一种基于机器学习的合金成分确定方法、系统及设备技术方案

本发明专利技术公开一种基于机器学习的合金成分确定方法、系统及设备，涉及轻量化结构领域，该方法包括基于知识材料，确定影响航空铝合金性能的关键特征；根据不同航空铝合金的成分、性能以及对应的关键特征构建数据集；根据数据集，基于极端梯度提升算法和粒子群优化方法，确定以航空铝合金的成分以及对应的关键特征为输入，以性能为输出的合金性能预测模型；根据合金性能预测模型以及合金元素，采用帕累托前沿方法，确定性能最优对应的航空铝合金的成分本发明专利技术可实现由“成分预测合金性能”向“材料机理预测合金性能的”跨越，从而突破了原数据集的限制，完成了对新型合金元素的预测。完成了对新型合金元素的预测。完成了对新型合金元素的预测。

【技术实现步骤摘要】
一种基于机器学习的合金成分确定方法、系统及设备


[0001]本专利技术涉及轻量化结构应用领域，特别是涉及一种基于机器学习的合金成分确定方法、系统及设备。

技术介绍

[0002]铝合金在交通运输业、建筑业等领域的轻量化结构应用方面具有巨大潜力。自美国铝业于1915年开发2017年铝合金以来，航空铝合金一直在不断创新以满足航空业的需求。如今，飞机设计中轻质、宽敞、舒适、长期耐用和高可靠性的目标对航空铝合金的性能要求很高，例如突破原始的强度(比强度)指标，同时优化韧性、耐腐蚀性和抗疲劳性等合金性能。此外，一些工程材料如镁合金、钛合金和复合材料如雨后春笋般涌现，它们在飞机结构中的应用已经从次要承载部件过渡到主要承载部件，这给航空铝合金的发展带来了前所未有的挑战。因此，迫切需要精确的设计满足多目标性能要求的航空铝合金新材料。然而，对于铝合金而言未经探索的成分设计范围很广，常规的实验试错方法通常是耗时费力的，所以有效发现新合金是一项极具挑战性的任务。
[0003]机器学习方法基于丰富的算法和强大的多维建模能力，能够有效地促进材料发现，因此已经引起了很多材料研究学者相当大的兴趣。同时，机器学习还优于传统的建模方法，因为它可以从给定的数据中挖掘出内部关系。因此，数据驱动的材料科学研究已成为材料研究中的一个新兴领域。
[0004]尽管机器学习方法在铝合金设计中的应用取得了巨大进展，但仍有一些问题有待解决。当前有铝合金的机器学习应用主要集中于热处理工艺的优化和单一性能的研究，包括抗应力腐蚀开裂、极限抗拉强度和硬度。然而，对于铝合金而言，由于制备策略与材料性能之间的复杂非线性关系，常规的机器学习建模方法很少考虑微观结构信息。另外，新合金元素的发现一直是发展高性能铝合金的关键因素。尽管机器学习算法具有出色的学习和建模预测能力，但这些模型只能对数据集中已有的元素进行预测，而无法预测未知的元素。因此，传统的机器学习建模策略无法满足开发新型铝合金成分的要求。
[0005]因此，亟需提供一种新的金成分确定方法及系统，以解决上述问题，并促进高性能铝合金的合理设计。

技术实现思路

[0006]本专利技术的目的是提供一种基于机器学习的合金成分确定方法、系统及设备，可实现由“成分预测合金性能”向“材料机理预测合金性能的”跨越，从而突破了原数据集的限制，完成了对新型合金元素的预测。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于机器学习的合金成分确定方法，包括：
[0009]基于知识材料，确定影响航空铝合金性能的关键特征；所述关键特征包括：原子尺寸差、电负性、价电子浓度、电子浓度和混合焓；
[0010]根据不同航空铝合金的成分、性能以及对应的关键特征构建数据集；
[0011]根据数据集，基于极端梯度提升算法和粒子群优化方法，确定以航空铝合金的成分以及对应的关键特征为输入，以性能为输出的合金性能预测模型；
[0012]根据合金性能预测模型以及合金元素，采用帕累托前沿方法，确定性能最优对应的航空铝合金的成分。
[0013]可选地，所述根据合金性能预测模型以及合金元素，采用帕累托前沿方法，确定性能最优对应的航空铝合金的成分，之后还包括：
[0014]根据性能最优对应的航空铝合金的成分进行制备。
[0015]可选地，所述根据数据集，基于极端梯度提升算法和粒子群优化方法，确定以航空铝合金的成分以及对应的关键特征为输入，以性能为输出的合金性能预测模型，具体包括：
[0016]采用牛顿法，将合金性能预测模型的误差损失泰勒展开到二阶进行计算，并引用正则化项。
[0017]可选地，所述根据合金性能预测模型以及合金元素，采用帕累托前沿方法，确定性能最优对应的航空铝合金的成分，具体包括：
[0018]根据元素特征对元素周期表中的元素进行了划分和筛选。
[0019]一种基于机器学习的合金成分确定系统，包括：
[0020]关键特征确定模块，用于基于知识材料，确定影响航空铝合金性能的关键特征；所述关键特征包括：原子尺寸差、电负性、价电子浓度、电子浓度和混合焓；
[0021]数据集构建模块，用于根据不同航空铝合金的成分、性能以及对应的关键特征构建数据集；
[0022]预测模型确定模块，用于根据数据集，基于极端梯度提升算法和粒子群优化方法，确定以航空铝合金的成分以及对应的关键特征为输入，以性能为输出的合金性能预测模型；
[0023]成分确定模块，用于根据合金性能预测模型以及合金元素，采用帕累托前沿方法，确定性能最优对应的航空铝合金的成分。
[0024]一种基于机器学习的合金成分确定设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。
[0025]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0026]本专利技术所提供的一种基于机器学习的合金成分确定方法、系统及设备，选取五项与材料性能密切相关的材料描述符作为机器学习建模的输入特征，然后对元素周期表中的元素进行了信息重构和高通量计算。最后通过机器学习算法(XGB)和粒子群优化算法实现了对高性能铝合金的预测。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本专利技术所提供的一种基于机器学习的合金成分确定方法流程示意图；
[0029]图2为本专利技术所提供的一种基于机器学习的合金成分确定方法原理示意图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]本专利技术的目的是提供一种基于机器学习的合金成分确定方法、系统及设备，可实现由“成分预测合金性能”向“材料机理预测合金性能的”跨越，从而突破了原数据集的限制，完成了对新型合金元素的预测。
[0032]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0033]如图1和图2所示，本专利技术所提供的一种基于机器学习的合金成分确定方法，包括：
[0034]S101，基于知识材料，确定影响航空铝合金性能的关键特征；所述关键特征包括：原子尺寸差(δr)，电负性(δχ
P
)，价电子浓度(VEC)，电子浓度(Ec)，和混合焓(ΔH
mix
)；
[0035]S102，根据不同航空铝合金的成分、性能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的合金成分确定方法，其特征在于，包括：基于知识材料，确定影响航空铝合金性能的关键特征；所述关键特征包括：原子尺寸差、电负性、价电子浓度、电子浓度和混合焓；根据不同航空铝合金的成分、性能以及对应的关键特征构建数据集；根据数据集，基于极端梯度提升算法和粒子群优化方法，确定以航空铝合金的成分以及对应的关键特征为输入，以性能为输出的合金性能预测模型；根据合金性能预测模型以及合金元素，采用帕累托前沿方法，确定性能最优对应的航空铝合金的成分。2.根据权利要求1所述的一种基于机器学习的合金成分确定方法，其特征在于，所述根据合金性能预测模型以及合金元素，采用帕累托前沿方法，确定性能最优对应的航空铝合金的成分，之后还包括：根据性能最优对应的航空铝合金的成分进行制备。3.根据权利要求1所述的一种基于机器学习的合金成分确定方法，其特征在于，所述根据数据集，基于极端梯度提升算法和粒子群优化方法，确定以航空铝合金的成分以及对应的关键特征为输入，以性能为输出的合金性能预测模型，具体包括：采用牛顿法，将合金性能预测模型的误差损失泰勒展开到二阶进行计算，并引用正则化项。4.根据权利要求1...

【专利技术属性】
技术研发人员：张佼，隽永飞，戴永兵，赵巍，孙宝德，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：