一种基于机器学习设计的超硬高熵氮化物涂层及其制备方法技术

本发明专利技术公开了一种基于机器学习设计的超硬高熵氮化物涂层及其制备方法，属于对金属材料的镀覆技术领域。本发明专利技术包括如下步骤：（1）建立用于预测高熵氮化物涂层硬度的数据集；（2）通过特征工程对数据库中的各类特征进行评估，优化特征以提升预测精度；（3）对机器学习模型进行超参数优化和十折交叉验证，选择预测性能最佳的模型；（4）将预设的预测空间输入预测性能最佳的机器学习模型，挑选预测硬度最高的高熵氮化物涂层体系；（5）根据预测硬度最高的高熵氮化物涂层，制备得到超硬高熵氮化物涂层。本发明专利技术利用机器学习高效率、低成本以及处理大规模复杂体系的优势，为开发先进保护性涂层提供了重要的科学见解和有效的设计方法。

【技术实现步骤摘要】

本专利技术涉及对金属材料的镀覆，尤其涉及一种基于机器学习设计的超硬高熵氮化物涂层及其制备方法。

技术介绍

1、摩擦损伤充斥着现代工业社会，对材料的性能和服役寿命构成了持续性威胁，进一步导致机械部件的频繁更换和重型设备的逐渐老化。这不仅大大降低了生产效率，还造成了巨额的能源损失，与可持续发展的环境目标背道而驰。据报道，每年仅摩擦接触造成的能量损失就占全球总能耗的23%，达到惊人的119 ej。各种先进耐磨材料的开发和表面工程的应用预计将在未来十年内减少约40%的能量损失。过渡金属氮化物（transition metalnitrides，tmn）涂层具有出色的机械性能，被广泛应用于各种极端磨损环境，然而，传统的氮化物涂层在满足快速发展的工业应用带来的新需求时面临越来越大的挑战。

2、高熵合金（high-entropy alloys，heas），又称多主元合金（multi-principalelement alloys，mpeas），是中国台湾学者叶均蔚和英国学者坎特于2004年几乎同时提出的一种新型合金体系，在过去二十年中因其卓越的性能引起了学术界本文档来自技高网...

【技术保护点】

1.一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（1）中，数据集包括始于2006年的47篇高熵氮化物涂层的文献数据以及实验室内进行的17项实验数据。

3.根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（2）中，特征工程包括采用皮尔逊相关性系数分析各个特征间的相关性，采用随机森林算法分析特征间的重要性排名，依据重要性排名剔除冗余特征；冗余特征为皮尔逊相关性系数值大于0.95的特征对中排名较后...

【技术特征摘要】

1.一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（1）中，数据集包括始于2006年的47篇高熵氮化物涂层的文献数据以及实验室内进行的17项实验数据。

3.根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（2）中，特征工程包括采用皮尔逊相关性系数分析各个特征间的相关性，采用随机森林算法分析特征间的重要性排名，依据重要性排名剔除冗余特征；冗余特征为皮尔逊相关性系数值大于0.95的特征对中排名较后的特征。

4.根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（3）中，算法的类型包括极度树、梯度提升决策树、随机森林、支持向量回归、极限梯度提升中的至少一种。

5.根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（3）中，测试集比例包括10%、20%、30%、40%、50%。

6.根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（3）中，超参数优化的方法为贝叶斯优化；预测性能的指标为预测精度，预测精度基于测试集的均方根误差评估，预测性能最佳的机器学习模型为测试集均方根误差最小的机器学习模型。

7. 根据权利要求1所述的一种基于机器学习设计的超硬高熵氮化物涂层的制备方法，其特征在于：所述步骤（4）中，预设的预测空间中，成分特征的成分区间由数据集中各元素的原子百分比的下限值和上限值所确立，各元素的原子百分比之和为100 at.%；工艺参数特征的参数数值选自数据集中最频繁出现的三个值。

8. 根据权利要求7所述的一种基于机器学习设计的...

【专利技术属性】
技术研发人员：张翔宇，杨兵，佩列诺维奇·瓦西里·奥列戈维奇，曾晓梅，曾仲，刘杰，
申请(专利权)人：武汉大学，
类型：发明
国别省市：