[发明专利]基于机器学习模型设计高热稳定性铁基软磁非晶合金

说明书

本发明公开了一种利用可解释性的XGBoost机器学习算法设计高热稳定性铁基软磁非晶合金的方法，具体的步骤包括：(1)建立铁基非晶合金数据集；(2)数据集预处理；(3)通过机器学习建立预测模型，进行重要特征提取；(4)挖掘重要特征背后的物理意义，建立具有高准确度的合金设计准则；(5)合金设计准则的实验验证。本发明基于现有铁基非晶合金软磁性能和热稳定性的实验数据，利用机器学习模型可同时预测未知铁基软磁非晶合金的饱和磁感应强度(B_s)和初始晶化温度(T_x)，具有工作量小、可解释性强、精度高、可靠性高、可操作性强等优点，可应用于设计不同体系铁基软磁非晶合金，显著提高了新型高性能软磁合金开发的效率、降低研发成本。

技术领域

本发明涉及铁基非晶软磁合金领域，更具体的是涉及一种基于XGBoost机器学习算法设计高热稳定性铁基软磁非晶合金的方法。

背景技术

铁基软磁非晶合金具有高强度、优异的软磁性能、高耐蚀性以及低成本等特点。80年代研究人员成功开发出的Fe-Co-P-B和Fe-Co-Si-B己经被用作软磁材料，其商业名称为METGLAS。1988年，研究者开发出Fe-Si-B-Cu-Nb(FINEMET)纳米晶合金，显著的提高其软磁性能。此后几十年尽管研究人员研发了大量的新型合金成分，然而目前产业化应用的成分仍为上世纪八十年代开发的METGLAS和FINEMET。这从侧面说明目前的大部分新型合金成分的综合性能如非晶形成能力、饱和磁感应强度、矫顽力、磁导率和热稳定性等仍然难以满足服役要求。一方面，目前缺乏可以定量描述铁基非晶合金成分与性能之间关系的准则；另一方面，迄今为止，铁基非晶合金的成分设计主要依赖传统的实验试错方法，主要流程包括高纯原料处理、配料、真空电弧熔炼、铜模吸铸或单辊旋淬制备样品、热处理、结构表征、热力学参数测试和软磁性能测试。这一过程流程复杂、研发效率低、周期长且成本较高，难以实现快速、准确设计合金成分的目标。开发一种准确、快速设计合金成分的方法，成为铁基非晶合金设计领域亟需突破的技术难题。

随着人工智能技术的进步，机器学习(Machine Learning)方法在数据挖掘领域获得了长足的发展。在材料科学领域，机器学习已逐步应用于材料建模来更准确地预测材料特性，常见的算法包括线性回归(Linear Regresssion)、支持向量机(Support VectorMachine)和人工神经网络(Artificial Neural Network)等，其原理是针对一类问题建立一个将输入空间投影到输出空间的映射模型，然后利用学习好的模型来预测新的数据。这些方法为解决材料的成分优化、热处理工艺设计和性能研究等提供了科学有效的先进手段。虽然在材料领域存在着很多机器学习方法，但是目前大多数机器学习算法都存在“黑匣子”问题，这一问题阻碍了建立可以定量描述铁基非晶合金成分与性能之间关系的准则。因此，提高机器学习模型的可解释性和透明度，将有助于模型的除错、引导未来的数据收集方向、为特征构建和性能预测提供真正可靠的信息，最终建立合金本征特性与性能之间的定量关系。

鉴于此，本发明开发了一种利用可解释性的XGBoost机器学习算法辅助设计高热稳定性铁基软磁非晶合金的方法。同时深入挖掘重要特征背后的物理意义并建立了具有高准确度的预测准则，为新型铁基软磁非晶合金的研发提供了新方法，显著提高了合计研发效率，降低了研发成本。

发明内容

本发明要解决的技术问题是机器学习算法辅助设计高热稳定性铁基软磁非晶合金的方法。利用机器学习模型针对现有的实验数据集进行学习，并进行特征重要性提取，以降低方差，提高模型的泛化能力，使模型的预测结果更加准确，可有效指导合金设计。

为解决上述技术问题，本发明提供一种利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法，其特征在于，包括步骤：

S1、收集已报道的铁基非晶合金组元成分、饱和磁感应强度和晶化温度等参数，建立数据集；

S2、对数据集进行归一化处理，然后将处理后的数据集划分为训练集和测试集两部分；