一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法技术

本发明专利技术公开了一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法，包括：收集整理氮化物高熵陶瓷耐磨性与断裂韧性的历史实验数据信息，根据氮化物高熵陶瓷元素配比及元素固有物理化学性质，构造并计算输入特征；对输入特征进行特征筛选以删除冗余特征，获得氮化物高熵陶瓷耐磨性及断裂韧性预测的原始数据集；将原始数据集导入搭建好的生成式对抗网络模型中进行数据增强，得到样本容量获得扩充的增强数据集；利用增强数据集训练选定的不同机器学习算法模型，评估并选取性能最优的模型；根据最优模型进行特征重要性分析，建立氮化物高熵陶瓷性能与输入特征的内在关联，从而设计出新型超耐磨强韧氮化物高熵陶瓷，本发明专利技术涉及陶瓷材料设计技术领域。该方法解决了多主元陶瓷材料研发周期长、效率低、成本高以及小样本下机器学习等人工智能数据挖掘方法易产生过拟合、泛化能力差的问题，为新型超耐磨强韧氮化物高熵陶瓷提供了基于数据驱动的、高精度的、面向性能需求的高效设计方法。面向性能需求的高效设计方法。面向性能需求的高效设计方法。

【技术实现步骤摘要】
一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法


[0001]本专利技术涉及陶瓷材料设计
，具体为一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法。

技术介绍

[0002]高熵陶瓷是一种由五种或五种以上金属阳离子以等物质的量或近等物质的量组成的多主元陶瓷材料。凭借着独特的高熵效应和晶格畸变效应，高熵陶瓷往往具备更高的力学性能、抗氧化性能和耐腐蚀性能等优势，在航空航天、海洋船舶等国防军工领域具有广阔的发展前景。因此，研发新型耐磨强韧高熵陶瓷材料具有重要战略意义。
[0003]氮化物高熵陶瓷作为高熵陶瓷的一个分支，是由五种或五种以上元素与氮元素构成的单一固溶相陶瓷。由于优良的相稳定性以及元素协同作用产生的迟滞扩散效应，氮化物高熵陶瓷相较主流的氮化钛、氮化铝钛、氮化铬铝钛等过渡金属氮化物，具备更高的硬度、韧性、热稳定性、耐磨性等特性，有望成为下一代高性能防护涂层。然而，由于接近无限的元素配比组合以及复杂的元素组分空间使得氮化物高熵陶瓷体系的设计相当困难，目前氮化物高熵陶瓷的设计主要依赖于实验试错法，例如中国专利公布了一种氮化物高熵陶瓷纤维及其制备方法和应用(公开号：CN111592361A)，该专利技术制备了一种含有Ti、Hf、Ta、Nb和Mo元素的单一晶相氮化物高熵陶瓷纤维，可应用于光催化二氧化碳制备甲烷的工艺；中国专利公布了一种(CrZrTiNbV)N高熵陶瓷块体及其制备方法(公开号：CN113004047A)，该专利技术实现了(CrZrTiNbV)N高熵陶瓷块体的热压烧结，得到具有单相面心立方结构的高熵陶瓷，并显著提升了其断裂韧性。然而，该种方法主要依赖于人工经验，需要进行大量的试错实验，存在研发周期长、效率低、成本高等问题，且难以精准设计具备期望性能的氮化物高熵陶瓷组分。此外，受限于氮化物高熵陶瓷实验样本较少的特点，机器学习等人工智能数据挖掘方法易产生过拟合、泛化能力差等问题，难以有效应用于新型氮化物高熵陶瓷的设计。
[0004]因此，亟需一种基于数据驱动的、高精度的、面向性能需求的陶瓷材料设计新方法，以解决新型高性能氮化物高熵陶瓷材料设计难、效率低、精度差等问题。

技术实现思路

[0005]本专利技术的目的是提出一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法，以解决新型高性能氮化物高熵陶瓷材料设计难、研发周期长、效率低、成本高、精度差等问题。
[0006]为实现以上目的，本专利技术采用以下技术方案：
[0007]一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法，包括：
[0008]收集整理氮化物高熵陶瓷耐磨性与断裂韧性的历史实验数据信息，根据氮化物高熵陶瓷元素配比及元素固有物理化学性质，构造并计算输入特征；
[0009]对所述输入特征进行特征筛选以删除冗余特征，获得氮化物高熵陶瓷耐磨性及断裂韧性预测的原始数据集；
[0010]将所述原始数据集导入搭建好的生成式对抗网络模型中进行数据增强，得到样本容量获得扩充的增强数据集；
[0011]所述生成式对抗网络模型包括生成器和判别器，其中生成器负责将随机输入转化为模拟真实样本数据分布的虚假样本，判别器负责识别虚假样本和部分真实样本组合而成的混合样本是否为真实样本；通过不断地迭代训练，判别器将越来越善于分辨生成器生成的样本是否为真实样本，而生成器将创建更加符合真实样本数据分布的样本以试图欺骗判别器，并最终达到纳什均衡；通过训练良好的生成器，能够将样本量较小的原始数据集扩充成样本充足的增强数据集；
[0012]利用所述增强数据集训练选定的不同机器学习算法模型，评估并选取性能最优的模型；
[0013]根据所述最优模型进行特征重要性分析，建立氮化物高熵陶瓷性能与输入特征的内在关联，从而设计出新型超耐磨强韧氮化物高熵陶瓷。
[0014]进一步的，所述元素包括Al、Si、Ti、V、Cr、Zr、Nb、Mo、Hf、Ta、W十一种元素，所述氮化物高熵陶瓷为所述元素中的任意四、五或六种元素组成的多主元高熵陶瓷体系。
[0015]进一步的，所述元素固有物理化学性质包括价电子浓度、电子亲和力、晶格常数、总能量、原子半径、摩尔热容、门捷列夫数、空间族群、第一电离能、泡利电负性、密度和混合熵，所述输入特征为所述元素固有性质的加权平均数与偏差。
[0016]进一步的，所述特征筛选采用稳定性选择算法计算各特征的稳定性系数，特征选取原则为将稳定性系数大于0.9的特征作为重要特征而保留，删除其它冗余特征。
[0017]进一步的，所述特征筛选的最优特征组合包括原子半径偏差、总能量偏差、价电子浓度偏差、门捷列夫数偏差、电子亲和度偏差和混合熵。
[0018]进一步的，所述生成器包括1个输入层、4个隐藏层和1个输出层，所述层包含的神经元个数分别为40、128、256、128、64和30，所述隐藏层激活函数采用ReLU函数，所述输出层激活函数采用Tanh函数；所述判别器包括1个输入层、4个隐藏层和1个输出层，所述层包含的神经元个数分别为30、64、128、64、32和1，所述隐藏层激活函数采用LeakyReLU函数，所述输出层激活函数采用Sigmoid函数；所述生成器和判别器每个隐藏层之后都采用dropout正则化处理。
[0019]进一步的，所述机器学习算法包括随机森林、K近邻、梯度提升决策树、支持向量机、极端梯度提升和人工神经网络，其中最优机器学习模型为支持向量机模型。
[0020]进一步的，所述支持向量机模型的核函数采用高斯核函数，正则化参数设定为192，核系数设定为0.195。
[0021]进一步的，所述特征重要性分析采用排列重要性算法，其中迭代次数设定为10。
[0022]本专利技术提供的一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法，通过特征筛选保留重要特征并删除冗余特征，能够得到预测氮化物高熵陶瓷耐磨性与断裂韧性的最优特征组合，显著提高机器学习模型训练效率并降低模型过拟合风险；搭建生成式对抗网络对原始数据集进行数据增强，能够实现小样本数据集的扩充，提高数据集质量，从而提升机器学习模型的预测精度；通过多种机器学习算法协同优化与评估，能够降低由单一模型预测引起的潜在误差；通过优化后的支持向量机模型，能够预测指定元素区间内各元素组成的所有五元或六元氮化物高熵陶瓷体系的耐磨性与断裂韧性，实现超耐磨强韧氮化物
高熵陶瓷的低成本、高精度预测与高效设计。
附图说明
[0023]图1为本专利技术具体实施方式提供的一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法流程图；
[0024]图2为本专利技术具体实施方式提供的生成式对抗网络生成器与判别器训练损失图；
[0025]图3为本专利技术具体实施方式提供的不同机器学习模型的训练评估图；
[0026]图4为本专利技术具体实施方式提供的最优特征组合的特征重要性分析图；
[0027]图5为本专利技术具体实施方式1的五元氮化物高熵陶瓷耐磨性与断裂韧性预测图；
[0028]图6为本专利技术具体实施方式2的六元氮化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法，其特征在于，该方法包括：收集整理氮化物高熵陶瓷耐磨性与断裂韧性的历史实验数据信息，根据氮化物高熵陶瓷元素配比及元素固有物理化学性质，构造并计算输入特征；对所述输入特征进行特征筛选以删除冗余特征，获得氮化物高熵陶瓷耐磨性及断裂韧性预测的原始数据集；将所述原始数据集导入搭建好的生成式对抗网络模型中进行数据增强，得到样本容量获得扩充的增强数据集；所述生成式对抗网络模型包括生成器和判别器，其中生成器负责将随机输入转化为模拟真实样本数据分布的虚假样本，判别器负责识别虚假样本和部分真实样本组合而成的混合样本是否为真实样本；通过不断地迭代训练，判别器将越来越善于分辨生成器生成的样本是否为真实样本，而生成器将创建更加符合真实样本数据分布的样本以试图欺骗判别器，并最终达到纳什均衡；通过训练良好的生成器，能够将样本量较小的原始数据集扩充成样本充足的增强数据集；利用所述增强数据集训练选定的不同机器学习算法模型，评估并选取性能最优的模型；根据所述最优模型进行特征重要性分析，建立氮化物高熵陶瓷性能与输入特征的内在关联，从而设计出新型超耐磨强韧氮化物高熵陶瓷。2.根据权利要求1所述的一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法，其特征在于：所述元素包括Al、Si、Ti、V、Cr、Zr、Nb、Mo、Hf、Ta、W十一种元素，所述氮化物高熵陶瓷为所述元素中的任意四、五或六种元素组成的多主元高熵陶瓷体系。3.根据权利要求1所述的一种基于数据驱动的超耐磨强韧氮化物高熵陶瓷设计方法，其特征在于：所述元素固有物理化学性质包括价电子浓度、电子亲和力、晶格常数、总能量、原子半径、摩尔热容、门捷列夫数、空间族群、第一电离能、泡利电负性、密度和混合熵，所述输入特征为所述元素固有性质的加权平均数与偏差。4...

【专利技术属性】
技术研发人员：周潜，马震宇，娄陈旭坤，李润涵，舒磊，施仙庆，葛旺，徐锋，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：