用于快速预测高熵合金硬度的机器学习方法及其制备工艺技术

本发明专利技术公开了一种用于快速预测高熵合金硬度的机器学习方法及其制备工艺，用以解决传统“试错法”设计高熵合金成分耗时耗力且结果不准确的问题。该方法包括，搜集高熵合金硬度数据库作为训练集，根据合金成分计算特征描述符；根据不同测试集划分比例下的RMSE选择合适的模型；对所得特征进行降维处理，以获得最重要的特征子集；利用最重要的特征子集训练并优化所选模型；利用训练好的模型来预测未知成分的高熵合金硬度；对预测出的合金成分进行试验验证。本发明专利技术中特征降维的方法包括相关性分析、递归消除法和穷举法，降维处理后得到3个最重要特征，依据这三个特征可以方便并准确地预测出合金的硬度。测出合金的硬度。测出合金的硬度。

【技术实现步骤摘要】
用于快速预测高熵合金硬度的机器学习方法及其制备工艺


[0001]本专利技术涉及金属材料性能预测领域，具体涉及利用机器学习方法预测高熵合金硬度性能，并通过试验验证预测结果。

技术介绍

[0002]高熵合金是一种新合金体系，与传统的合金材料设计理念不同，高熵合金由五个或超过五个主要元素组成，且每一种元素含量约为5at.％～35at.％。高熵合金中的高构型熵现象，导致合金倾向于形成简单的随机固溶体而不是金属间化合物，比如FCC、BCC或HCP相。此外，高熵合金表现出独特的四大效应：高熵效应、晶格畸变、缓慢扩散和鸡尾酒效应，这些效应为高熵合金带来了更加优异和丰富的性能，例如高强度硬度、抗高温氧化性、耐磨性、耐腐蚀性和抗氢脆性等等，具有广阔的应用的前景。
[0003]传统的高熵合金设计，往往是通过理论计算、试验验证等方法，改进成分或工艺往往采用“试错法”，这些方法耗时耗力，而且结果受多种因素影响。特别是对于高熵合金这类成分空间巨大的材料，依靠传统的方法的寻找性能优异的高熵合金是十分困难的。随着AI技术的广泛应用，在自动驾驶，图像识别等领域得到了广泛应用，特别是随着技术的发展进步，计算机运算能力大幅提高，使得应用机器学习方法来寻找性能优异的材料成为可能。
[0004]基于机器学习方法预测材料性能的步骤往往分为以下几步：建立数据集、模型选择、特征降维、模型训练与优化、结果预测及试验验证。其中，特征选择很大程度决定了模型的预测性能，特征数量往往有几十甚至上百个，如果全部考虑这些特征，将会大幅增加计算机的运算量。幸运的是，如此多的特征中，很大一部分是冗余的，也有与预期结果不相关的。所以如何选择合适的特征组合，在机器学习预测硬度的过程中尤为重要。

技术实现思路

[0005]鉴于以上问题，本专利技术提出一种用于快速预测高熵合金硬度的机器学习方法及其制备工艺，以解决传统方法在设计高性能高熵合金时耗时耗力的问题。
[0006]用于快速预测高熵合金硬度的机器学习方法，包括以下步骤，
[0007]步骤一、搜集整理高熵合金硬度数据库，根据合金成分计算特征描述符，构建特征数据集；
[0008]步骤二、根据不同测试集划分比例下的RMSE选择合适的模型；
[0009]步骤三、对所得特征进行降维处理，以获得最重要特征子集；
[0010]步骤四、利用获得的最重要特征子集训练所选模型并对模型的超参数调优；
[0011]步骤五、利用训练好的模型可以用来预测未知成分的高熵合金硬度；
[0012]步骤六、预测所得成分的硬度试验验证；
[0013]进一步地，步骤一中所述高熵合金为Al
‑
Co
‑
Cr
‑
Cu
‑
Fe
‑
Ni
‑
Mn七元合金体系。
[0014]进一步地，步骤一中所述特征描述符包括20个特征，分别为平均原子半径、原子半径差异、功函数、平均熔点、混合焓、混合熵、Ω参数，价电子浓度、平均电负性、电负性差异、
Λ参数、流动电子数、电子亲和力、密度、第一电离能、平均杨氏模量、晶格畸变能、内聚能、局部尺寸错配、平均剪切模量。
[0015]进一步地，步骤二中所述的机器学习模型包括线性回归、随机森林回归、支持向量机
‑
径向基核函数、支持向量机
‑
sigmoid核函数、支持向量机
‑
多项式核、K近邻和岭回归。
[0016]进一步地，步骤二中所述的测试集划分分别占总数据集的15％、20％、25％、30％、35％、40％。
[0017]进一步地，步骤二中的合适的机器学习模型为随机森林回归算法模型。
[0018]进一步地，步骤三中对特征数据集进行降维处理过程包括首先利用皮尔逊相关系数去除相关性较大的特征，相关性较大的特征子集只保留一个特征，然后采用递归消除法得到模型拟合效果最佳的特征子集，最后采用穷举法，利用排列组合的方式，对剩余特征进一步降维，直至得到最重要的特征子集。
[0019]进一步地，皮尔逊相关系数衡量高度相关的两个特征的依据是皮尔逊相关系数值大于等于0.95。
[0020]进一步地，去除两个高度相关的特征之一的依据是对于模型的重要性，重要性高的特征被保留。
[0021]进一步地，所述最优特征组合是功函数、价电子浓度、杨氏模量3个特征。
[0022]进一步地，步骤四中的所述随机森林回归算法利用网格搜索的方法进行超参数调优。
[0023]进一步地，步骤五中的所述的预测未知成分合金的硬度是通过计算得到的步骤三中的3个重要特征来实现的。
[0024]一种制备如上所述的Al
‑
Co
‑
Cr
‑
Cu
‑
Fe
‑
Ni
‑
Mn高熵合金的方法，包括以下步骤：
[0025]步骤一，超声清洗与材料称重：将所述的Al
‑
Co
‑
Cr
‑
Cu
‑
Fe
‑
Ni
‑
Mn高熵合金的高纯金属颗粒Al、Co、Cr、Cu、Fe、Ni、Mn分别放入容器中，依次使用丙酮、无水乙醇在超声波清洗装置中清洗10
‑
20分钟，最后将材料用冷风吹干备用；将所述的Al
‑
Co
‑
Cr
‑
Cu
‑
Fe
‑
Ni
‑
Mn高熵合金按原子百分比换算成对应重量并进行称重；称重后的材料按照熔点升高的顺序依次先后放入WK
‑Ⅱ
型真空电弧炉的铜质坩埚中，同时使用400目砂纸将纯钛锭表面一层磨掉，用酒精冲洗、吹干后，放入真空炉的中间坩埚位置，然后关闭并旋紧炉门上锁；
[0026]步骤二，抽真空：步骤一结束后，使用机械和分子泵抽真空至1～5
×
10
‑4Pa，然后缓慢充入氩气使真空度达到1～5
×
104Pa，再次电弧炉的真空度抽至1～5
×
10
‑4Pa；此过程重复3次，保证真空室内无氧气存在；最后缓慢通入氩气至
‑
0.02～
‑
0.05Mpa。
[0027]步骤三：熔炼：先对纯钛锭进行3～5次熔炼，电流控制在100
‑
300A，时间为30
‑
150s，每次熔炼后将纯钛锭翻面再进行下一次熔炼；然后熔炼高熵合金，此时电流应缓慢增加，避免温度升高过快产生较大热应力导致样品开裂，电弧电流最大升到300A，持续时间为50
‑
200s；熔炼过程中轻微转动电弧杆，使材料均匀受热；关闭电流时，也要缓慢调低电流，同样为了避免急速冷却导致开裂；熔炼时使用外加磁场的磁力搅拌，电流设为1～3mA，以充分保证成分均匀性；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于快速预测高熵合金硬度的机器学习方法，其特征在于，包括以下步骤，步骤一、搜集整理高熵合金硬度数据库，根据合金成分计算特征描述符，构建特征数据集；步骤二、根据不同测试集划分比例下的RMSE选择合适的模型；步骤三、对所得特征进行降维处理，以获得最重要特征子集；步骤四、利用获得的最重要特征子集训练所选模型并对模型的超参数调优；步骤五、利用训练好的模型可以用来预测未知成分的高熵合金硬度；步骤六、预测所得成分的合金硬度试验验证。2.根据权利要求1所述的用于快速预测高熵合金硬度的机器学习方法，其特征在于，步骤一中所述的高熵合金为Al
‑
Co
‑
Cr
‑
Cu
‑
Fe
‑
Ni
‑
Mn七元合金体系。3.根据权利要求1所述的用于快速预测高熵合金硬度的机器学习方法，其特征在于，步骤一中所述特征描述符包括20个特征，分别为平均原子半径、原子半径差异、功函数、平均熔点、混合焓、混合熵、Ω参数，价电子浓度、平均电负性、电负性差异、Λ参数、流动电子数、电子亲和力、密度、第一电离能、杨氏模量、晶格畸变能、内聚能、局部尺寸错配、平均剪切模量。4.根据权利要求1所述的用于快速预测高熵合金硬度的机器学习方法，其特征在于，步骤二中所述的机器学习模型包括线性回归、随机森林回归、支持向量机
‑
径向基核函数、支持向量机
‑
sigmoid核函数、支持向量机
‑
多项式核、K近邻和岭回归。5.根据权利要求1所述的用于快速预测高熵合金硬度的机器学习方法，其特征在于，步骤二中所述的随机划分的测试集分别占总数据集的15％、20％、25％、30％、35％、40％。6.根据权利要求1所述的用于快速预测高熵合金硬度的机器学习方法，其特征在于，步骤二中的合适的机器学习模型为随机森林回归算法模型。7.根据权利要求1所述的用于快速预测高熵合金硬度的机器学习方法，其特征在于，步骤三中对特征数据集进行降维处理过程包括：首先利用皮尔逊相关系数去除相关性较大的特征，相关性较大的特征子集只保留一个特征，然后采用递归消除法得到模型拟合效果最佳的特征子集，最后采用穷举法，利用排列组合的方式，对剩余特征进一步降维，直至得到最重要的特征子集。8.根据权利要求7所述的用于快速预测高熵合金硬度的机器学习方法，其特征在于，皮尔逊相关系数衡量高度相关的两个特征的依据是皮尔逊相关系数值大于等于0.95，去除两个高度相关的特征之一的依据是特征对于模型的重要性...

【专利技术属性】
技术研发人员：骆鸿，王雪飞，董超芳，杜翠薇，李晓刚，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：