[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

说明书

本发明公开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，属于高熵合金测试技术领域，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，然后生成高熵合金硬度数据。本发明在对新的高熵合金成分预测时，仅需要输入对应的高熵合金成分物理特征与制备方式，通过深度学习模型，进行正向传播得到与当前制备方式相符合的预测结果，本发明方法的预测效率高，指向性好，具有较好的准确性。

技术领域

本发明属于金属材料性能预测技术领域，具体涉及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。

背景技术

高熵合金大多由五种或五种以上的元素组成，因此摩尔分数在5％-35％之间，因此高熵合金也称为多主要元素合金。由于高熵效应的存在，合金更倾向于生成固溶体相。这使得高熵合金具备更加卓越的性能，比如优异的塑性和韧性、较高的强度和硬度、较好的抗辐照性能等。

传统的高性能材料的设计方法，通常是通过大量的实验去发现材料性能的规律，或者是通过理论计算，例如高通量第一性原理计算材料的相关特性。这些方法需要花费大量的时间和精力，而且高熵合金由于元素种类较多，多主元成分空间较为丰富，这又给传统高性能材料的设计，增加了较大的难度。随着人工智能的发展，机器学习逐步被用于新型材料的搜寻与设计领域。

机器学习预测高熵合金性能的步骤如下：数据收集、数据预处理、搭建网络模型、模型训练、预测性能。现有模型大多都是基于浅层神经网络对高熵合金性能进行线性回归，浅层神经网络并不能很好的提取关键特征，因此预测精度有待提高，然而模型的搭建会对最终的性能预测起到关键的作用；现有网络模型无法通过单一网络模型同时预测不同制备方式的高熵合金性能，只能进行单一制备方式下的预测，模型预测效率较低；现有高熵合金数据集，大多是通过铸造制备得到，因此铸造样本数据较多，而通过激光增材制造制备的高熵合金数据样本相对较少，而数据集的样本数量又对模型训练的最终效果有着较大的影响。而模型的搭建会对最终的性能预测起到关键的作用；数据集的样本数量又对模型训练的最终效果有着较大的影响。因此，如何搭建一种合适的网络模型，以及如何提升数据集的样本数量，在机器学习预测高熵合金硬度的设计方法中是非常重要的。

发明内容

本发明解决的技术问题：解决传统机器学习模型训练时，激光增材制造高熵合金硬度数据集样本较少、预测结果指向性较差的问题。

技术方案：为了解决上述技术问题，本发明采用的技术方案如下：

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，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。

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。