【技术实现步骤摘要】
本专利技术涉及一种合金相的预测方法，特别涉及一种基于机器学习的全尺寸合金相预测方法。
技术介绍
1、随着材料科学技术的快速发展，合金设计成为了该领域的一个重要研究方向。合金的相是影响其性能的关键因素，因此，准确预测合金的相变成为了工程应用和研究中的核心任务。传统的合金相预测主要依赖于经验公式、热力学计算和实验方法，但这些方法通常需要大量的时间和资源。此外，随着合金种类和组成的增加，传统方法在准确性和效率上都面临着挑战。为了解决上述问题，近年来有研究者尝试引入机器学习技术进行合金相预测。但目前的机器学习合金预测相组成适用范围较小，可预测相的种类有限，比如只能预测bcc或fcc单相。
技术实现思路
1、专利技术目的：本专利技术旨在提供一种基于机器学习的全尺寸合金相预测方法，用于提供某个合金体系中完整准确的相类型或相类型和体积分数机器学习模型的构建方法，以满足工业应用和科研需求。
2、技术方案：本专利技术所述的基于机器学习的全尺寸合金相预测方法，包括以下步骤：
3、(1)通过热力学计算获取针对某体系合金的数据。具体而言，通过给定温度和给定合金成分，计算生成相及对应的体积分数。
4、(2)将用于计算的给定温度和给定合金成分作为输入数据，对应的通过热力学理论(calphad方法)计算出的生成相和其体积分数为输出数据，给定温度和给定合金成分及其对应的热力学计算得到的相和其体积分数作为一个数据点，通过计算足够的数据点，构造数据集。
5、(3)使用上
6、(4)将训练好的机器模型保存，以备产生合金设计需求时调用。
7、优选地，步骤(1)中对于三元体系合金，所获取的热力学计算数据达到或超过5000个；对于四元体系合金，所获取的热力学计算数据达到或超过10万数据点；对于五元体系合金，所获取的热力学计算数据达到或超过100万数据点；对于六元体系合金，所获取的热力学计算数据达到或超过1000万数据点；对于七元体系合金，所获取的热力学计算数据达到或超过1亿数据点；对于八元体系合金，所获取的热力学计算数据达到或超过8亿数据点。若没有达到上述标准，训练出的模型精度难以保证。
8、其中对于三元体系合金，其包括温度和两个金属成分共三个变量；对于四元体系合金，其包括温度和三个金属成分共四个变量；对于五元体系合金，其包括温度和四个金属成分共五个变量；对于六元体系合金，其包括温度和五个金属成分共六个变量；对于七元体系合金，其包括温度和六个金属成分共七个变量；对于八元体系合金，其包括温度和七个金属成分共八个变量。
9、其中n元体系合金(3≤n)，当其中一个或多个金属的成分是固定的，所述的全尺寸合金相预测方法等同于对(n-x)元体系合金的相图构造方法，其中x是固定金属的数量。
10、优选地，步骤(1)中合金成分可以选择质量分数或摩尔分数。
11、优选地，步骤(2)中数据集构建可以通过随机生成温度和成分进行热力学计算以构建数据集或采用固定步长在温度和成分范围内进行热力学计算以构建数据集。其中，对于n元体系合金，n个金属成分在整个合法成分范围内生成，“合法成分”定义为：每个成分的值大于等于0且小于等于100，且所有成分的总和应小于等于100。温度范围(数据集中最大温度-最小温度)应大于40k。
12、优选地，步骤(2)中输出数据可以选择仅生成相的类型或生成相的体积分数，该体积分数索引对应相类型的哈希值。基于此，预测相的体积分数和类型的任务被转化为预测相的体积分数，并确保该体积分数与正确的索引列相匹配。
13、优选地，步骤(3)中采用包括但不限于bp神经网络，支持向量机，决策树，随机森林进行机器学习模型的训练，其中采用bp神经网络时，输出层的前一层的每个输出值均需保证大于0。
14、其中，当输出仅选择相的类型时，所述bp神经网络模型的输出层使用softmax作为激活函数；当输出为生成相的体积分数时(体积分数索引对应了相类型的哈希值)，所述bp神经网络模型的输出层使用特定构造的normalize函数作为激活函数。
15、其中，softmax函数是常用的分类任务激活函数；特定构造的normalize函数为：将bp神经网络模型输出层的每一个值除以该层所有值的总和。公式如下：
16、
17、由于在预测相体积分数任务中，各项体积分数总和恒定为1，因此利用normalize函数平衡的将输出到神经网络最后一层的数据转化为和为1的数据。尽管softmax也有这输出数据和为1的特点，但其输出值与输入进入输出层的数值非线性关系，导致训练效率较低。
18、其中，该bp神经网络的包括但不限于(层数、神经元数、正则化方法、激活函数、损失函数、优化器)等网络结构和超参数可以变化，以实现针对不同数据集或应用场景的优化。
19、优选地，步骤(3)中，训练完成的模型需满足以下性能要求：
20、当模型任务为单纯分类相的类型时，其在训练集上的分类准确率应超过75％；当模型任务为预测相的类型及其对应的体积分数时：模型在训练集上的分类准确率应超过75％；模型在训练集上预测的相体积分数与实际值的相对误差在10％以内的数据比例应超过75％。
21、优选地，步骤(4)中所述的训练完成的机器学习模型推荐采用高效的模型保存文件，如.h5文件或.pth文件。
22、优选地，推荐在具有gpu加速的硬件环境下运行，以提高计算速度和效率。
23、优选地，该方法可以与多种机器学习软件框架兼容，包括但不限于tensorflow，pytorch，keras，sklearn等框架。
24、有益效果：与现有技术相比，本专利技术具有如下显著优点：(1)可预测某个金属体系中完整成分范围和较大成分范围的相组成或相组成和相体积分数；(2)可以利用机器学习模型完成对合金相预测的高效计算。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的全尺寸合金相预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(1)中，对于三元体系合金，所获取的热力学计算数据点达到或超过5000个；对于四元体系合金，所获取的热力学计算数据达到或超过10万数据点；对于五元体系合金，所获取的热力学计算数据达到或超过100万数据点；对于六元体系合金，所获取的热力学计算数据达到或超过1000万数据点；对于七元体系合金，所获取的热力学计算数据达到或超过1亿数据点；对于八元体系合金，所获取的热力学计算数据达到或超过8亿数据点。
3.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(1)中，合金成分包括质量分数或摩尔分数；对于三元体系合金，其包括温度和两个金属成分共三个变量；对于四元体系合金，其包括温度和三个金属成分共四个变量；对于五元体系合金，其包括温度和四个金属成分共五个变量；对于六元体系合金，其包括温度和五个金属成分共六个变量；对于七元体系合金，其包括温度和六个金属成分共七个变量；对于八元体系合金，其包括温度和七个金
4.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(2)中，数据集的构建可选用以下方式之一：
5.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(2)中，数据集的输出选项包括：
6.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(3)中，采用BP神经网络模型进行机器学习模型的训练，其中BP神经网络输出层的前一层的每个输出值均需保证大于0；当输出仅选择相的类型时，所述BP神经网络模型的输出层使用softmax作为激活函数；当输出为生成相的体积分数时，所述BP神经网络模型的输出层使用特定构造的Normalize函数作为激活函数。
7.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(3)中，训练完成的模型需满足以下性能要求：
8.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：对于n元体系合金，n个金属成分在整个合法成分范围内生成，合法成分定义为：每个成分的值大于等于0且小于等于100，且所有成分的总和应小于等于100，温度范围应大于40K。
9.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：对于n元体系合金，n≥3，当其中一个或多个金属的成分是固定的，所述的高维相图构造方法等同于对n-x元体系合金的相图构造方法，其中x是固定金属的数量。
10.根据权利要求6所述的基于机器学习的全尺寸合金相预测方法，其特征在于，所述特定构造的Normalize函数为：将BP神经网络模型输出层的每一个值除以该层所有值的总和。
...【技术特征摘要】
1.一种基于机器学习的全尺寸合金相预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(1)中，对于三元体系合金，所获取的热力学计算数据点达到或超过5000个；对于四元体系合金，所获取的热力学计算数据达到或超过10万数据点；对于五元体系合金，所获取的热力学计算数据达到或超过100万数据点；对于六元体系合金，所获取的热力学计算数据达到或超过1000万数据点；对于七元体系合金，所获取的热力学计算数据达到或超过1亿数据点；对于八元体系合金，所获取的热力学计算数据达到或超过8亿数据点。
3.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(1)中，合金成分包括质量分数或摩尔分数；对于三元体系合金，其包括温度和两个金属成分共三个变量；对于四元体系合金，其包括温度和三个金属成分共四个变量；对于五元体系合金，其包括温度和四个金属成分共五个变量；对于六元体系合金，其包括温度和五个金属成分共六个变量；对于七元体系合金，其包括温度和六个金属成分共七个变量；对于八元体系合金，其包括温度和七个金属成分共八个变量。
4.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步骤(2)中，数据集的构建可选用以下方式之一：
5.根据权利要求1所述的基于机器学习的全尺寸合金相预测方法，其特征在于：步...
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。