热导率是核燃料芯块的重要性能指标，高热导率核燃料能有效降低燃料服役时内部的温度梯度、提高服役寿命和安全系数。因此提高热导率是开发事故容错型核燃料的主要目标。目前广泛使用的UO₂燃料具有熔点高、热稳定性和化学稳定性好等优点，但其热导率相对较低。通过与高热导率、化学相容性好的材料形成UO₂基复合型燃料，是发展事故容错型燃料研究的一个重点方向。然而，复合燃料的热导率与其高热导第二相在空间的分布和微结组织构密切相关，可在较大范围内波动。因此在兼顾燃料燃耗效率的情况下，探究在高铀装量下具有高热导率的复合燃料微观组织结构具有重要意义。但是，由于含铀材料的辐射性与复合材料微观组织的复杂性，通过实验方法或者高精度的计算方法探究复合燃料微观结构与热导率的关联性，存在周期长、成本高的问题。

近日，材料学院强度室邓俊楷教授课题组利用深度学习和可解释机器学习技术，针对UO₂-BeO复合燃料微结构和热导率的关联性开展了研究。课题组通过高通量有限元计算，获得一批与实际微结构相符的复合燃料模型与热导率的材料数据集。为解决因数据量不足且样本区分度不高的问题，研究中采用了深度迁移学习，有效减小了数据标定所需的数据集规模，并大幅提高了热导率机器学习预测模型的性能。随后，利用可解释机器学习技术和基于物理直觉的参数模型，成功识别并提出了对复合燃料热导率具有重要影响的关键微结构特征，并对其进行了验证。通过深度学习方法提取的影响复合燃料热导率的关键微结构特征，将对高热导的复合燃料设计提供理论指导，并有望通过先进的增材制造技术实现。

本项研究成果最近以《通过卷积神经网络预测 UO₂-BeO复合燃料热导率及其关键结构特征》（Thermal conductivity prediction of UO₂-BeO composite fuels and related decisive features discovery via convolutional neural network）为题发表在《材料学报》上。西安交通大学为本论文第一作者和通讯单位，论文第一作者弓站朋是材料学院邓俊楷教授培养的博士生。研究工作得到了西安交通大学高算平台和西安未来人工智能计算中心提供的算力和技术支持。

论文链接：

https://doi.org/10.1016/j.actamat.2022.118352