张 鹏，李 靖，王文先，贾程鹏，马颖峰，徐文瑞

(1.太原理工大学 物理与光电工程学院，山西 太原 030024；2.新型传感器与智能控制教育部重点实验室，山西 太原 030024；3.太原理工大学 材料科学与工程学院，山西 太原 030024)

随着世界能源危机的加剧，核能以其清洁、低资源消耗的优势，成为最具潜力的能源之一。然而，1个MW级的核电站通常每年会排放约25 t的乏燃料，乏燃料含有很强的中子，会对周围环境和人类造成严重的辐射污染。因此，中子吸收材料成为核、乏燃料和核废料储运过程中临界控制和安全防护的必要材料。由于核电站严苛的服役环境，对中子屏蔽材料的力学性能要求越来越高。若能建立一种有效的力学性能预测模型，将会大幅提高材料的设计及制备效率。卷积神经网络(CNN)是一种主要用于自然图像识别的神经网络[1]，可自动提取图像的特征，如晶粒数目、晶粒大小、晶粒类型、孔洞数目、晶界等，这些特征与材料性能之间有着密切的联系。近年来，AlexNet、VGG、GoogLeNet、ResNet等CNN被相继提出，宋新宽等[2]利用CNN可通过多孔材料的显微照片快速、准确地计算其扩散系数，训练后的CNN对测试集的预测准确度达96.70%；曹卓等[3]通过CNN模型，使用从材料数据库中收集到的4 000多种材料数据，对材料的形成能进行预测，并得到较为准确的预测结果；Kondo等[4]通过VGG改进的神经网络模型，对陶瓷材料的微观组织进行识别，并准确预测出陶瓷材料的离子导电率。

本文选用Gd2O3/6061Al中子屏蔽材料，收集大量材料在变形过程中的……