【技术实现步骤摘要】
本专利技术属于金属材料设计，具体涉及一种提高钛铝基合金成分设计效率的机器学习方法、电子设备及存储介质。
技术介绍
1、钛铝基合金因其低密度、高强度和优异的高温性能而成为制造汽车和航空航天发动机零部件的重要材料之一。但钛铝基合金在室温下的塑性较低、可加工性差，合金的力学性能亟需提高。为了提高钛铝基合金的力学性能，一个重要方法是添加和调整合金元素的组成。通过添加合金化元素，例如nb、mo、cr和w等可以控制钛铝基合金的微观组织结构，进而改善合金的相组成，促进位错运动，提高合金的塑性，而且它们还有利于改善合金的抗氧化和抗蠕变等综合力学性能。但这些元素属于高熔点难熔元素，其溶解度低、扩散速度慢，导致分布不均匀，偏析缺陷严重。针对这些问题，另一个解决的办法是采用冷坩埚定向凝固技术对合金的凝固组织进行调控，发挥组织中片层结构取向的有利作用，进一步提高合金的力学性能。
2、虽然通过合金元素调整和冷坩埚定向凝固技术赋予了合金较为优异的力学性能，但其最关键的缺点是样品制备需要大量的时间，还需要相当多的时间和多次试错来了解其力学性能。为了克服这些问题，设计了一种涉及到机器学习的解决方案，机器学习使计算机能够从数据中学习，有助于理解影响力学性能的因素。机器学习可以加速实验过程，在将合金成分和实验参数输入计算机后可以立即获得输出数值。机器学习已广泛应用于数据科学领域，包括基因组学、全球天气数据和量化医疗信息等。在金属材料设计方面机器学习有助于挖掘影响力学性能的诸多因素，例如合金成分、工艺参数、组织结构等，因为它们通过计算机对已有数据的挖掘、
3、机器学习的效率取决于训练数据与测试数据的比例关系。当前趋势是确定适当的训练-测试数据比例，并找到适合每种实验条件下的比例关系，对训练-测试数据进行分配以防止过拟合并确定最合适的数据分配，以提高机器学习算法的预测精度。然而数据分配比例的确定还需考虑样本数量大小，在超大样本量情况下，例如在100万数据量时，将训练-测试数据按99:1或98:2的大比例进行分配，虽然测试数据量仅有1～2万，但依然能够满足高精度预测的要求。然而在小样本量情况下，数据如何分配差异较大。在材料设计领域通常考虑的比例关系为6:4～9:1，对于钢铁材料和高温合金常采用7:3，对于铝合金常采用6:4，但由于合金性质的差异，对于钛铝基合金的机器学习算法来说尚没有合适的数据分配比例关系。
4、可见，采用机器学习方法来提高钛铝基合金成分设计效率，首要任务是确定机器学习算法及选择合适的训练-测试数据分配比例，可为进一步优化钛铝基合金成分、提高力学性能奠定基础。
技术实现思路
1、本专利技术要解决的问题是预测金属的力学性能，提出一种提高钛铝基合金成分设计效率的机器学习方法、电子设备及存储介质。
2、为实现上述目的，本专利技术通过以下技术方案实现：
3、一种提高钛铝基合金成分设计效率的机器学习方法，包括如下步骤：
4、s1.从文献中采集基于冷坩埚定向凝固技术得到的钛铝基合金的合金成分数据、实验条件数据及力学性能数据，设置钛铝基合金的合金成分和实验条件为输入变量，设置抗拉强度、伸长率、纳米硬度和片层间距作为输出变量；
5、s2.对步骤s1采集的数据进行预处理，然后将预处理后的数据进行分组，得到用于抗拉强度预测的数据组、用于伸长率预测的数据组、用于纳米硬度预测的数据组、用于片层间距预测的数据组；
6、s3.将步骤s2得到的4个数据组中的数据划分为训练数据和预测数据，输入到多元线性回归算法中进行机器学习训练，计算决定系数r2，评价预测程度的合理性；
7、s4.将步骤s2得到的4个数据组中的数据划分为训练数据和预测数据，输入到随机森林回归算法中进行机器学习训练，计算决定系数r2，利用决策树中的gini不纯度预测特征重要度，评价输入变量对输出变量的影响程度。
8、进一步的，步骤s1中采集的钛铝基合金的合金成分包括ti、al、v、nb、cr、si、w、b、y、c，采集的实验条件包括输入功率、抽拉速度。
9、进一步的，步骤s2的具体实现方法包括如下步骤：
10、s2.1.将步骤s1采集的数据输入excel表格中，在出现缺失值的情况下，插入0完成数据的预处理；
11、s2.2.将预处理后的数据进行分组，得到用于抗拉强度预测的数据组、用于伸长率预测的数据组、用于纳米硬度预测的数据组、用于片层间距预测的数据组；
12、s2.2.1.设置用于抗拉强度预测的数据组包括189个条目，输入变量中tial合金的合金成分元素的范围如下：ti:47～53at％，al:44～46at％，v:0～2at％，nb:0～6at％，cr:0～2at％，si:0～0.5at％，w:0～0.5at％，b:0～0.1at％，y:0～0.15at％；输入功率范围为40～50kw，抽拉速度范围为3.33～25μm/s；
13、s2.2.2.设置用于伸长率预测的数据组包括189个条目，输入变量中tial合金的合金成分元素的范围如下：ti:47～53at％，al:44～46at％，v:0～2at％，nb:0～6at％，cr:0～2at％，si:0～0.5at％，w:0～0.5at％，b:0～0.1at％，y:0～0.15at％；输入功率范围为40～50kw，抽拉速度范围为3.33～25μm/s；
14、s2.2.3.设置用于纳米硬度预测的数据组包括153个条目，输入变量中钛铝基合金的合金成分元素的范围如下：ti:47～48.8at％，al:44at％，v:2at％，nb:6at％，cr:1at％，b:0～0.1at％，y:0～0.15at％；输入功率范围为40～50kw，抽拉速度范围为8.33～21.67μm/s；
15、s2.2.4.设置用于片层间距预测的数据包括177个条目，输入变量中钛铝基合金的合金成分元素的范围如下：ti:47～53at％，al:44～46at％，v:0～2at％，nb:0～6at％，cr:0～2at％，si:0～0.5at％，w:0～0.5at％，b:0～0.1at％，y:0～0.15at％；输入功率范围为40～50kw，抽拉速度范围为8.33～21.67μm/s。
16本文档来自技高网...
【技术保护点】
1.一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤S1中采集的钛铝基合金的合金成分包括Ti、Al、V、Nb、Cr、Si、W、B、Y、C，采集的实验条件包括输入功率、抽拉速度。
3.根据权利要求2所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤S2的具体实现方法包括如下步骤：
4.根据权利要求3所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤S3中多元线性回归算法的表达式如下：
5.根据权利要求4所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤S3中计算决定系数R2的表达式如下：
6.根据权利要求5所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤S4中利用决策树中的Gini不纯度预测特征重要度，表达式如下：
7.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的一种提高钛铝基合金成分设计效率的机器学习方法。
...【技术特征摘要】
1.一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤s1中采集的钛铝基合金的合金成分包括ti、al、v、nb、cr、si、w、b、y、c，采集的实验条件包括输入功率、抽拉速度。
3.根据权利要求2所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤s2的具体实现方法包括如下步骤：
4.根据权利要求3所述的一种提高钛铝基合金成分设计效率的机器学习方法，其特征在于，步骤s3中多元线性回归算法的表达式如下：
5.根据权利要求4所述的一种提高钛铝基合金...
【专利技术属性】
技术研发人员：丁宏升，郭承美，张康，梁贺，
申请(专利权)人：哈尔滨工业大学，
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。