本项目围绕锆合金Cr涂层在高温蒸汽环境下的氧化行为开展研究，针对传统人工分析方法效率低、主观性强、难以满足高通量表征和寿命评估需求的问题，提出了一套基于机器学习的智能分析流程。项目以扫描电子显微镜截面图像为主要数据来源，围绕“语义分割—特征量化—动力学建模”构建完整技术链条，实现了氧化层、孔隙等关键组织特征的自动识别和定量提取，并进一步建立氧化动力学预测模型。该研究打通了从原始显微图像到结构化数据再到性能评估的分析路径，为核材料数字化表征、氧化行为研究和安全寿命预测提供了新的技术方案。

（1）建立基于深度学习的图像分割模型，实现氧化层、孔隙等微观组织的高精度自动识别。（2）开发氧化层厚度测量和孔隙率统计方法，实现关键结构参数的标准化、批量化提取。（3）构建包含温度、时间及微观特征在内的结构化数据库，支撑后续数据分析。（4）训练并比较多种机器学习模型，建立氧化动力学预测模型，提高寿命评估精度。（5）形成从显微图像输入到性能预测输出的端到端分析原型，为工程应用提供参考。

（1）建立了基于U-Net和迁移学习的图像分割模型，实现了氧化层和孔隙区域的高精度自动识别。（2）开发了法线方向厚度测量和孔隙统计方法，可自动输出厚度分布、孔隙率等关键参数。（3）构建了微观结构数据库，并对SVR、随机森林、XGBoost和人工神经网络等模型进行了对比分析。（4）确定人工神经网络模型具有最佳预测性能，并结合SHAP方法揭示了温度、时间和孔隙率对氧化行为的影响规律。（5）形成了较完整的自动化分析工具链和寿命预测方法。