本發(fā)明涉及合金成分設計，具體涉及一種基于機器學習面向低層錯能高熵合金的成分設計方法。

背景技術：

1、隨著生產力的迅速發(fā)展，現代工業(yè)如航空航天、能源、軍事國防、交通運輸等領域對金屬材料提出了更高的要求，尤其是面向極端低溫環(huán)境下的結構件材料，其在低溫應用時常常發(fā)生脆斷現象，導致人員傷亡和資源浪費。然而，傳統的合金化策略限制了可能的合金元素組合數量，合金性能的提升越來越趨于瓶頸。因此，尋找新的合金設計理念，開發(fā)高性能低溫結構件材料勢在必行。作為高熵合金研究的先驅，面心立方（fcc）結構的cocrfenimn基高熵合金獲得了廣泛的關注。由于這類合金層錯能（stacking?faultenergy,?sfe）可調范圍廣，并且低溫下，合金的層錯能會進一步降低，而低的層錯能能夠向合金中引入豐富的變形機制，從而使得合金的低溫韌性得到提高。

2、但是這種廣闊的成分空間，也帶來了合金成分設計的復雜性和不確定性。目前低層錯能cocrfenimn基高熵合金的成分設計主要依賴微調合金元素含量和經驗公式的方法，存在層錯能估計的盲目性以及需要大量的實驗數據基礎，這不僅提高了合金設計的成本，而且難以快速準確的探索低層錯能合金成分。

3、近年來，隨著計算機科學和人工智能的發(fā)展，為合金的成分設計提供了新的思路。機器學習作為一種數據驅動科學，目前已經廣泛應用于材料領域中的成分設計、工藝優(yōu)化等環(huán)節(jié)，并且其主動學習的策略，可以在短時間內將合金成分從低維推向高維，大大降低了合金開發(fā)的成本。然而由于目前cocrfenimn基高熵合金層錯能的實驗數據非常有限，因此機器學習對高熵合金層錯能預測的研究非常少。

技術實現思路

1、針對上述背景技術中存在的問題，本發(fā)明提供了一種基于機器學習面向低層錯能高熵合金的成分設計方法，基于文獻中的成分-層錯能模擬數據，利用篩選得到的物理和熱力學參數提高機器學習模型的準確性，根據vec準則進行相的初步篩選，最終利用機器學習集成算法框架篩選出具有低層錯能的高熵合金成分，從而提高cocrfenimn基低層錯能高熵合金成分設計的準確性和效率。

2、具體的，本發(fā)明提供了一種基于機器學習面向低層錯能高熵合金的成分設計方法，包括如下步驟：

3、步驟1：收集層錯能模擬數據，建立合金成分-層錯能的模擬數據集，根據所述合金成分計算得到對應的物理和熱力學特征參數，并對所述模擬數據集中的合金成分分布進行分析；

4、步驟2：通過皮爾遜相關性系數分析兩兩所述特征參數之間的相關性，剔除相關性系數大的特征參數，隨后利用隨機森林特征重要性分析方法，篩選出影響層錯能的關鍵特征參數；

5、步驟3：將所述合金成分和所述關鍵特征參數作為機器學習模型的輸入，以層錯能作為機器學習模型的輸出，對所述關鍵特征參數采用前向選擇策略，篩選出不同機器學習模型的最佳特征集，從而得到多種高精度機器學習模型；

6、步驟4：對所獲得的多種高精度機器學習模型，篩選出性能排名靠前的模型，采納并聯預測的思路，構建出用于后續(xù)預測的集成算法預測框架；

7、步驟5：根據步驟1得到的合金成分的分布情況，確定候選合金的初步成分空間，形成候選合金成分數據集，然后利用所述集成算法預測框架對所述候選合金成分數據集進行層錯能的預測，根據合金成分的得分進行排名，最終篩選出低層錯能的候選合金成分。

8、作為本發(fā)明的進一步說明，所述合金成分-層錯能的模擬數據集中包括co、cr、fe、ni、mn、v、al合金元素以及層錯能數值。

9、作為本發(fā)明的進一步說明，所述關鍵特征參數包括：比熱、鮑林電負性方差、第一性計算的晶格穩(wěn)定性、彈性常數、相圖計算得到的晶格穩(wěn)定性的方差、相圖計算得到的晶格穩(wěn)定性、彈性常數、電離能、原子量、艾倫電負性方差、鮑林電負性。

10、作為本發(fā)明的進一步說明，所述機器學習模型包括：多層感知器回歸、支持向量機回歸模型、極限梯度提升回歸模型、梯度提升回歸模型及隨機森林回歸模型。

11、作為本發(fā)明的進一步說明，所述最佳特征集包括：多層感知器回歸模型6個特征、支持向量機回歸模型8個特征、極限梯度提升回歸模型9個特征、梯度提升回歸模型11個特征、隨機森林回歸模型4個特征。

12、作為本發(fā)明的進一步說明，步驟4所篩選出的性能排名靠前的模型具體為：多層感知器回歸模型、支持向量機回歸模型以及極限梯度提升回歸模型。

13、作為本發(fā)明的進一步說明，步驟4所篩選出的模型的預測精度均大于90%，選用的性能評估指標包括擬合優(yōu)度和均方根誤差，且評估機器學習模型性能時，驗證集采用10折交叉驗證策略，測試集則直接評估其預測精度。

14、作為本發(fā)明的進一步說明，步驟5中，利用vec準則對成分空間進行限制，以獲得不含有bcc有害相的合金成分。

15、作為本發(fā)明的進一步說明，步驟5中，所述集成算法框架對步驟4篩選出的性能排名靠前的模型的層錯能預測值進行加權平均值和標準差的計算，進而利用平衡模型穩(wěn)定性和不確定性的策略計算出候選合金成分的得分，最終篩選出低層錯能、優(yōu)異強塑性的高熵合金成分。

16、作為本發(fā)明的進一步說明，在通過集成算法框架得出每個候選合金成分的得分時，得分函數的具體公式為：

17、；

18、其中，mean為加權平均值，std為標準差。

19、與現有技術相比，本發(fā)明具有以下有益的技術效果：

20、本發(fā)明提供的成分設計方法，基于搜集的合金層錯能的模擬數據，解決了目前層錯能實驗數據匱乏的問題；根據合金的化學成分建立了物理和熱力學額外描述符，并通過皮爾遜相關性分析和隨機森林特征重要性分析篩選出影響合金層錯能的關鍵特征；通過特征的前向選擇策略，得到每種機器學習模型的最佳特征集，成功建立合金成分、特征參數與合金層錯能之間的復雜非線性關系，該策略提高了機器學習模型的預測精度；采用vec準則對原始成分空間合金的相組成進行限定，縮小了候選合金成分空間，避免了模型陷入局部最優(yōu)陷阱；利用多種高精度機器學習模型成功創(chuàng)建集成算法框架，得益于其獨特的得分策略，避免了單個模型預測時的不穩(wěn)定性，有望得到具有低層錯能、優(yōu)異強塑性匹配的高熵合金成分，提高了新型低溫應用高熵合金的開發(fā)效率。

21、本技術方案的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本技術方案而了解。本技術方案的目的和其他優(yōu)點可通過在所寫的說明書以及附圖中所特別指出的結構來實現和獲得。

22、下面通過附圖和實施例，對本技術方案的技術方案做進一步的詳細描述。

技術特征：

1.一種基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，包括如下步驟：

2.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，所述合金成分-層錯能的模擬數據集中包括co、cr、fe、ni、mn、v、al合金元素以及層錯能數值。

3.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，所述關鍵特征參數包括：比熱、鮑林電負性方差、第一性計算的晶格穩(wěn)定性、彈性常數、相圖計算得到的晶格穩(wěn)定性的方差、相圖計算得到的晶格穩(wěn)定性、彈性常數、電離能、原子量、艾倫電負性方差、鮑林電負性。

4.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，所述機器學習模型包括：多層感知器回歸、支持向量機回歸模型、極限梯度提升回歸模型、梯度提升回歸模型及隨機森林回歸模型。

5.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，所述最佳特征集包括：多層感知器回歸模型個特征、支持向量機回歸模型8個特征、極限梯度提升回歸模型9個特征、梯度提升回歸模型11個特征、隨機森林回歸模型4個特征。

6.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，步驟4所篩選出的性能排名靠前的模型具體為：多層感知器回歸模型、支持向量機回歸模型以及極限梯度提升回歸模型。

7.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，步驟4所篩選出的模型的預測精度均大于90%，選用的性能評估指標包括擬合優(yōu)度和均方根誤差，且評估機器學習模型性能時，驗證集采用10折交叉驗證策略，測試集則直接評估其預測精度。

8.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，步驟5中，利用vec準則對成分空間進行限制，以獲得不含有bcc有害相的合金成分。

9.如權利要求1所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，步驟5中，所述集成算法框架對步驟4篩選出的性能排名靠前的模型的層錯能預測值進行加權平均值和標準差的計算，進而利用平衡模型穩(wěn)定性和不確定性的策略計算出候選合金成分的得分，最終篩選出低層錯能、優(yōu)異強塑性的高熵合金成分。

10.如權利要求9所述的基于機器學習面向低層錯能高熵合金的成分設計方法，其特征在于，在通過集成算法框架得出每個候選合金成分的得分時，得分函數的具體公式為：

技術總結
本發(fā)明提供了一種基于機器學習面向低層錯能高熵合金的成分設計方法，該方法通過文獻調研建立高熵合金成分?層錯能數據集，并建立物理和熱力學的特征描述符；對特征描述符進行皮爾遜相關性分析和特征重要性分析，篩選出對合金層錯能影響排名前列的關鍵特征；然后利用前向選擇策略篩選出模型的最佳特征集，并篩選出具有最優(yōu)性能的前三種機器學習模型，然后確定用以構建集成算法框架的機器學習模型；根據合金的成分范圍確定候選合金的成分空間，最終篩選出用于集成算法框架預測的候選合金成分，利用集成算法框架對候選合金成分進行預測，篩選出具有低層錯能的高熵合金成分。本發(fā)明顯著提高了低層錯能高熵合金的設計準確性和效率。

技術研發(fā)人員：賀一軒,聶帥,劉浩翔,劉栩東
受保護的技術使用者：西北工業(yè)大學
技術研發(fā)日：
技術公布日：2025/5/15