[发明专利]基于机器学习的激光增材制造高熵合金硬度预测方法

权利要求书

1.一种基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：将离散量形式的高熵合金的制备方法转变为独热编码，与高熵合金组分本身固有性质计算得出的物理特征合并，输入深度神经网络中进行训练，迭代；将高熵合金的制备方法作为条件生成对抗网络的标签值，先训练判别器，再训练生成器，生成高熵合金硬度数据。

2.根据权利要求1所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于，具体包括以下步骤：

S1：获取多种成分的高熵合金硬度的数据集；

S2：清洗并创建用于深度学习的数据集；

S3：数据的预处理；

S4：搭建条件生成对抗网络模型；

S5：训练模型以及根据训练好的模型对未知的高熵合金硬度进行数据生成；

S6：将生成的数据并入原有的数据集中；

S7：搭建深度神经网络预测高熵合金硬度模型；

S8：高熵合金制备方式的离散量与高熵合金元素组分本身固有性质计算得出物理特征等连续量合并，作为特征值送入深度神经网络模型中训练，根据训练好的模型，最终完成高熵合金硬度预测。

3.根据权利要求2所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：步骤S1中，收集高熵合金硬度相关文献，提取文献中的数据，得到高熵合金成分、高熵合金元素组分本身固有性质计算得出物理特征。

4.根据权利要求2所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：步骤S2中，去除高熵合金成分缺失、高熵合金硬度值缺失、高熵合金经过热处理后道工序所得到的硬度值。

5.根据权利要求2所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：步骤S3中，数据预处理包括特征值归一化、特征值皮尔逊相关系数分析和特征值独热编码化。

6.根据权利要求2所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：步骤S4中，条件生成对抗网络模型包括基于深度神经网络的生成器模型、基于深度神经网络的判别器模型、以及基于高熵合金制备方式的条件标签。

7.根据权利要求2所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：步骤S5中，先训练判别器模型，再训练生成器，往复交替训练。模型训练完成后生成高熵合金硬度数据集。

8.根据权利要求2所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：步骤S6中，将生成器生成的数据，数据为高熵合金组分本身固有性质计算得出的物理特征，包含原子半径差、平均熔点、电负性、价电子浓度、剪切模量、剪切模量差、混合焓、混合熵，根据不同的制备方式分类，然后分别放入各类别高熵合金硬度数据集中。

9.根据权利要求2所述的基于机器学习的激光增材制造高熵合金硬度预测方法，其特征在于：步骤S7中，深度神经网络预测高熵合金硬度模型，包括：接收输入特征量的输入层、对上一层的信号进行函数处理的隐藏层、以及对最后一层隐藏层的信号进行线性处理，并输出结果的输出层。