用过程中，由于合金成分、热处理工艺等数据记录常常存在不完整或缺失的情况(即“模糊数据”)，这严重制约了传统机器学习方法的预测能力。因此，如何基于这些不确定性的数据进行准确的性能预测，一直是该领域面临的一大挑战。

针对这一难题，河北科技大学苏孺教授团队联合上海交通大学、北京科技大学学者创新性地将两种机器学习技术—“迁移学习”与“部分标签学习”相结合，构建了一个能够高效处理数据不确定性的预测框架。该框架能够利用从相关材料体系中学到的通用知识，来智能地补全和修正当前数据集中缺失或模糊的关键信息。通过这一策略，该框架成功实现了从不完整的初始数据中精确“提炼”出高温合金的真实组成，基于被该框架“修正与增强”的数据，疲劳性能预测模型的准确性和泛化能力均得到了显著提升。

相关工作以题为“Data-driven fatigue prediction of superalloys: a novel strategy integrating transfer learning and partial label learning for addressing ambiguous data”研究性论文发表在《Advanced Science》。河北科技大学博士研究生吕浩鹏为论文第一作者，河北科技大学吴大勇副教授、苏孺教授、上海交通大学饶梓元副教授为论文的通讯作者。该研究成果为解决材料科学领域普遍存在的“小数据、不完整数据”问题提供了新的思路，在高性能合金的设计、服役可靠性评估等方面具有指导意义和应用前景。

论文链接：
http://doi.org/10.1002/advs.202507362

图1. 方法论概述。a) 结合PLL与TL进行合金成分挖掘与疲劳性能预测的新型工作流程框架。该框架分为四个主要步骤：(I) 拉伸性能与成分预测；(II) TL方法；(III) PLL方法；(IV) 疲劳性能预测。b) 模型预测疲劳性能准确性的实验验证。具体步骤包括材料制备、疲劳试验、数据采集及模型验证。

图2. PLL流程图：a) 数据消歧过程示意图及每次优化循环后失效数据的演变过程；b)模型在优化周期中MAPE与R²值的变化趋势；c) 应用PLL策略前后SVR模型MAPE与R²值的对比。