基于机器学习的多性能协同优化高熵合金成分设计方法技术

本发明专利技术公开了一种基于机器学习的多性能协同优化高熵合金成分设计方法，该方法为建立高熵合金成分—性能初始数据集；进行数据清洗，将清洗后的数据进行标准化处理，获得高熵合金性能训练集；利用高熵合金性能训练集确定高熵合金各性能预测的基模型，确定成分搜索空间内高熵合金各性能的期望提升(EI)值；确定成分搜索空间中合金性能EI值的帕累托前沿；聚类分析得到E I值帕累托前沿的类中心，确定对应EI值的高熵合金及其关联的成分信息；制备该高熵合金；对制备获得的高熵合金进行各目标性能的表征测试，如果测试数据不满足需求，根据所述测试数据更新高熵合金成分—性能初始数据集。本发明专利技术能够实现高熵合金多性能协同优化的高效成分设计。高效成分设计。高效成分设计。

【技术实现步骤摘要】
基于机器学习的多性能协同优化高熵合金成分设计方法


[0001]本专利技术属于金属材料设计
，具体涉及一种基于机器学习的多性能协同优化高熵合金成分设计方法。

技术介绍

[0002]随着经济和社会的快速发展，人们对金属材料的性能需求不断提升，传统基于单一主元设计的金属合金体系不断完善、性能发展趋于饱和，高性能金属材料的研发设计及应用遇到瓶颈；中国台湾学者叶均蔚于2004年提出多主元合金成分设计的理念，由此定义的高熵合金为金属材料的设计提供了丰富的探索空间，极大提升了合金成分选择、性能调控的自由度，近年研究表明，高熵合金在很多方面表现出优于传统合金材料的性能，如高温强度、低温韧性、热稳定性、耐蚀性能等，具有广阔的应用前景。
[0003]然而，高熵合金的成分体系复杂，依赖于传统经验试错的材料设计方法，难以满足其快速、精准的成分设计需求；另一方面，面向工程应用的高熵合金研发，通常具有多种性能协同优化的需求，合金设计面临性能优化此消彼长的冲突问题，这些均导致新型高性能合金材料的研发效率低、周期长、成本高。因此，如何加速广阔成分空间内的目标材料搜索、开发高性能合金材料的高效设计方法，成为金属合金乃至整个材料设计领域亟需突破的技术难题。
[0004]近年来，材料基因工程的兴起引领了材料研发新范式，以机器学习为代表的数据技术在材料设计中发挥越来越大的作用；机器学习方法能够基于已有的材料数据信息，通过建立材料成分、工艺等与目标性能间的隐式关联关系，挖掘隐含的材料规律和知识，实现对材料性能的快速准确预测，从而加速材料成分设计，目前已有工作报道了利用机器学习方法指导高熵合金的成分和性能设计。
[0005]例如：中国专利CN113870957A公开了一种基于机器学习的共晶高熵合金成分设计方法和装置，通过训练机器学习模型，预测对共晶形成具有重要影响的关键元素和与关键元素强相关元素，以此调整元素含量，对共晶高熵合金进行预测得到共晶高熵合金的成分。
[0006]中国专利CN114678086A公开了一种低活化高熵合金设计的机器学习方法，通过训练分类模型和回归模型，预测具有BCC相结构的低活化特性的 Fe
‑
Cr
‑
V
‑
W
‑
Mn体系高熵合金成分。
[0007]中国专利CN112216356A公开了一种基于机器学习的高熵合金硬度预测方法，中国专利CN115061435A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，用以解决传统方法预测搜索硬度性能优异的高熵合金耗时耗力且不准确的问题。
[0008]中国专利CN114464274A公开了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，通过训练机器学习模型和改进遗传算法，筛选与高熵合金硬度相关度大的特征组合，以此提高硬度预测的精度，指导基于硬度需求的高熵合金成分设计。
[0009]然而，目前已有报道的机器学习方法应用通常针对某一高熵合金体系，在有限合金空间内进行成分设计，难以实现更高维度复杂成分空间内的目标合金快速搜索；另一方
面，报道的方法主要针对单一目标性能优化的材料成分设计，无法解决多目标性能协同优化设计需求下的高熵合金成分设计难题。
[0010]综上，针对高熵合金成分空间巨大，并兼具多性能协同优化需求的材料设计难题，有必要基于材料基因工程的思想，利用机器学习技术设计一种数据驱动的、面向多性能要求的高熵合金成分设计新方法。

技术实现思路

[0011]有鉴于此，本专利技术的主要目的在于提供一种基于机器学习的多性能协同优化高熵合金成分设计方法。
[0012]为达到上述目的，本专利技术的技术方案是这样实现的：
[0013]本专利技术实施例提供一种基于机器学习的多性能协同优化高熵合金成分设计方法，该方法包括：
[0014]根据高熵合金的历史数据信息建立高熵合金成分—性能初始数据集；
[0015]对所述高熵合金各性能参数进行数据清洗，将清洗后的数据进行标准化处理，获得高熵合金性能训练集；
[0016]通过所述高熵合金性能训练集，分别针对高熵合金各目标性能训练若干个机器学习模型，依次筛选确定高熵合金各性能预测的基模型；
[0017]通过所述基模型确定成分空间内搜索得到的高熵合金各性能的期望提升 (EI)值；
[0018]确定待优化的高熵合金性能训练集中高熵合金目标成分的搜索空间，以高熵合金各性能的EI值为目标，进行遗传优化搜索，确定搜索成分空间中合金性能EI值的帕累托前沿；
[0019]对所述EI值的帕累托前沿进行聚类分析，筛选获得对应EI值的高熵合金及其关联的成分信息；
[0020]采用真空电弧炉熔炼方法制备所述对应EI值关联成分信息的高熵合金；
[0021]对制备获得的高熵合金进行各目标性能的表征测试，如果测试数据不满足需求，根据所述测试数据更新高熵合金成分—性能初始数据集。
[0022]上述方案中，所述根据高熵合金的历史数据信息建立高熵合金成分—性能初始数据集，具体为：针对难熔高熵合金进行文献调研，建立包含Al、Ti、V、 Zr、Cr、Nb、Mo、Hf、Ta、W十种常用元素的高熵合金成分—性能初始数据集，包含合金成分、高温屈服强度和室温压缩塑性性能。
[0023]上述方案中，对所述高熵合金各性能参数进行数据清洗，具体为：删除合金性能报道异常值、缺失值，而针对同一成分不同文献报道的性能数据，确定各报道值的相对误差，对所述相对误差小于误差阈值的重复值做平均处理，对所述相对误差大于误差阈值的重复值做删除处理，获得最终的合金性能值；所述合金性能包括高温屈服强度和室温塑性；对清洗后的合金性能值做归一化处理，确定包含若干个样本的高温屈服强度训练数据集和包含若干个样本的室温塑性训练数据集。
[0024]上述方案中，所述通过所述高熵合金性能训练集，分别针对高熵合金各目标性能训练若干个机器学习模型，依次筛选确定高熵合金各性能预测的基模型，具体为：分别对根
据所述高温屈服强度训练数据集和室温塑性训练数据集进行 N组平均划分，其中，第一组数据训练拟合机器学习模型，预测剩余N
‑
1组训练数据得到其性能预测值，确定真实值与预测值的第一均方根误差，再依次针对第二组至第N组数据执行相同的预测操作，获得预测的第二均方根误差，根据所述第一均方根误差、第二均方根误差确定每个机器学习模型的交叉验证误差，所述交叉验证误差最低的机器学习模型分别为用于合金高温强度和室温塑性性能预测的基模型。
[0025]上述方案中，所述通过所述基模型确定成分空间内搜索得到高熵合金各目标性能的期望提升(EI)值，具体为：对所述合金性能训练集采用自举法重复采样得到M组重采样数据集，每组重采样数据集包含样本个数均与训练集个数相同，利用各组重采样数据集分别训练基模型，获得M个性能预测基模型；通过所述M个性能预测基模型对成分空间内搜索得到的高熵合金进行性能预测，得到M个预测值，确定性能预测值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的多性能协同优化高熵合金成分设计方法，其特征在于，该方法包括：根据高熵合金的历史数据信息建立高熵合金成分—性能初始数据集；对所述高熵合金各性能参数进行数据清洗，将清洗后的数据进行标准化处理，获得高熵合金性能训练集；通过所述高熵合金性能训练集，分别针对高熵合金各目标性能训练若干个机器学习模型，依次筛选确定高熵合金各性能预测的基模型；通过所述基模型确定成分空间内搜索得到的高熵合金各性能的期望提升(EI)值；确定待优化的高熵合金性能训练集中高熵合金目标成分的搜索空间，以高熵合金各性能的EI值为目标，进行遗传优化搜索，确定搜索成分空间中合金性能EI值的帕累托前沿；对所述EI值的帕累托前沿进行聚类分析，筛选获得对应EI值的高熵合金及其关联的成分信息；采用真空电弧炉熔炼方法制备所述对应EI值关联成分信息的高熵合金；对制备获得的高熵合金进行各目标性能的表征测试，如果测试数据不满足需求，根据所述测试数据更新高熵合金成分—性能初始数据集。2.根据权利要求1所述的基于机器学习的多性能协同优化高熵合金成分设计方法，其特征在于，所述根据高熵合金的历史数据信息建立高熵合金成分—性能初始数据集，具体为：针对难熔高熵合金进行文献调研，建立包含Al、Ti、V、Zr、Cr、Nb、Mo、Hf、Ta、W十种常用元素的高熵合金成分—性能初始数据集，包含合金成分、高温屈服强度和室温压缩塑性性能。3.根据权利要求1或2所述的基于机器学习的多性能协同优化高熵合金成分设计方法，其特征在于，对所述高熵合金各性能参数进行数据清洗，具体为：删除合金性能报道异常值、缺失值，而针对同一成分不同文献报道的性能数据，确定各报道值的相对误差，对所述相对误差小于误差阈值的重复值做平均处理，对所述相对误差大于误差阈值的重复值做删除处理，获得最终的合金性能值；所述合金性能包括高温屈服强度和室温塑性；对清洗后的合金性能值做归一化处理，确定包含若干个样本的高温屈服强度训练数据集和包含若干个样本的室温塑性训练数据集。4.根据权利要求3所述的基于机器学习的多性能协同优化高熵合金成分设计方法，其特征在于，所述通过所述高熵合金性能训练集，分别针对高熵合金各目标性能训练若干个机器学习模型，依次筛选确定高熵合金各性能预测的基模型，具体为：分别对根据所述高温屈服强度训练数据集和室温塑性训练数据集进行N组平均划分，其中，第一组数据训练拟合机器学习模型，预测剩余N
‑
1组训练数据得到其性能预测值，确定真实值与预测值的第一均方根误差，再依次针对第二组至第N组数据执行相同的预测操作，获得预测的第二均方根误差，根据所述第一均方根误差、第二均方根误差确定每个机器学习模型的交叉验证误差，所述交叉验证误差最低...

【专利技术属性】
技术研发人员：文成，田玉琬，徐昱坤，黎华锋，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：