钛合金因其高强度、低密度、优异的高温性能和耐腐蚀等特性被广泛应用于航空航天等行业。提升钛合金性能的关键是热加工过程中形成特定的显微组织，因此探索热加工工艺参数与显微组织演变规律的关联性成为研究热点。 在钛合金热加工过程中，主要的工艺参数有变形温度、固溶温度和应变量，其中，变形温度是指钛合金进行热变形时的温度；固溶温度是指钛合金进行热处理时的温度；应变量指钛合金由于热变形所产生的形变程度。为了研究上述工艺参数与显微组织演变规律的关联性，在材料学实验中设定一组固定变形温度和固溶温度，调整应变量范围的实验条件称为工况，例如如图1中的每个矩形框代表一个工况(即一组产生关联数据的实验条件)，而不同工况之间则称为跨工况(即不同实验条件)。 由于不同工况组合众多，实验过程复杂、时间较长，导致全工况下的显微组织试样数据难以完备，因此建立热加工工艺参数与显微组织特征参数之间的预测模型，用以推测跨工况下显微组织特征参数有助于指导工艺优化，从而提高钛合金性能。预测模型的建立主要分为试样制备、数据提取和构建预测模型三个部分。如图2所示，第一步，试样制备是为了获取不同工况下钛合金的对应的显微组织数据，即利用片层组织的TC18钛合金双锥试样，开展不同温度下高温压缩实验，获得具有不同变形程度的试样；第二步，数据提取是为了获得热加工工艺参数和与其对应的组织特征参数，其过程中分为两部分，一部分通过Deform软件提取同一试样在热加工过程后不同部位产生的应变量，与上一步获得的变形温度和固溶温度共同组成热加工工艺参数，另一部分通过ImageJ软件提取同一试样在材料表征实验后产生的组织特征参数；第三步，构建模型是通过上述数据建立热加工工艺参数与显微组织特征参数之间的预测模型，即研究跨工况下显微组织演化规律，指导工艺优化。 为实现跨工况下钛合金显微组织的预测主要有两部分，第一，扩充试样数据用于提升模型对多样化工况的适应性、泛化能力；第二，跨工况下的显微组织预测用于提升模型对多样化工况的预测精度。在扩充试样数据方面，小样本学习方法因其在数据不完备条件下的优异表现而受到广泛关注，并成为解决这一问题的重要手段。小样本学习方法主要包括基于模型微调的方法、基于数据增强的方法、基于度量学习的方法和基于元学习的方法。其中，模型微调、度量学习和元学习方法难以应对显微组织的复杂特性和任务适应性问题，而基于数据增强的方法通过生成与真实数据相似但不完全相同的新样本来扩展小样本数据集，能显著提升模型的泛化能力和鲁棒性。目前已有将数据增强方法应用于小样本学习的研究，例如，文章[何喜军,马珊,武玉英,等.小样本下多维指标融合的电商产品销量预测[J].计算机工程与应用,2019,55(15):177-184.]采用集成学习方法结合多维指标融合技术，从多个维度收集数据，通过熵值法等技术手段，将指标有效地融合和加权，以减少指标间的相关性并提取出对销量预测更为关键的信息。为了增强模型的泛化能力，文章[LiuY,Lee J,Park M,et al.Learning to propagate labels:Transductive propagationnetwork for few-shot learning[J].arxiv preprint arxiv:1805.10002,2018.]设计了传导式传播网络，通过学习标签的传播路径，使得标签信息能够在样本之间进行有效传递，从而提高了分类的准确性。文章[Zhang R,Che T,Ghahramani Z,et al.Metagan:Anadversarial approach to few-shot learning[J].Advances inneuralinformationprocessing systems,2018,31.]在生成对抗网络技术的基础上，提出了一种对抗性的小样本学习方法。通过生成与真实数据相似但又不完全相同的样本，迫使判别器学习到更加鲁棒的特征表示，显著提升了模型在小样本学习中的鲁棒性和预测性能。上述方法利用小样本学习技术的数据扩充策略，显著增强了模型在预测领域的性能和准确性。尽管小样本学习技术在数据扩充上取得了进展，但传统的深度学习模型利用扩充数据去预测时，往往无法有效捕捉新工况的特征，导致预测效果差。因此如何在跨工况下利用扩充的显微组织试样数据完成对显微组织的预测非常重要。 在跨工况下的显微组织预测方面，迁移学习提供了有效的自适应策略。迁移学习的目标是将在一个领域或任务上学到的知识应用到另一个不同但相关的领域或任务上，以提高学习效率和性能，特别是在目标任务数据有限的情况下。迁移学习主要有实例加权、参数迁移、特征适配和域自适应等几种方法。其中，实例加权方法、参数迁移方法和特征适配方法在应对钛合金显微组织的多样性和复杂演变规律时难以准确捕捉其在不同温度、应变条件下的组织变化特征，而域自适应方法通过对源域和目标域的数据分布进行动态调整，能够更好地捕捉两者之间的差异，更适合跨工况下的预测。目前已有将领域自适应应用于跨工况预测的模型。例如，文章[李伟,陈剑,陶善勇.自适应耦合周期势系统随机共振信号增强方法[J].吉林大学学报(工学版),2021,51(03):1091-1096.]利用条件生成对抗网络模型来增强数据多样性并解决模式崩溃问题、文章[刘飞,陈仁文,邢凯玲,等.基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法[J].振动与冲击,2022,41(03):154-164.]提出深度残差变分自编码器与自注意力机制结合的模型用于提取和保留关键特征信息、文章[Zhang B,Li W,Li XL,et al.Intelligent fault diagnosis under varyingworking conditions based on domain adaptive convolutional neural networks[J].Ieee Access,2018,6:66367-66384.]提出基于最大均值差异的卷积神经网络以对齐不同工况下的特征分布、以及文章[Tang Z,Bo L,Liu X,et al.Asemi-supervisedtransferable LSTM with feature evaluation for fault diagnosis of rotatingmachinery[J].Applied Intelligence,2022,52(2):1703-1717.]结合了熵增比和长短时记忆网络(LSTM)的半监督可转移网络模型用于评估和选择有助于预测的特征。尽管迁移学习为跨工况显微组织预测提供了有效策略，但现有域自适应算法在处理复杂数据时，由于不同工况之间的差异性与相似性共存，仍存在保留预训练模型学习能力的不足。因此，如何进一步优化域自适应算法，以增强其在复杂环境下的适应性和提高预测精度，仍是待解决的问题。