一种基于机器学习探索设计高塑性难熔多主元合金的方法

本发明涉及合金强度预测，具体而言，涉及一种基于机器学习探索设计高塑性难熔多主元合金的方法。

背景技术：

1、长期以来，我们使用的合金都是由一种主要元素和一些次要元素组成的。随着人类科学技术的发展，这些合金已经不能满足我们科学技术发展的需要。2004年，中国台湾学者叶均蔚首次提出了多主元合金的概念，突破了单一主元素合金的局限。由于元素组合的随机性，该合金极大地拓展了新材料的研究和开发范围。受这一概念的启发，senkov首先提出了两种难熔多主元合金(rheas)nbmotaw和nbmotavw。这两种rheas在高温下具有比传统镍基合金更高的熔点和更好的高温力学性能，在航空航天领域具有潜在的应用前景

2、传统的合金设计方法是采用试错法，采用大量的实验来设计合金。这种合金模式是盲目且低效的。难熔多主元合金往往具有不错的强度，但是由于其多主元合金的组成和结构的复杂性给相位设计和性能确定带来了很大的困难，这导致了宏观上其室温塑性往往不尽如人意，极大阻碍了难熔多主元合金的进一步应用，因此如何高效设计具有优异室温塑性的难熔多主元合金是一个亟待解决的问题。

3、近年来，作为计算机科学和材料科学的交叉点，机器学习已经成为现今发展迅速的科技领域之一。但是受限于现今难熔多主元合金数据集匮乏，最优特征筛选困难和机器学习算法选择等都会阻碍合金进一步的设计。因此，如何能够结合现有的数据构建一个利用机器学习设计具备优异室温塑性难熔多主元合金的新范式是一个极需突破的技术。

技术实现思路

1、有鉴于此，本发明提供了一种基于机器学习探索设计高塑性难熔多主元合金的方法。具体的方法步骤如下：

2、(1)根据历史数据建立难熔多主元合金数据集，利用合金成分及相关元素固有属性计算获取不同成分合金的多种参数，将这些初步计算的参数作为机器学习的初始特征变量，以合金断裂应变作为目标变量，根据合金的断裂模式，将压缩后未断裂的合金定为‘0’类合金，将压缩后断裂的合金定为‘1’类合金；

3、(2)对初始数据进行预处理；

4、(3)采用交叉验证方法，将数据集按比例随机划分为训练集和验证集，重复5次；

5、(4)对原始特征变量进行特征筛选，获取适应于分类模型的最优特征组合；

6、(5)定义机器学习分类模型性能评价指标

7、(6)选取多种机器学习分类算；

8、(7)将(4)获得的最优特征组合输入到步骤六选择的机器学习算法；

9、(8)以(5)确定的评价指标确定分类效果最佳的机器学习模型；

10、(9)提取(2)确定的‘1’类合金作为回归模型的数据集；

11、(10)采用多种方法获取最佳特征组合；

12、(11)将(9)获取的数据集按比例随机划分为训练集和验证集，重复5次；；

13、(12)选取多种机器学习回归算法及各种算法的超参数范围；

14、(13)定义机器学习回归模型性能评价指标；；

15、(14)将(11)获得的训练集输入到(12)选择的机器学习算法；

16、(15)计算(13)定义的机器学习模型性能评价指标，获取各算法的超参数范围，以综合最优的机器学习回归模型作为最终模型；

17、(16)确定目标体系合金，设定各元素限定范围，以一定步长构建体系合金成分空间；

18、(17)以(4)获得的适应于分类模型最佳特征组合为标准，计算(16)获得的成分空间内的各特征变量，确定数据集；

19、(18)将(17)获得数据集输入到(8)确定的机器学习分类模型中，对成分空间的合金按照是否断裂进行分类；

20、(19)以(10)获得的适应于回归模型最佳特征组合为标准，计算(16)获得的成分空间内的各特征变量，确定数据集；

21、(20)将(19)获得数据集输入到(15)确定的机器学习回归模型中，对成分空间内合金的具体断裂应变进行预测；

22、(21)结合(18)和(20)的预测结果，制备3种具有最优断裂应变的合金进行制备和测试，获取实际断裂应变；

23、(22)判断预测断裂应变与实际断裂应变的误差是否小于10％；若是，则设计成功；若否，则将该三种合金补充到(1)的初始数据集中，并重复(2)到(22)。

24、上述方案中，所述难熔多主元合金所含元素包括ti、v、zr、nb、mo、hf、ta、w，所收集的难熔多主元合金均为电弧熔炼制备，断裂应变均由铸态下的室温准静态压缩实验获得。

25、上述方案中，所述初始特征变量包括：合金所包含元素中的最小原子序数(minan)、合金所包含元素中的最大原子序数(maxan)、合金所包含元素的原子序数范围(rangean)、合金所包含元素的加权平均原子序数(meanan)、合金所包含元素的原子序数的平均偏差(adan)、合金所包含元素中的最小门捷列夫数(minmn)、合金所包含元素中的最大门捷列夫数(maxmn)、合金所包含元素的门捷列夫数范围(rangemn)、合金所包含元素的加权平均门捷列夫数(meanmn)、合金所包含元素的门捷列夫数的平均偏差admn、合金所包含元素中的最小原子量(minaw)、合金所包含元素中的最大原子量(maxaw)、合金所包含元素的原子量范围(rangeaw)、合金所包含元素的加权平均原子量(meanaw)、合金所包含元素的原子量的平均偏差(adaw)、合金所包含元素中的最小熔点(mintm)、合金所包含元素中的最大熔点(maxtm)、合金所包含元素的加权平均熔点(meantm)、合金所包含元素的熔点的平均偏差(adtm)、合金所包含元素的熔点范围(rangetm)、合金所包含元素中的最小列(minc)、合金所包含元素中的最大列(maxc)、合金所包含元素的列范围(rangec)、合金所包含元素的加权平均列(meanc)、合金所包含元素的列的平均偏差(adc)、合金所包含元素中的最小行(minr)、合金所包含元素中的最大行(maxr)、合金所包含元素的行范围(ranger)、合金所包含元素的加权平均行(meanr)、合金所包含元素的行的平均偏差(adr)、合金所包含元素中的最小共价半径(mincr)、合金所包含元素中的最大共价半径(maxcr)、合金所包含元素中的共价半径范围(rangecr)、合金所包含元素的加权平均共价半径(meancr)、合金所包含元素共价半径的平均偏差(adcr)、合金所包含元素中的最小s层价电子数(minsve)、合金所包含元素中的最大s层价电子数(maxsve)、合金所包含元素中的s层价电子数范围(rangesve)、合金所包含元素的加权平均s层价电子数(meansve)、合金所包含元素s层价电子数的平均偏差(adsve)、合金所包含元素中的最小p层价电子数(minpve)、合金所包含元素中的最大p层价电子数(maxpve)、合金所包含元素中的p层价电子数范围(rangepve)、合金所包含元素的加权平均p层价电子数(meanpve)、合金所包含元素p层价电子数的平均偏差(adpve)、合金所包含元素中的最小d层价电子数(mindve)、合金所包含元素中的最大d层价电子数(maxdve)、合金所包含元素中的d层价电子数范围(rangedve)、合金所包含元素的加权平均d层价电子数(meandve)、合金所包含元素d层价电子数的平均偏差(addve)、合金所包含元素中的最小f层价电子数(minfve)、合金所包含元素中的最大f层价电子数(maxfve)、合金所包含元素中的f层价电子数范围(rangefve)、合金所包含元素的加权平均f层价电子数(meanfve)、合金所包含元素f层价电子数的平均偏差(adfve)、合金所包含元素中的最小总价电子数(mintve)、合金所包含元素中的最大总价电子数(maxtve)、合金所包含元素中的总价电子数范围(rangetve)、合金所包含元素的加权平均总价电子数(meantve)、合金所包含元素总价电子数的平均偏差(adtve)、合金所包含元素中的最小s层未填满的价电子数(minuss)、合金所包含元素中的最大s层未填满的价电子数(maxuss)、合金所包含元素中的s层未填满的价电子数范围(rangeuss)、合金所包含元素的加权平均s层未填满的价电子数(meanuss)、合金所包含元素s层未填满的价电子数的平均偏差(aduss)、合金所包含元素中的最小p层未填满的价电子数(minups)、合金所包含元素中的最大p层未填满的价电子数(maxups)、合金所包含元素中的p层未填满的价电子数范围(rangeups)、合金所包含元素的加权平均p层未填满的价电子数(meanups)、合金所包含元素p层未填满的价电子数的平均偏差(adups)、合金所包含元素中的最小d层未填满的价电子数(minuds)、合金所包含元素中的最大d层未填满的价电子数(maxuds)、合金所包含元素中的d层未填满的价电子数范围(rangeuds)、合金所包含元素的加权平均d层未填满的价电子数(meanuds)、合金所包含元素d层未填满的价电子数的平均偏差(aduds)、合金所包含元素中的最小f层未填满的价电子数(minufs)、合金所包含元素中的最大f层未填满的价电子数(maxufs)、合金所包含元素中的f层未填满的价电子数范围(rangeufs)、合金所包含元素的加权平均f层未填满的价电子数(meanufs)、合金所包含元素f层未填满的价电子数的平均偏差(adufs)、合金所包含元素中的最小未填满的总价电子数(mintus)、合金所包含元素中的最大未填满的总价电子数(maxtus)、合金所包含元素中的未填满的总价电子数范围(rangetus)、合金所包含元素的加权平均未填满的总价电子数(meantus)、合金所包含元素中未填满的总价电子数的平均偏差(adtus)、合金所包含元素中的最小比体积(minsv)、合金所包含元素中的最大比体积(maxsv)、合金所包含元素中的比体积范围(rangesv)、合金所包含元素的加权平均比体积(meansv)、合金所包含元素比体积的平均偏差(adsv)、合金所包含元素中的最小密度(minden)、合金所包含元素中的最大密度(maxden)、合金所包含元素中的密度范围(rangeden)、合金所包含元素的加权平均密度(meanden)、合金所包含元素密度的平均偏差(adden)、合金的价电子浓度(vec)、合金的电负性(χ)、合金的平均原子半径(r)、合金的原子半径差异(δ)、合金的混合熵(δs)、合金的熔点标准差异(σtm)、合金的价电子浓度差异(σvec)、合金的电负性标准差(σδχ)、合金的混合焓标准差(σδh)、合金的固溶相形成参数(ω)、合金的混合熵与原子尺寸差异平方的商(λ)、合金的自由电子浓度(e/a)、合金的局域电负性差异(d.χ)、合金的平均结合能(ec)、合金的杨氏模量(e)、合金的泊松比(ν)、合金的剪切模量(g)、合金的模量错配(η)、合金的局域尺寸错配(d.r)、合金的晶格畸变能(μ)、合金的能量因子(α)、合金的派纳力因子(f)、合金功函数的六次方(w6)、合金的混合焓(δη)、合金的局域模量错配(d.g)、合金包含的各元素的含量。

26、上述方案中，所述预处理具体步骤为：(a)绘制箱式图，剔除偏离较大的数据；(b)归一化数据；(c)对特征变量和目标变量分别采用box-cox变换和对数变换，降低数据的偏度，使数据更加接近正态分布。

27、上述方案中，所述的分类模型特征筛选方法为百分位数选择法(select-percentile)算法，按照特征重要性选择最优的前百分之n的特征作为最优特征子集。

28、上述方案中，所述的分类模型性能评价指标为混淆矩阵。

29、上述方案中，所选择的机器学习分类算法包括决策树分类(decision trees)、随机森林分类(random forests)，逻辑斯蒂分类(logistic)、k近邻分类(k-nearestneighbor)、高斯朴素贝叶斯分类(gaussian bayes)，极度随机树分类(extremelyrandomized trees)、自适应增强分类(adaptive boosting)、梯度提升树分类(gradientboosting decision trees)。

30、上述方案中，(10)所述获取的最优特征组合的步骤包括：(a)设置方差阈值，剔除差异较小的特征变量；(b)spearman等级相关系数筛选。计算了每个特征之间以及特征与目标变量之间的spearman系数。如果两个特征之间的相关系数大于0.95，则只保留一个特征。如果某一特征与目标变量的相关系数大于0.01，则只保留该特征。(c)递归特征消除法(recursive feature elimination)筛选。利用轻质梯度提升机(light gradientboosting machine)算法，保留了20个特征，并计算了这些特征的重要度。(d)穷举法筛选最佳特征子集。根据特征的重要性逐个添加特征，确定最佳特征子集。

31、上述方案中，(12)所述的机器学习回归模型包括岭回归、lasso回归，elasticnet回归，支持向量机回归、k近邻回归、梯度提升树、极大梯度提升树、随机森林、线性支持向量机、多项式支持向量机和高斯径向基函数支持向量机。

32、上述方案中，(13)所述的机器学习回归模型性能评价指标包括均方误差、均方根误差、交叉验证分数和决定系数。

33、上述方案中，其特征在于(15)所述的超参数范围内的最优解，采用网格搜索法获取。

34、上述方案中，所根据所述合金性能训练集中的合金组元类别，确定ti、v、zr、nb、mo、hf、ta、w八种元素组成的高熵合金目标成分的搜索空间，根据实际需求确定4-7中主要元素，每种元素在合金中的摩尔含量在5％-35％之间，含量变化步长为1％。

35、上述方案中，预测合金的制备采用真空电弧熔炼法，性能测试采用室温准静态压缩试验。

36、该方法能够快速捕获目标难熔体系内的断裂应变，高效设计高塑性难熔多主元合金。