一种基于机器学习快速设计制造技术

本发明专利技术公开了一种基于机器学习快速设计

【技术实现步骤摘要】
一种基于机器学习快速设计L12相强化单晶高熵合金的方法及装置


[0001]本专利技术涉及合金的设计以及制备领域，尤其涉及一种基于机器学习快速设计
L12相强化单晶高熵合金的方法及装置
。

技术介绍

[0002]高熵合金作为一种新型合金，其优异的性能使其在各种工业领域展现出巨大的发展潜力
。
此类合金在热力学表现出的高熵效应，使其更易形成简单的单相固溶体结构
。
但单相固溶体合金在强塑性方面的协调性比较差制约了其工程化的应用
。
为解决这一问题，研究人员近年来发展了沉淀强化型高熵合金实现强塑性的协同优化；其中
L12相强化高熵合金在室温以及高温条件下表现出优异的力学性能，表明其在高温领域具有广阔的发展空间
。
[0003]目前如何有效地设计出高温性能优异的
L12相强化高熵合金成分仍然是一个巨大的挑战
。
传统的试错法很难快速精准地筛选出
L12相强化高熵合金成分，并且耗费大量的人力和物力；热力学模拟方法虽然可以有效用来设计
L12相强化高熵合金，但是采用伪二元相图设计的高熵合金体系的局限性较大，随着合金元素数量的增加，该方法计算的工作量也会大大增加，从而大幅提高高熵合金设计的时间成本
。
[0004]目前报道的
L12相强化高熵合金大多局限于多晶结构，但与大多数金属结构材料相似，在高温下往往面临严重的晶界软化问题，要想更好地使其应用于高温领域就需要制备出单晶高熵合金，来达到消除晶界的目的，以满足高温使用的要求
。
[0005]目前针对
L12相强化高熵合金，通过设计合金成分并调整合金的制备工艺制备出高性能的单晶高熵合金，实现
L12相强化单晶高熵合金的应用是迫切需要解决的问题
。

技术实现思路

[0006]本专利技术公开一种基于机器学习快速设计
L12相强化单晶高熵合金的方法及装置，旨在解决如何通过设计合金成分并调整合金的制备工艺制备出高性能的单晶高熵合金，实现
L12相强化单晶高熵合金的应用的技术问题
。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
[0008]一种基于机器学习快速设计
L12相强化单晶高熵合金的方法，包括以下具体步骤：
S1
：获取训练数据：获取机器学习时所需的多组训练数据，且训练数据中包括输入数据和输出数据，其中输入数据为合金的成分，输出数据为合金中
L12相体积分数
、
溶解温度
、TCP
相体积分数
、
固相线温度
、
液相线温度以及密度六个参量；
S2
：数据输入：将获取的六组训练数据分别输入到多个常用的机器学习模型中；
S3
：对比模型参量训练效果：对比多个学习模型训练结果，得到对六个参量训练效果最好的机器学习模型；
S4
：获取高熵合金成分：通过最优模型获取同时满足以上六个参量在预定范围内的
L12相强化高熵合金成分；
S5
：验证：将机器学习最终预测得到的
L12相强化高熵合金成分采用
CALPHAD
方法进行计算验证；
S6
：成
分分析：对获取的高熵合金成分进行分析，最终筛选出最为合适的
L12相强化高熵合金成分；
S7
：试验验证：对最终筛选出的
L12相强化高熵合金进行实验验证；
[0009]所述
S1
，获取训练数据是通过搜索相关
L12相强化高熵合金成分，并改变元素含量，获取对应高熵合金成分的热力学计算结果；
[0010]所述
S2
，数据输入中的多个常用的机器学习模型分别为
Linear、RF、SVM、KNN、Ridge
和
MLP
；
[0011]所述
S3
，对比模型参量训练效果中，具体是通过对每个参量中各模型训练所得到的均方根误差
RMSE
和决定系数
R2
进行对比，来得到对每个参量训练效果最好的模型；
[0012]所述
S4
，获取高熵合金成分中具体是对所限定成分空间内
L12相强化高熵合金进行预测得到符合所述六个参量要求的高熵合金成分；
[0013]所述
S6
，成分分析中，具体是将最终机器学习得到的成分进一步分析，分析各元素含量出现频率以及各元素含量变化对于所述参量的影响，综合考虑筛选出最为合适的
L12相强化高熵合金成分
。
[0014]通过获取训练数据，得到输出数据，即一些材料的本征参量：
L12相体积分数
、
溶解温度
、TCP
相体积分数
、
固相线温度
、
液相线温度以及密度六个参量，并采用机器学习方法首先对各模型进行训练得到对各参量训练效果最优的模型，接着采用最优模型进行预测得到
L12相强化高熵合金成分，最后依次进行计算验证
、
专家领域知识分析
、
实验验证得到合适的
L12相强化单晶高熵合金，通过本方法解决了现有采用试错法以及计算模拟所存在的问题，从而避免了现有方法设计成分存在的盲目性以及大量时间和成本的浪费，从而大大提高了
L12相强化高熵合金设计的效率
。
[0015]在一个优选的方案中，一种基于机器学习快速设计
L12相强化单晶高熵合金装置，包括获取模块
、
训练模块
、
预测模块
、
计算验证模块
、
分析模块和试验验证模块，所述获取模块用于获取机器学习时所需的训练数据，是结合文献报道
L12相强化高熵合金成分并以报道合金为基础合金，同时自行改变元素含量获取对应成分的热力学计算结果；所述训练模块用于将训练数据输入到预先选定好的机器学习模型中进行训练，得到每个参量对应训练效果最好的模型；所述预测模块用于对各合金元素含量及范围进行进一步限定，分别采用训练效果最优的模型进行合金的预测，对六个参量符合条件成分取交集得到同时满足要求的成分集；
[0016]所述计算验证模块用于对符合要求的合金成分反带回热力学计算软件验证机器学习方法预测效果，所述分析模块用于对最终同时符合要求的合金成分进行进一步分析探究合金元素含量出现频率以及含量变化对所述六个参量的影响规律，综合考虑得到最终实验合金成分，所述试验验证模块用于对最终合金成分进行实验验证；
[0017]所述获取模块中获取的训练数据包括输入数据以及输出数据两部分，输入数据为
L12相强化高熵合金所涉及的成分，输出数据包括合金中
L12相体积分数
、
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习快速设计
L12相强化单晶高熵合金的方法，其特征在于，包括以下具体步骤：
S1
：获取训练数据：获取机器学习时所需的多组训练数据，且训练数据中包括输入数据和输出数据，其中输入数据为合金的成分，输出数据为合金中
L12相体积分数
、
溶解温度
、TCP
相体积分数
、
固相线温度
、
液相线温度以及密度六个参量；
S2
：数据输入：将获取的六组训练数据分别输入到多个常用的机器学习模型中；
S3
：对比模型参量训练效果：对比多个学习模型训练结果，得到对六个参量训练效果最好的机器学习模型；
S4
：获取高熵合金成分：通过最优模型获取同时满足以上六个参量在预定范围内的
L12相强化高熵合金成分；
S5
：验证：将机器学习最终预测得到的
L12相强化高熵合金成分采用
CALPHAD
方法进行计算验证；
S6
：成分分析：对获取的高熵合金成分进行分析，最终筛选出最为合适的
L12相强化高熵合金成分；
S7
：试验验证：对最终筛选出的
L12相强化高熵合金进行实验验证
。2.
根据权利要求1所述的一种基于机器学习快速设计
L12相强化单晶高熵合金的方法，其特征在于，所述
S1
，获取训练数据是通过搜索相关
L12相强化高熵合金成分，并改变元素含量，获取对应高熵合金成分的热力学计算结果
。3.
根据权利要求1所述的一种基于机器学习快速设计
L12相强化单晶高熵合金的方法，其特征在于，所述
S2
，数据输入中的多个常用的机器学习模型分别为
Linear、RF、SVM、KNN、Ridge
和
MLP。4.
根据权利要求1所述的一种基于机器学习快速设计
L12相强化单晶高熵合金的方法，其特征在于，所述
S3
，对比模型参量训练效果中，具体是通过对每个参量中各模型训练所得到的均方根误差
RMSE
和决定系数
R2
进行对比，来得到对每个参量训练效果最好的模型
。5.
根据权利要求1所述的一种基于机器学习快速设计
L12相强化单晶高熵合金的方法，其特征在于，所述
S4
，获取高熵合金成分中具体是对所限定成分空间内
L12相强化高熵合金...

【专利技术属性】
技术研发人员：杨文超，林舜生，王强，郭敏，黄太文，张军，刘林，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：