赵春阳，王恩会，方 志，郭春雨，段兴骏，侯新梅

(北京科技大学钢铁共性技术协同创新中心，北京 100083)

0 引 言

非氧化物材料因其强度高，具有良好的抗氧化、抗热震和抗腐蚀性能，被广泛应用于冶金、电力和化工等行业[1-3]。在实际服役条件下，作为高温设备内衬耐火材料重要组成的非氧化物材料其本身的氧化行为易导致相应耐火材料高温性能不断恶化，进而降低服役寿命。因此明晰非氧化物材料在高温服役过程中的反应行为对相应耐火材料服役寿命的预测和优化设计尤为重要[2-5]。

在非氧化物材料高温服役过程的反应行为研究方面，由于高温反应的复杂性及实验条件的苛刻性，反应数据准确获取困难且重现性差，而现有的测试仅考虑单一因素，与材料实际服役条件相距甚远。除了实验手段外，多采用动力学模型进行分析[5-8]，但是动力学模型的建立往往都需要进行大量数据处理，当遇到不同的反应机理时不可避免地需要更多的表达式来描述反应行为，且很难同时满足描述准确性高和模型参数简单两个条件，实际应用效果不佳[9-12]。

随着人工智能的快速发展和大数据技术在材料领域的应用探索，越来越多的机器学习算法被用于解决材料制备和性能等方面的研究。人工神经网络(artificial neural network， ANN)是基于简单处理元素(神经元)组成的相互连接的并行系统，该系统利用已有数据学习输入和输出之间的函数关系，而无需事先假设输入与输出关系，具有自学习功能和高速寻找优化解的能力。……