[发明专利]一种基于机器学习的高熵合金硬度预测方法在审
申请号: | 202011140018.3 | 申请日: | 2020-10-22 |
公开(公告)号: | CN112216356A | 公开(公告)日: | 2021-01-12 |
发明(设计)人: | 邹瑞;李述;王鹏;李帅;杨致远 | 申请(专利权)人: | 哈尔滨理工大学 |
主分类号: | G16C60/00 | 分类号: | G16C60/00;G16C20/30;G16C20/70 |
代理公司: | 黑龙江立超同创知识产权代理有限责任公司 23217 | 代理人: | 杨立超 |
地址: | 150080 黑龙*** | 国省代码: | 黑龙江;23 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 机器 学习 合金 硬度 预测 方法 | ||
一种基于机器学习的高熵合金硬度预测方法,属于金属材料硬度预测技术领域,用以解决传统方法预测搜索性能优异的高熵合金耗时耗力且不准确的问题。该方法包括,获取用来预测高熵合金硬度的特征数据训练集;对特征数据进行筛选,获取最优特征组合;通过十重交叉验证方法选择机器学习模型;采用选择的机器学习模型并输入最优特征组合进行模型训练;根据训练好的模型对未知的高熵合金硬度进行预测,挑选出预测硬度高且预测可信性好的高熵合金。本发明中的特征筛选方法与现有的穷举法需要排列所有特征的组合去寻找最优特征相比,在基于机器学习算法进行高熵合金硬度预测时,不仅对高熵合金性能预测较为准确,而且更为节省计算资源与时间。
技术领域
本发明涉及金属材料硬度预测技术领域,具体涉及一种基于机器学习的高熵合金硬度预测方法。
技术背景
传统的金属合金一般由一种或者两种主要元素以及一些辅助元素组成,在传统的三元合金中,成分往往就位于三角形相图中的一个顶角附近的位置,而近些年引起广泛关注的高熵合金往往由五种或五种以上的元素组成,每个元素的摩尔分数都在5%~35%之间的,因此高熵合金有时也称为多主要元素合金。高熵合金由于其内部含有较高的构型熵,会在高熵合金内部产生高熵效应,由高熵效应的假说可知当合金的构型熵较高时,合金相较于金属间化合物相(IM)或无定形相(AM)会更加倾向于生成固溶体相(SS)。因此高熵合金往往在性能上更优异,比如较高的强度和硬度、较好的耐磨性能、优异的延展性等等。
传统的搜寻高性能材料-高熵合金的方法,往往是通过实验、理论或计算来表征材料性能,但是这些方法耗时耗力,难以进行高通量的材料表征,而且高熵合金中具有十分巨大的组成成分空间和微观结构空间,所以凭借传统方法寻找性能优异的高熵合金是十分困难的。而随着人工智能以及大数据时代的到来,用机器学习方法来寻找具有优异性能的具体材料也逐渐被应用于各种高性能材料搜寻问题上。
基于机器学习来预测材料性能往往需要以下步骤:搜集数据、特征工程、模型选择与训练、误差分析以及验证。而特征工程中最主要的方面就在于特征选择,特征选择的优劣将在很大程度上影响性能预测的结果,但挑选适用于特定的材料性能预测的特征上面并没有一个公认的通用方法。因此如何寻找到一种最适合的特征筛选方法,在应用机器学习预测高熵合金硬度的过程中显得尤为重要。
发明内容
鉴于以上问题,本发明提出一种基于机器学习的高熵合金硬度预测方法,用以解决传统方法预测搜索性能优异的高熵合金耗时耗力且不准确的问题。
一种基于机器学习的高熵合金硬度预测方法,包括以下步骤,
步骤一、获取用来预测高熵合金硬度的特征数据训练集;
步骤二、对特征数据进行筛选,获取最优特征组合;
步骤三、通过十重交叉验证方法选择机器学习模型;
步骤四、采用选择的机器学习模型并输入最优特征组合进行模型训练;
步骤五、根据训练好的模型对未知的高熵合金硬度进行预测,挑选出预测硬度高且预测可信性好的高熵合金。
进一步地,步骤一中所述高熵合金为Al-Co-Cr-Cu-Fe-Ni体系。
进一步地,步骤一中所述特征包括原子半径差、电负性差、价电子浓度、混合焓、构型熵、Ω参数、Λ参数、γ参数、局部电负性失配、流动电子数目、内聚能、模量失配、局部尺寸失配、能量项、纳巴罗系数、功函数、剪切模量、剪切模量差、局部模数失配、晶格畸变能。
进一步地,步骤二中对特征数据进行筛选包括首先确定特征组合中特征个数,然后利用皮尔逊相关系数筛选相关性大的特征,最后采用遗传算法获取最优特征组合。
进一步地,确定特征组合中的特征个数为3个。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨理工大学,未经哈尔滨理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011140018.3/2.html,转载请声明来源钻瓜专利网。