【技术实现步骤摘要】
本专利技术涉及高熵合金的力学性能，尤其是涉及一种基于主动渐进搜索的高熵合金逆向设计方法、装置及存储介质。
技术介绍
1、高熵合金通常由五种及以上主要元素组成，每种元素的原子百分比从5％-35％不等。由于高熵效应、晶格畸变效应、迟滞扩散效应和“鸡尾酒”效应，高熵合金往往具有优良的性能，包括高断裂韧性、耐腐蚀性、耐磨性、热稳定性、延展性、高强度、高硬度等。目前，高熵合金在储氢材料、催化剂、电磁吸收材料、超导材料等领域有着潜在应用前景。
2、硬度是高熵合金的一个重要力学性能指标，可以反映材料抵抗局部变形的能力。在机械加工、航空航天等领域对高硬度合金有着需求。实验工作者们常常通过调整元素比例和工艺参数的方法提升硬度，然而高熵合金拥有巨大的成分空间，依靠传统的试错法难以快速定位所需硬度的合金成分，与此同时还需要耗费大量的人力物力。因此，如何快速准确地获取所需硬度的高熵合金，节约人力物力，成为本领域需要解决的问题。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的难以快速定位所需硬度的合金成分、耗费大量的人力物力的缺陷而提供一种基于主动渐进搜索的高熵合金逆向设计方法、装置及存储介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的第一方面，提供一种基于主动渐进搜索的高熵合金逆向设计方法，包括以下步骤：获取高熵合金的化学式和硬度实验值；基于所述化学式，获取相应的特征参数；对所述特征参数进行降噪处理，并利用遗传算法获取最佳
4、作为优选的技术方案，利用主动渐进搜索方法逆向设计与所述硬度目标值匹配的高熵合金组成，具体过程包括：随机生成初始化学成分集，并利用训练好的高熵合金硬度预测模型获取相应的硬度预测值，计算期望误差；利用预设获取的代理模型拟合期望误差分布，得到期望误差最小的成分；再次利用训练好的高熵合金硬度预测模型获取所述成分的硬度预测值，并计算硬度预测值与相应硬度目标值的期望误差；若当前的期望误差小于设定阈值，则输出对应的成分，否则将对应的成分加入所述初始化学成分集，并重新训练和运行所述代理模型。
5、作为优选的技术方案，所述高熵合金硬度预测模型的训练过程具体包括：基于所述特征参数和所述硬度实验值，构建数据集；将所述数据集划分为训练集和测试集；基于所述训练集，利用支持向量回归算法训练高熵合金硬度预测模型，并利用所述测试集测试训练后的高熵合金硬度预测模型。
6、作为优选的技术方案，所述降噪处理的过程具体包括：删除所述特征参数中的常量特征，并利用基于预先获取的特征相关性去除冗余特征。
7、作为优选的技术方案，所述特征相关性根据预先设定的皮尔逊相关系数确定。
8、作为优选的技术方案，基于降噪处理后的特征参数，利用遗传算法结合支持向量回归算法搜索最佳特征，进而得到最佳特征集。
9、作为优选的技术方案，所述最佳特征集中的特征包括：元素个数、d轨道价电子的最大值、d轨道价电子的加权平均值、原子序数的极差、总价电子数的平均偏差、原子序数的平均偏差、原子序数的众数、未填充d电子的平均偏差、熔点的极差、0k基态下特定体积的平均值和电负性的平均偏差。
10、作为优选的技术方案，所述特征参数包括化学计量属性、元素属性统计、电子结构属性以及离子化合物属性。
11、根据本专利技术的第二方面，提供一种基于主动渐进搜索的高熵合金逆向设计装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现所述的方法。
12、根据本专利技术的第三方面，提供一种存储介质，其上存储有程序，所述程序被执行时实现所述的方法。
13、与现有技术相比，本专利技术具有以下有益效果：
14、1、本专利技术提供的高熵合金逆向设计方法，将支持向量回归算法和主动渐进搜索方法相结合，在对高熵合金生成最佳特征集的基础上，构建高熵合金硬度预测模型，将特征数据导入预测模型仅需数秒即可得到预报结果，同时给予预先设定的硬度目标值，通过主动渐进搜索方法和高熵合金硬度预测模型相结合，能够自动寻找接近硬度目标值的高熵合金成分，实现由目标性能到成分的逆向设计，该方法能够简单快速定位所需硬度的合金成分，进而快速准确地获取所需硬度的高熵合金，同时有效减少了依靠人工试错获取高熵合金而消耗的人力物力；
15、2、本专利技术提供的高熵合金逆向设计方法具有可扩展性，机器学习模型结合主动渐进搜索可以扩展应用到高熵合金的其他性质或者不同合金的不同性质中；
16、3、本专利技术提供的高熵合金逆向设计装置及存储介质，成本低且无污染，都可以通过计算机快速实现，实现过程能够避免对化学药品的利用。
本文档来自技高网...【技术保护点】
1.一种基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，利用主动渐进搜索方法逆向设计与所述硬度目标值匹配的高熵合金组成，具体过程包括：
3.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述高熵合金硬度预测模型的训练过程具体包括：
4.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述降噪处理的过程具体包括：删除所述特征参数中的常量特征，并利用基于预先获取的特征相关性去除冗余特征。
5.根据权利要求4所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述特征相关性根据预先设定的皮尔逊相关系数确定。
6.根据权利要求4所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，基于降噪处理后的特征参数，利用遗传算法结合支持向量回归算法搜索最佳特征，进而得到最佳特征集。
7.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述最佳特征集中
8.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述特征参数包括化学计量属性、元素属性统计、电子结构属性以及离子化合物属性。
9.一种基于主动渐进搜索的高熵合金逆向设计装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，利用主动渐进搜索方法逆向设计与所述硬度目标值匹配的高熵合金组成，具体过程包括：
3.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述高熵合金硬度预测模型的训练过程具体包括：
4.根据权利要求1所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述降噪处理的过程具体包括：删除所述特征参数中的常量特征，并利用基于预先获取的特征相关性去除冗余特征。
5.根据权利要求4所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，所述特征相关性根据预先设定的皮尔逊相关系数确定。
6.根据权利要求4所述的基于主动渐进搜索的高熵合金逆向设计方法，其特征在于，基于降噪处理后的特征参数，利用遗传算法结合支持向...
【专利技术属性】
技术研发人员：蔡淑敏，钱雨阳，纪晓波，卢天，陆文聪，
申请(专利权)人：上海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。