【技术实现步骤摘要】
本专利技术涉及金属材料设计，尤其涉及一种数据驱动的磁性合金多目标优化设计方法。
技术介绍
1、软磁合金广泛应用于变压器和电机的磁芯，是人类社会电气化中一类不可或缺的材料。合金的软磁性能是指高饱和磁化强度、高磁导率和低矫顽力。软磁合金的发展主要围绕着实际应用需求展开，相继出现了硅钢、坡莫合金、非晶合金、纳米晶合金以及最新的高熵合金。软磁合金的性能在被不断优化的同时，其化学成分也变得越来越复杂，非晶合金、纳米晶合金和高熵合金可以统称为复杂成分合金。
2、以一种典型的五元高熵合金为例，假设每种成分元素的原子百分比取值范围为5到35(步长为1)，那么可能的合金成分将超过55万种。面对如此庞大的合金成分空间，传统的材料合金试错法显然面临着巨大挑战。复杂成分磁性合金的优化设计面临着组分多元、结构复杂和性能多样且难预测等难题。然而目前基于物理化学基础理论还无法实现对多元软磁合金性能的准确预测，基于第一性原理的泛函密度理论等仿真计算方法存在运算较大、不适用于大规模成分筛选等问题。并且具体的应用场景往往对复杂成分磁性合金多方面的性能有着综合要求，这进一步增加了复杂成分磁性合金的优化设计难度。
3、因此，有必要提出一种数据驱动的磁性合金多目标优化设计方法，以解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种数据驱动的磁性合金多目标优化设计方法，以提高性能预测和成分优化的效率，降低多目标优化设计的时间成本及试错成本。
2、为实现上述目的，本专利技术采用如下
3、s1、根据磁性合金的目标性能建立成分-性能历史数据集；
4、s2、以化学元素原子摩尔百分比作为磁性合金的成分描述符，根据成分描述符中元素的性质参数的理论值，建立磁性合金的初始特征池；
5、s3、基于递归式特征消除方法对初始特征池内的所有特征进行投票，开展特征选择，形成优化特征池；
6、s4、基于所述成分-性能历史数据集和优化特征池，训练机器学习模型对n个目标性能进行回归预测；
7、s5、根据材料体系和各元素成分原子百分比范围设定磁性合金的搜索空间；
8、s6、设定待优化的n个目标性能及其对应的期望值界限，利用步骤s4中得到的机器学习模型预测所述搜索空间的所有合金成分的目标性能，并根据设定的n个目标性能期望值界限，对搜索空间进行初步筛选，形成优化后搜索空间；
9、s7、利用全局优化方法计算步骤s6中目标性能的期望提升值，计算公式为
10、
11、式中，和δ分别是机器学习模型对目标性能的预测值和不确定度，fmax为成分-性能历史数据集中目标性能的最大值，φ(·)和φ(·)分别是标准正态分布及其密度函数；
12、s8、针对步骤s6中设定的n个目标性能，计算其ei作为优化目标，利用进化算法在步骤s6中得到的优化后搜索空间的基础上计算pareto最优解；
13、s9、若产生的pareto最优解结果不收敛，则对步骤s8得到的pareto最优解基于密度泛函理论开展第一性原理计算，得到若干性质参数的理论值作为补充的材料特征纳入特征池；对步骤s1得到的成分-性能历史数据集中的所有成分开展相同的第一性原理计算，得到补充的材料特征并纳入特征池；
14、s10、重复上述步骤s1到步骤s9直到产生的pareto最优解结果收敛，得到磁性合金的合金成分推荐结果。
15、作为本专利技术进一步改进的技术方案，所述成分-性能历史数据集通过收集公开发表的文献中的实验数据来获得，或者通过开展实验制备合金并测试合金性能来获得；
16、其中，性能历史数据包括以原子百分比表示的合金化学成分和对应合金样品的实验饱和磁化强度和硬度。
17、作为本专利技术进一步改进的技术方案，步骤s2中，所述理论值为元素的性质参数经过计算加权平均值或错配度得到；元素的性质参数包括热力学参数、原子结构参数及电子迁移参数中的一种或多种。
18、作为本专利技术进一步改进的技术方案，步骤s2中，所述成分描述符为axbyczdiej…xn，其中a、b、c等为化学元素，x、y、z等为元素原子摩尔百分比。
19、作为本专利技术进一步改进的技术方案，步骤s3中，选择不少于三种不同的机器学习内核对特征池内的所有特征进行投票，票数过半的特征将会被留下。
20、作为本专利技术进一步改进的技术方案，步骤s4中，机器学习模型包括线性回归、岭回归、lasso回归、支持向量回归、多层感知机、随机森林、xgboost及lightgbm中的一种或多种。
21、作为本专利技术进一步改进的技术方案，步骤s4中，训练得到的机器学习模型的平均绝对百分比误差不高于20％。
22、作为本专利技术进一步改进的技术方案，步骤s5中，所述材料体系为fe-co-ni-si-b系磁性合金，各元素的原子百分比范围为5％至35％，变化步长为1％。
23、作为本专利技术进一步改进的技术方案，步骤s7中，定义x＝[x1,x2,…xn]为优化后搜索空间中某合金成分的原子百分比，以机器学习模型为代理模型求解出和δ，并代入公示求得ei。
24、作为本专利技术进一步改进的技术方案，还包括：
25、步骤s11中，在pareto最优解集中选择合金成分进行实验制备并测试，若测试目标性能的结果不满足需求，则将实验结果纳入成分-性能历史数据集中并重复步骤s1至步骤s10。
26、与现有技术相比，本专利技术可以实现以下技术效果：在给定多目标性能优化要求时，大大减小合金成分空间，降低了整体运算量，提高了复杂成分磁性合金的性能预测和成分优化的效率，从而降低多目标性能优化设计的时间成本及试错成本，满足科研、生产中对新材料的研发需求，实现了基于数据驱动的复杂成分磁性合金的准确即快速设计。
本文档来自技高网...【技术保护点】
1.一种数据驱动的磁性合金多目标优化设计方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，所述成分-性能历史数据集通过收集公开发表的文献中的实验数据来获得，或者通过开展实验制备合金并测试合金性能来获得；
3.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤S2中，所述理论值为元素的性质参数经过计算加权平均值或错配度得到；元素的性质参数包括热力学参数、原子结构参数及电子迁移参数中的一种或多种。
4.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤S2中，所述成分描述符为AxByCzDiEj…Xn，其中A、B、C等为化学元素，x、y、z等为元素原子摩尔百分比。
5.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤S3中，选择不少于三种不同的机器学习内核对特征池内的所有特征进行投票，票数过半的特征将会被留下。
6.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤
7.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤S4中，训练得到的机器学习模型的平均绝对百分比误差不高于20％。
8.根据权利要求1所述的磁性合金的多目标优化设计方法，其特征在于，步骤S5中，所述材料体系为Fe-Co-Ni-Si-B系磁性合金，各元素的原子百分比范围为5％至35％，变化步长为1％。
9.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤S7中，定义X＝[X1,X2,…Xn]为优化后搜索空间中某合金成分的原子百分比，以机器学习模型为代理模型求解出和δ，并代入公示求得EI。
10.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，还包括：
...【技术特征摘要】
1.一种数据驱动的磁性合金多目标优化设计方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，所述成分-性能历史数据集通过收集公开发表的文献中的实验数据来获得，或者通过开展实验制备合金并测试合金性能来获得；
3.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤s2中，所述理论值为元素的性质参数经过计算加权平均值或错配度得到；元素的性质参数包括热力学参数、原子结构参数及电子迁移参数中的一种或多种。
4.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤s2中，所述成分描述符为axbyczdiej…xn，其中a、b、c等为化学元素，x、y、z等为元素原子摩尔百分比。
5.根据权利要求1所述的数据驱动的磁性合金多目标优化设计方法，其特征在于，步骤s3中，选择不少于三种不同的机器学习内核对特征池内的所有特征进行投票，票数过半的特征将会被留下。
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。