一种基于机器学习模型融合的合金性能预测方法技术

本发明专利技术公开了一种基于机器学习模型融合的合金性能预测方法，通过数据挖掘合金成分

【技术实现步骤摘要】
一种基于机器学习模型融合的合金性能预测方法


[0001]本专利技术提供了一种基于机器学习模型融合的合金性能预测方法，涉及计算机和金属材料技术设计复合领域，通过数据挖掘合金成分
‑
加工工艺
‑
性能的历史数据，构建“成分
‑
加工工艺
‑
性能”之间的关系，实现根据成分、加工工艺预测合金性能的目的。

技术介绍

[0002]新材料发展衡量着一个国家科学技术水平，对高端装备制造、新一代信息技术、新能源、生物技术等产业发展起着至关重要的支撑作用。金属材料一直是应用范围最广、种类最多的材料。目前在合金的设计过程中往往是依靠实验来进行材料研发，这种研发过程不仅耗时费力，也缺少生产环境和加工装备对材料生产影响的准确指导，而且难以利用好前期的研究积累并持续改进。因此，寻找一种可以快速寻找到最优添加元素或者最优工艺参数，进而提升合金性能的方法，这可以大大减少实验成本，提升实验效率。
[0003]随着新一轮科技革命和产业变革加速，新材料产业与人工智能、大数据、物联网等新一代信息技术的交叉融合越来越紧密，在材料信息学被人们提出后，人们希望借助机器学习、统计学习等信息学科的方法提升材料性能或者开发新材料。机器学习作为一种典型数据挖掘分析方法，是从已有数据中发现规律、建立模型的有效手段。目前，现有研究主要是使用单一模型进行成分到性能或工艺到性能的预测，而单一的机器学习模型存在预测精度差、泛化能力弱的问题；或使用神经网络进行学习预测，但该方法通常对数据量要求较高，而材料研发中通常可获取的数据量较少，不太符合深度学习建模需求。因此，有必要开发一种预测精度高且稳定性较好的合金性能预测方法，以解决上述问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是，针对现有技术的不足，提供一种基于机器学习模型融合的合金性能预测方法，通过数据挖掘合金成分
‑
加工工艺
‑
性能的历史数据，采用机器学习中的boosting融合和stacking融合构建“成分
‑
加工工艺
‑
性能”之间的关系，实现根据成分、加工工艺预测合金性能的目的。
[0005]本专利技术解决上述技术问题所采用的技术方案为：一种基于机器学习模型融合的合金性能预测方法，包括以下步骤：
[0006]S1、设计目标合金的合金成分和加工工艺，根据设计的目标合金的合金成分和加工工艺，从历史数据中收集合金成分、加工工艺和性能的数据，按合金成分、加工工艺及性能的对应关系对收集到的数据进行分组，得到数据组，对数据组进行随机划分，将数据组中70～80％的数据组作为训练集，剩余的20～30％的数据组作为测试集；
[0007]S2、以合金成分、加工工艺和性能为特征，对训练集和测试集分别进行特征衍生和特征筛选，将特征衍生和特征筛选后得到的合金成分和加工工艺作为输入特征，性能作为输出特征；
[0008]S3、以训练集中输入特征的数据作为输入，以训练集中输出特征的数据作为输出，
分别建立四个boosting模型，即CatBoost、LightGBM、XGBoost和Adaboost；
[0009]S4、分别以测试集中输出特征的数据作为性能验证值E0；将测试集中输入特征的数据分别输入至四个boosting模型中，得到性能预测值E1；分别运用公式计算四个boosting模型的预测误差ΔE：
[0010][0011]若有两个及以上模型的预测误差ΔE在10％以内，则进入步骤S5，否则重复步骤S2～S4；
[0012]S5、以预测误差ΔE在10％以内的两个及以上模型作为目标模型，将训练集中输入特征的数据分别输入至各目标模型中，得到各目标模型的性能预测值E2；
[0013]S6、以训练集中输入特征的数据和输出特征的数据以及各目标模型的性能预测值E2训练建立stacking模型，所述stacking模型为线性回归、KNN、决策树模型中的任意一种；
[0014]S7、使用stacking模型对各目标模型的性能预测值E1作进一步融合，得到最终性能预测值E；
[0015]S8、分别计算最终性能预测值E与测试集中输出特征的数据E0的比值，并分别将得到的比值作为吻合度；
[0016]S9、若步骤S8中计算得到的所有吻合度中有90％以上的吻合度在0.95～1.05范围内，则最终性能预测值E符合设计要求；
[0017]若步骤S8中计算得到的所有吻合度中在0.95～1.05范围内的吻合度不足90％，则重新选择stacking模型，重复步骤S6～S9；若重复步骤S6～S9后，最终性能预测值E均不符合设计要求，则重复步骤S1～S9，直至最终性能预测值E符合设计要求。
[0018]作为优选，步骤S2中采用的特征衍生方法为特征交叉组合、统计频率、统计比例中的至少一种，采用的特征筛选方法为null importance特征选择算法。
[0019]作为优选，步骤S3的具体步骤为：
[0020]S31、将训练集分成5个子集：train1、train2、train3、train4和train5；
[0021]S32、以训练集中输入特征的数据作为输入，以训练集中输出特征的数据作为输出，分别建立四个boosting模型，即CatBoost、LightGBM、XGBoost和Adaboost；
[0022]S33、对每个boosting模型依次用train1、train2、train3、train4和train5中的一个子集作为验证子集，其余4个子集作为训练子集，使用5折交叉验证进行模型训练。
[0023]作为优选，所述目标合金为有色合金。
[0024]作为优选，所述的有色合金为铜合金、钛合金或镁合金。
[0025]与现有技术相比，本专利技术具有如下优点：本专利技术合金性能预测方法通过数据挖掘合金成分
‑
加工工艺
‑
性能的历史数据，将机器学习中的boosting融合和stacking融合协同，其中boosting融合可以提升模型的准确度、减少偏差，stacking融合可以使模型更稳健，通过这两种模型协同，可以达到不同模型取长补短的效果，通过训练过程融合到训练结果融合，进而构建“成分
‑
加工工艺
‑
性能”之间的关系，实现根据成分、加工工艺预测合金性能的目的。本专利技术合金性能预测方法解决了单一机器学习模型准确率低、泛化能力弱的问题，综合个体学习机器的优势，降低模型的预测误差，优化整体模型的性能，与单一的数据融合方法相比，具有更优的模型表现。
附图说明
[0026]图1为本专利技术合金性能预测方法的流程图。
具体实施方式
[0027]以下结合附图实施例对本专利技术作进一步详细描述。
[0028]实施例1：一种基于机器学习模型融合的合金性能预测方法，如图1所示，包括以下步骤：
[0029]S1、以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习模型融合的合金性能预测方法，其特征在于，包括以下步骤：S1、设计目标合金的合金成分和加工工艺，根据设计的目标合金的合金成分和加工工艺，从历史数据中收集合金成分、加工工艺和性能的数据，按合金成分、加工工艺及性能的对应关系对收集到的数据进行分组，得到数据组，对数据组进行随机划分，将数据组中70～80％的数据组作为训练集，剩余的20～30％的数据组作为测试集；S2、以合金成分、加工工艺和性能为特征，对训练集和测试集分别进行特征衍生和特征筛选，将特征衍生和特征筛选后得到的合金成分和加工工艺作为输入特征，性能作为输出特征；S3、以训练集中输入特征的数据作为输入，以训练集中输出特征的数据作为输出，分别建立四个boosting模型，即CatBoost、LightGBM、XGBoost和Adaboost；S4、分别以测试集中输出特征的数据作为性能验证值E0；将测试集中输入特征的数据分别输入至四个boosting模型中，得到性能预测值E1；分别运用公式计算四个boosting模型的预测误差ΔE：若有两个及以上模型的预测误差ΔE在10％以内，则进入步骤S5，否则重复步骤S2～S4；S5、以预测误差ΔE在10％以内的两个及以上模型作为目标模型，将训练集中输入特征的数据分别输入至各目标模型中，得到各目标模型的性能预测值E2；S6、以训练集中输入特征的数据和输出特征的数据以及各目标模型的性能预测值E2训练建立stacking模型，所述stacking模型为线性回归、KNN、决策树模型中的任意一种；S7、使用stacking模型对各目标模型的性能预测值E1作进一步融合，得到最终性能预测值E；S8、分别计算最终性能预测值E与测试集中输出特征的...

【专利技术属性】
技术研发人员：杨煜，李吉宝，李永灿，肖晓，刘译文，孟祥鹏，刘亚丽，
申请(专利权)人：宁波博威新材料有限公司宁波博威合金板带有限公司，
类型：发明
国别省市：