System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及金属材料性能预测领域,尤其涉及一种基于机器学习和解释性分析高熵合金硬度预测方法。
技术介绍
1、高熵合金是一种性能优异的新型合金材料,具有优异的力学性能,如高硬度、出色的延展性、高强度等等。多主元高熵合金(hea)一般由五种及五种以上主元素构成,各种元素之间按等原子比或接近等原子比组成。为了扩宽合金设计的范围,高熵合金的每种主元含量在5%~35%(原子分数)之间,这表明高熵合金在材料研究中具有巨大的成分空间。
2、传统的搜寻高性能材料-高熵合金的方法,往往是通过实验、理论或计算来表征材料性能,但是这些方法耗时耗力,难以进行高通量的材料表征,而且高熵合金中具有十分巨大的组成成分空间和微观结构空间,所以凭借传统方法寻找性能优异的高熵合金是十分困难的。这时就需要一种预测hea性能的方法。机器学习(ml)建立材料成分,工艺,组织,性能之间的隐性构效关系,在未知空间里能预测具有优异性能的新材料,同时得到最优性能对应的材料成分等,目前机器学习已经广泛应用在新材料设计中。
技术实现思路
1、本专利技术的目的在于提供一种基于机器学习和解释性分析高熵合金硬度预测方法,利用机器学习方法预测高熵合金硬度性能,融合算法框架解释性分析,并设计合金进行模型预测以及实验结果验证,用以解决传统方法预测搜索性能优异的高熵合金的难以解释性。
2、本专利技术采用的技术方案是:
3、一种基于机器学习和解释性分析高熵合金硬度预测方法,其包括以下步骤,
4、步骤1
5、步骤2、根据不同测试集划分比例下的rmse选择合适的模型;
6、步骤3、对所得特征进行热力图分析,以获得最重要特征集;
7、步骤4、采用选择的机器学习模型并输入最优参数组合进行模型训练
8、步骤5、通过最优模型融合对模型进行解释性分析;
9、步骤6、对于以设计好参数的合金导入训练好的模型进行预测,对预测出来的高熵合金进行实验验证。
10、进一步地,步骤1中所述特征包括原子半径差异、平均熔点、混合焓、混合熵、ω参数、价电子浓度、平均密度、y/n fcc(即是否存在fcc相结构)、y/n bcc(即是否存在bcc相结构)、y/n lm(即是否存在其他相结构)。
11、步骤2中所述的机器学习模型进行3种回归模型预测,在测试集划分中占数据集的10%、20%、30%,计算各种模型占比的rmse值。
12、步骤3中对特征数据进行筛选包括首先确定特征组合中特征个数,然后利用皮尔逊相关系数筛选相关性大的特征,最后获取最优特征组合。
13、步骤4中通过最优特征进行xgb回归模型建模,并使用网格搜索进行超参数的调优,训练得到最理想模型。
14、步骤5中使用shap框架融合xgb模型进行可解释性分析,下图是alcocrfeni和alcocrfeniti0.5高熵合金shap特征分析效应图。
15、步骤6中通过python编译一个工具进行合金元素挑选和成分配比,设计出高熵合金计算出特征描述符,导入最优模型进行预测。
16、进一步地,步骤6中对设计好的高熵合金进行制备,其中包括以下步骤:
17、清洗:将所述高熵合金的高纯金属颗粒分别放入容器中依次使用丙酮、无水乙醇在超声波清洗装置中清洗10-20分钟,最后将材料用冷风吹干备用;
18、称重:将合金按原子百分比换算成对应重量并进行称重,称重后的材料按照熔点升高的顺序依次先后放入wk-ⅱ型真空电弧炉的铜质坩埚中,同时使用400目砂纸将纯钛锭表面一层磨掉,用酒精冲洗、吹干后,放入真空炉的中间坩埚位置,然后关闭并旋紧炉门上锁;
19、抽真空:使用机械和分子泵抽真空至1~5×10-4pa,然后缓慢充入氩气使真空度达到1~5×104pa,再次电弧炉的真空度抽至1~5×10-4pa;此过程重复3次,保证真空室内无氧气存在;最后缓慢通入氩气至-0.02~-0.05mpa;
20、熔炼:先对纯钛锭进行3~5次熔炼,电流控制在100-300a,时间为30-150s每次熔炼后将纯钛锭翻面再进行下一次熔炼;然后熔炼高熵合金,此时电流应缓慢增加,避免温度升高过快产生较大热应力导致样品开裂,电弧电流最大升到300a,持续时间为50-200s;熔炼过程中轻微转动电弧杆,使材料均匀受热;关闭电流时,也要缓慢调低电流,同样为了避免急速冷却导致开裂;熔炼时使用外加磁场的磁力搅拌,电流设为1~3m a,以充分保证成分均匀性;重复熔炼4~7次保证成分均匀,冷却10-30min后得到锭状高熵合金。
21、本专利技术采用以上技术方案,通过先确定特征组合中特征个数,再以皮尔逊相关系数筛选相关性大的特征,通过特征选择寻找最优特征在应用机器学习算法进行高熵合金硬度预测时,本专利技术中的特征筛选方法不仅对高熵合金性能预测较为准确,而且更为节省计算资源与时间。本专利技术利用pdp框架融合xgb模型对δ特征和相结构特征进行不同数值下对预测硬度的影响。
本文档来自技高网...【技术保护点】
1.一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:其包括以下步骤,
2.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤1中所述特征包括原子半径差异、平均熔点、混合焓、混合熵、Ω参数、价电子浓度、平均密度、y/n FCC即是否存在FCC相结构、y/n BCC即是否存在BCC相结构、y/n lm即是否存在其他相结构。
3.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤2中可选择的机器学习模型包括线性回归LR、随机森林RF、XGB回归,在测试集划分中占数据集的10%、20%、30%,计算各种模型占比的RMSE值。
4.根据权利要求1或3所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:选择RMSE值最小的对应机器学习模型作为预测模型。
5.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤3中对特征数据进行筛选包括以下步骤:
6.根据权利要求1所述的一种基于机器学习和解释性分析高
7.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤5中使用SHAP框架融合预测模型进行可解释性分析;依赖图机器学习可解释性分析工具包,对高熵合金数据集上训练得到的XGB回归模型进行可解释性分析。
8.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤6中通过Python编译一个工具进行合金元素挑选和成分配比,设计出高熵合金计算出特征描述符导入最优模型进行预测。
9.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤6中对设计好的高熵合金进行制备,其中包括以下步骤:
...【技术特征摘要】
1.一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:其包括以下步骤,
2.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤1中所述特征包括原子半径差异、平均熔点、混合焓、混合熵、ω参数、价电子浓度、平均密度、y/n fcc即是否存在fcc相结构、y/n bcc即是否存在bcc相结构、y/n lm即是否存在其他相结构。
3.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:步骤2中可选择的机器学习模型包括线性回归lr、随机森林rf、xgb回归,在测试集划分中占数据集的10%、20%、30%,计算各种模型占比的rmse值。
4.根据权利要求1或3所述的一种基于机器学习和解释性分析高熵合金硬度预测方法,其特征在于:选择rmse值最小的对应机器学习模型作为预测模型。
5.根据权利要求1所述的一种基于机器学习和解释性分析高熵合金硬度预测...
【专利技术属性】
技术研发人员:戴品强,谌利,洪春福,田君,常发,林智杰,
申请(专利权)人:福建工程学院,
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。