采用数值模拟与深度学习相结合的方法，以钢锭凝固过程中的缩孔疏松缺陷为研究对象，提出了一种基于Transformer 神经网络与注意力机制的缩孔疏松预测模型。 对 8t 9Cr3Mo 钢锭凝固过程进行有限元数值模拟，获得节点温度、固相率等时序特征数据；将模拟数据作为输入，构建多头自注意力机制的 Transformer 回归模型，实现缩孔疏松预测 ；最后 ，通过 分 析 模 型 注 意 力 权 重 ，揭示 其 对 凝 固 过 程 不 同 阶 段 固 相 率 等 关 键 特 征 的 关 注 规 律 。 结果 表 明 ，该模型在 预 测缩孔疏松时能自动聚焦钢锭凝固后期阶段，与缩孔形成的物理机制一致，为识别缩孔敏感区提供了数据驱动的新视角。