【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, ...
【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:
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。