【技术实现步骤摘要】
本专利技术涉及新材料开发，特别是涉及一种基于机器学习的二硼化物高熵陶瓷稳定性预测方法。
技术介绍
1、高熵陶瓷作为一类新兴材料，以其独特的高温稳定性、抗氧化性、高硬度和耐磨损性等优异性能，在航空航天、能源、电子和生物医学等多个领域展现出巨大的应用潜力。然而，在面对高熵陶瓷这种复杂的多组分系统时，传统的材料设计方法如基于物理直觉的探索或试错实验，往往效率低下且成本高昂，难以全面覆盖所有可能的组合。
2、近年来，随着计算能力的显著提升和大数据分析技术的飞速发展，机器学习作为一种强大的数据驱动工具，被越来越多地引入到材料科学领域。机器学习通过从有限的实验数据中学习材料属性与结构之间的复杂关系，能够实现对新组合物性能的快速预测，从而大大缩短新材料的设计周期，降低研发成本。在材料科学中，已有多种机器学习模型被成功应用于材料性能的预测，这些模型各有特点，在处理不同类型的材料数据时表现出不同的优势。
技术实现思路
1、本专利技术提供一种基于机器学习的二硼化物高熵陶瓷稳定性预测方法，为二硼化物...
【技术保护点】
1.一种基于机器学习的二硼化物高熵陶瓷稳定性预测方法，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二硼化物高熵陶瓷稳定性预测方法，其特征在于，所述特征变量通过以下方式确定：
3.根据权利要求2所述的基于机器学习的二硼化物高熵陶瓷稳定性预测方法，其特征在于，所述Lasso回归模型的损失函数为：其中，Loss(ω)为Lasso回归模型的损失函数，n为样本数量，p为输入特征的数量，yi为第i个样本的真实形成能，为第i个样本的形成能预测值，ωj为第j个输入特征的系数，α为正则化参数。
4.根据权利要求2所述的基于机器学...
【技术特征摘要】
1.一种基于机器学习的二硼化物高熵陶瓷稳定性预测方法，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二硼化物高熵陶瓷稳定性预测方法，其特征在于，所述特征变量通过以下方式确定：
3.根据权利要求2所述的基于机器学习的二硼化物高熵陶瓷稳定性预测方法，其特征在于，所述lasso回归模型的损失函数为：其中，loss(ω)为lasso回归模型的损失函数，n为样本数量，p为输入特征的数量，yi为第i个样本的真实形成能，为第i个样本的形成能预测值，ωj为第j个输入特征的系数，α为正则化参数。
4.根据权利要求2所述的基于机器学习的二硼化物高熵陶瓷稳定性预测方法，其特征在于，所述二硼化物高熵陶瓷的形成能的计算方式为：
5.根据权利要求2所述的基于机器学习的二硼化物高熵陶瓷稳定性预测方法，其特征在于，所述形成能预测模型通过以下方式得到：
6.根据权利要求5所述的基于机器学习的二硼化物高熵陶瓷稳...
【专利技术属性】
技术研发人员：郑兴伟，王钱钱，梁拥成，张国军，刘吉轩，
申请(专利权)人：东华大学，
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。