本研究は、クリープ・疲労荷重を受ける材料に対して、機械的特性の劣化メカニズムおよび荷重レベルや保持時間の変化に伴う微細組織の進化を理解することに重点を置き、データ統合型の評価手法を開発することを目的としている。微視的特徴と巨視的指標の両方を捉えたマルチモーダルデータセットを生成するために、体系的な実験プログラムを実施する。これらのデータを活用するため、本プロジェクトではハイブリッド深層学習フレームワークを構築する。CNNコンポーネントは、高解像度の微細組織画像からの自動特徴抽出を担う。これらの特徴は標準化された物理パラメータと融合され、高次元の特徴空間を形成する。その後、SVRコンポーネントを用いて、損傷の頑健な分類と残存寿命の高精度な予測を実現する。ベイズ最適化により、CNN–SVRモデルのアーキテクチャを洗練し、予測性能と解釈性を最大化する。本融合型手法は、物理特性や静的画像のみに依存する従来モデルの限界を克服し、より動的かつ高精度な材料劣化挙動の評価を可能にすることを目指している。本研究は、時間依存的な損傷プロセスの基礎理解に貢献し、過酷な環境下で稼働する構造材料の知能的寿命設計手法の開発を支援する。プログラムのリソースと学際的ネットワークは、材料科学、力学、人工知能の交差点における革新を促進し、クリーンエネルギー用途に向けた高性能構造信頼性ソリューションの進展に重要な役割を果たす。