超音速火焰喷涂（HVOF）技术是一种用于制备保护性涂层（如耐磨涂层、耐腐蚀涂层、耐汽蚀涂层）的有效方法。超音速火焰喷涂涂层性能对飞行粒子的温度和速度均很敏感，而上述特性主要由喷涂工艺参数决定。但在超音速火焰喷涂沉积过程中，存在着复杂的物理化学变化过程，因而对超音速火焰喷涂涂层性能开展有效优化及预测仍具有一定挑战。相比于传统实验方法，将机器学习与热喷涂技术相结合，是近年来兴起的一种用于优化和预测涂层性能的方法。不同于以往在热喷涂领域中所采用的机器学习算法，本研究首次引入了物理信息神经网络（PINN）和卷积算法，可在一定程度上改善小样本算法中的过拟合问题，进而提高超音速火焰喷涂涂层预测模型的可信度。基于此，本文提出了一种结合物理信息神经网络与卷积算法的新型分层神经网络模型，从而建立了超音速火焰喷涂工艺参数（氧气流量、喷涂距离、燃料流量）与粒子飞行特性（速度、温度）及NiCr-Cr₃C₂涂层性能（硬度、孔隙率和磨损率）的关系模型，并实现了对涂层性能的准确预测。模型验证集中的硬度、孔隙率、磨损率与实验数值的对比结果表明，NiCr-Cr₃C₂涂层上述性能的预测准确率分别为97.41%、96.65%和91.32%。本文研究结果指出，基于物理信息神经网络与卷积算法的分层神经网络模型可实现对超音速火焰喷涂涂层性能的高精度预测，对于调控和优化超音速火焰喷涂涂层具有指导意义，并为后续开发智能喷涂系统奠定理论基础。

超音速火焰喷涂；NiCr-Cr3C2涂层；机器学习；物理信息神经网络；卷积算法