【技术实现步骤摘要】
一种基于机器学习和改进遗传算法特征筛选的高熵合金硬度预测方法
[0001]本专利技术涉及一种高熵合金硬度预测方法，涉及材料性能预测
技术介绍
[0002]用传统的实验或传统的理论计算设计材料是困难的
[1,2]。在实验中根据试错法
[3
‑
5]探索材料性能时，将花费大量时间和原材料，甚至对设备也有很高的要求
[6]。至于复杂的理论计算
[7,8]，如密度泛函理论(DFT)
[9,10]和相场模拟
[11,12]，尽管有一些工作专注于解决材料的高通量搜索问题
[13
‑
17]，但是在提高计算效率方面仍旧存在着瓶颈限制
[1]。因此，它在涉及到解决拥有巨大成分空间的复杂材料搜索问题时并不令人满意。相比之下，机器学习(ML)算法无需显式编程就可以构造一个替代模型，从而可以有效地推断材料描述符和目标属性之间的关系。最近，ML已广泛用于研究材料的性能
[18
‑
24]，例如，高熵合金(高熵合金(Hig
【技术保护点】
【技术特征摘要】
1.一种基于机器学习和改进遗传算法特征筛选的高熵合金硬度预测方法，其特征在于，所述方法的实现过程为：步骤一、收集多个Al
‑
Co
‑
Cr
‑
Cu
‑
Fe
‑
Ni HEA的成分与硬度信息，并由高熵合金所包含的元素成分和元素本身固有性质计算得出21个物理特征，将这些物理特征数据用作原始数据集；第一组12个特征包括元素间原子半径差(δr)、元素间电负性差(Δχ)、价电子浓度(VEC)、混合焓(ΔH)、构型熵(ΔS)、元素间局部电负性失配(D.χ)、内聚能(E
c
)、流动电子数
‑Ⅰ
(e1/a)、流动电子数
‑Ⅱ
(e2/a)和参数Ω,Λ,γ；第二组9个特征包括模量失配(η)、局部尺寸失配(D.r)、强化模型中的能量项(A)、Peierls
‑
Nabarro因子(F)、平均电子功函数的六次方(ω)、剪切模量(G)、局部模量失配(δG)、剪切模量差(D.G)和晶格畸变能(μ)；e1/a表示不考虑元素d轨道电子的合金平均电子浓度，e2/a表示将过渡金属元素的电子浓度值设置为0时的合金平均电子浓度；Ω参数是和合金内元素平均熔点以及构型熵成正比，与混合焓的绝对值成反比的参数；Λ是和构型熵成正比，与合金原子尺寸差的平方成反比的参数；γ是和合金内包含的元素的平均半径以及最小、最大半径相关的参数；步骤二、采用带有径向基核函数的支持向量回归(SVR
‑
R)作为预测高熵合金硬度的ML模型；首先，基于步骤一收集的HEA的元素成分信息可以得出高熵合金每个元素在合金中的摩尔分数占比，并将其作为输入特征，其次，将该输入特征代入到几种常见的机器学习模型中，通过计算十轮十折交叉验证均方根误差(RMSE)的平均值来确定每一个模型的预测误差，最后根据模型误差确定最优模型为支持向量回归(SVR
‑
R)；步骤三、对遗传算法进行改进：将传统的遗传算法标记为GA
‑
0，改进后的遗传算法标记为GA
‑
1，相比于GA
‑
0，具体改进为：在初始种群创建中，首先随机生成一定数量d的二进制字符串，即d个个体，每一个个体包含总特征个数个基因位，基因位上的取值为1或0，表示是否包含对应特征，所以，一个个体即为一个特征组合；然后，将每个个体对应的特征组合代入到ML模型中，计算对应的预测误差值，将其倒数作为适应度值，按适应度值由大到小排序从中选出前e个个体；将所述前e个个体中的每个个体的基因值乘以其相应个体的适应度值，接着在e个个体中对每一个个体按照基因位求和得到与所述任一个个体等长的字符串，该字符串称为特征重要性；此后，通过基于特征重要性的轮盘赌选择方法，重复选择b个特征组成一个新个体，直到构建出一个具有n个个体的初始种群，并将其传递给选择步骤；在选择步骤中，将输入种群类比于上述的e个个体，再计算出新的特征重要性，根据新的特征重要性再生成新的种群，并传递给交叉步骤；最后，对于变异步骤，在通过变异概率p选择的每个个体中，根据轮盘赌选择方法和在选择步骤中计算得到的特征重要性从所有值为0的基因中选择一个基因，同时根据相同的方法和特征重要性的倒数从所有值为1的基因中选择一个基因，之后分别将这两个基因中的值改变为相对的值；至此，完成改进后的遗传算法；第四步、基于步骤一构建的高熵合金21个物理特征在步骤三的改进遗传算法中，创建
与所述21个物理特征相对应的大小为n*21的初始种群；将步骤二中选好...
【专利技术属性】
技术研发人员：李述，李帅，刘东戎，邹瑞，杨志远，
申请(专利权)人：哈尔滨理工大学，
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。