9月26日消息，arXiv 9月23日提交的论文（编号2609.28567，M. Awais、M. Yaseen、A. Shakoor）针对316L不锈钢氢脆（HE）检测中的机器学习评估缺陷提出解决方案：基于扫描电镜（SEM）微结构图像的氢脆识别模型，常用图像级划分训练/测试集，但同一试样区域的多张图像会带来信息泄漏，虚高模型性能。

研究提出「区域留出」（Leave-One-Region-Out, LORO）交叉验证协议：在8个原始态与6个充氢态共14个空间区域、31张SEM图像上，系统比较六种特征提取-分类器组合在无泄漏条件下的真实表现。结果显示，区域级划分下的分类性能显著低于图像级划分，证实既有文献中机器学习氢脆识别精度存在系统性高估。

这一工作对氢能产业有直接工程价值：316L不锈钢广泛用于储氢容器与输氢管线，氢脆是关键失效机制，SEM微结构图像的自动化分析是规模化质检的候选手段。建立防泄漏的评估基准后，机器学习质检模型才能在实验室间可复现、可比较，为后续在真实检测流程中部署扫清方法论障碍。论文的方法论（按物理来源划分数据集）也适用于其他材料表征的机器学习任务。 （来源：arXiv）