一种设计高非晶形成能力的合金方法

1.本发明涉及材料技术领域，尤其涉及一种设计高非晶形成能力的合金方法。


背景技术：

2.在非晶合金研究领域，如何设计并开发出具有良好玻璃形成能力的合金，是相关科研人员一直追求的目标，例如2006年北京航空航天大学的men等人制备出cu
46.25
zr
46.25
al
7.5
非晶合金，探究zr元素的加入对其非晶形成能力的影响； 2015年yang等人通过掺少量的cu元素来提高铁基合金的非晶形成能力。虽然他们都成功的制备出了相关非晶合金，但是依靠这种传统的“试错法”来设计具有高非晶形成能力的合金，研发效率得不到很好的保证。即研究过去非晶合金材料新体系的探索主要依据经验性判据的指导，由于其准确性与通用性的限制，非晶新材料的研发速度非常缓慢。如何提高材料设计的效率，寻找具有更优性能的材料，是非晶材料领域非常具有挑战性的问题。机器学习作为解决很多人工智能问题的主流方法，正在作为一个独立的方向处于高速发展之中。机器学习算法分为回归和分类两种。2019年，wang等人利用了5种机器学习回归模型来预测铁基非晶的软磁性能，旨在加速高性能软磁材料的设计，但是wang等人提出的模型只能预测材料的软磁性能，不能设计高非晶形成能力的材料；2018 年，ward等人使用了随机森林分类算法预测材料的非晶形成能力，然而，该模型的精确度只有89％。


技术实现要素：

3.本发明的目的在于解决上述现有技术存在的缺陷，提供一种预测精度高的设计高非晶形成能力的合金方法。
4.一种设计高非晶形成能力的合金方法，采用fine knn分类器来预测材料的非晶合金形成能力。
5.进一步地，如上所述的方法，所述fine knn分类器的数据库包含55种元素、6652个数据。
6.进一步地，如上所述的方法，所述fine knn分类器的精准度为95.5％，真阳性率为96％，假阳性率为7％。
7.进一步地，如上所述的方法，所述fine knn分类器预测类为“真”时，auc ＝0.95；该预测类为“假”时，auc＝0.95；其中auc代表roc曲线围成的面积， auc值越大，分类器预测能力越强。
8.进一步地，如上所述的方法，所述非晶合金的制备方法，包括以下步骤：
9.步骤1)母合金的制备，按照化学组成为fe
81.6
si
0.2b14
nb
0.5
p
2.2c1.5
、 fe
81.8
si
0.2b13
nb
0.5
p2c
2.5
和fe
80.4
si
0.6b14.5
p2cu2nb
0.5
，首先采用电子天平称量原料，在抽真空并充入高纯氩气作为保护气体的气氛下，采用真空非自耗电弧熔炼炉对原料进行熔炼，制备成分均匀的母合金；
10.步骤2)铁基纳米晶软磁合金的制备，将步骤1所得母合金破碎为小块，放入无水乙
醇中进行超声清洗，清洗后干燥，放入石英玻璃管中，固定于铜辊线圈中央。在抽真空后充入氩气作为保护气体的气氛下，将甩带机中的母合金加热到熔融状态，通过喷嘴吹气喷射到高速旋转的铜辊上进行快速冷却，制备出合金薄带。
11.进一步地，如上所述的方法，所述非晶合金采用单辊旋淬甩带法制备合金薄带，使用xrd测试薄带表面结构。
12.进一步地，如上所述的方法，所述步骤1)抽真空的条件为真空度低于5*10-3 pa，所述熔炼次数为4次以上。
13.进一步地，如上所述的方法，所述步骤2)甩带的速度为40m/s，所述真空的条件为真空度低于5*10-3
pa。
14.有益效果：
15.本发明提供的方法，由于采用fine knn模型来预测材料的非晶形成能力， fine knn模型精准度高达95.5％，真阳性率高达96％，假阳性率低至7％，说明此模型在具有高预测能力的同时具有高泛化能力，能够极其准确的预测新型合金的非晶形成能力，大大的提高了非晶合金的研发效率，节省了人力物力资源。
16.此外，本发明由于该模型建立了一个覆盖面广，数据繁多的数据库，该数据库涵盖了55种元素，即这55种元素任意排列组合的体系都可以通过本发明中的fine knn模型来预测其非晶形成能力，因此，本发明中的数据库具有普遍性，从而使得设计高非晶形成能力的合金效率更高、使用范围更广。
17.而且，本发明方法提高了快速设计高非晶形成能力的合金的能力，在电力、电子等相关领域具有广阔的应用前景。
附图说明
18.图1为本发明fine knn模型建立的流程图；
19.图2为本发明实施例中fine knn分类器的roc曲线以及auc值；
20.图3为本发明实施例1制备的非晶合金的xrd图谱；
21.图4为本发明实施例2制备的非晶合金的xrd图谱；
22.图5为本发明实施例3制备的非晶合金的xrd图谱。
具体实施方式
23.为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.经分析，在设计非晶合金时，在合金中添加类金属元素硼，减少铁元素的含量，或者添加稀土元素等方法可以提高非晶形成能力，但是这种传统的“试错法”来设计材料使得新材料的研发效率极低，设计非晶合金时需要的理论知识复杂繁多，浪费了大量的人力物力资源，而且设计出来的合金能否形成希望的非晶态还未可知。
25.因此，通过先进的人工智能机器学习分类器来精准设计非静态合金可以有效的解决上述问题。
26.机器学习的分类器包含逻辑回归、决策树学习(trees)、支持向量机(svms)、临近算法(knns)、判别式算法等。但是每种算法都有其各自的特点，处理数据集的方式不同，数据集的大小、数据集特征的多少或者算法本身的参数调整例如惩罚值、近邻值的改变都会影响分类器的预测能力。
27.一个面面俱到的数据库是一个具有高精准度机器学习分类器的基础，在此，申请人从网络上知名期刊中收集了大量与非晶形成能力有关的数据并建立了一个庞大且每一个数据都很有代表性的数据库，该数据库包含了6652个数据，覆盖了55种元素包含过渡金属fe,ti,cr,mn,co,ni,cu,zn,y,zr,nb,mo,pd,ag, hf,ta,ir,pt,au,sc,w,v；后过渡金属al,ge,ga,sb,pb,sn；非金属b,c,n,o, h,p,si,as,f,te；碱土金属be,mg,ca,sr,ba以及镧系、锕系金属la,ce,tb,nd, er,yb,ho,sm,dy,gd,pr,u。
28.因此，本发明获得了一个设计高非晶形成能力合金的方法，该方法是采用 fine knn模型来预测材料的非晶形成能力。其中，设计该fine knn模型的方法为：使用22种机器学习分类器对上述数据库进行分类，综合比较每个分类器的精准度、真阳性率、假阳性率、roc曲线和auc值，最后选择具有最佳预测能力和泛化能力的分类器进行之后的关于非晶形成能力的预测。为了证明机器学习分类器的实用性，制备出经由分类器设计的合金样品，对其进行了xrd测试，如果在xrd图谱上未见任何尖锐的晶化峰，则证明机器学习分类器在预测非晶形成能力上的成功。
29.本发明提供一种基于机器学习分类器设计具有高非晶形成能力的合金方法，该方法使用了fine knn作为分类器极大的提高了非晶合金研发的效率，该分类器预测了三种具有非晶结构的合金，其化学式分别为：fe
81.6
si
0.2b14
nb
0.5
p
2.2c1.5
、 fe
81.8
si
0.2b13
nb
0.5
p2c
2.5
和fe
80.4
si
0.6b14.5
p2cu2nb
0.5
。
30.进一步地，该分类器精准度为95.5％，真阳性率为96％，假阳性率为7％，真阴性率为93％，假阴性率为4％。
31.进一步地，如图2所示，该分类器预测类为“真”时，auc＝0.95；该预测类为“假”时，auc＝0.95。其中auc是area under curve的缩写，代表着roc曲线围成的面积，auc值越大，分类器预测能力越强。
32.进一步地，采用单辊旋淬甩带法制备合金薄带，其特征在于：使用xrd测试薄带表面结构，在xrd图谱上未见任何晶化峰。
33.进一步地，所述的非晶合金的制备方法，包括以下步骤：
34.步骤1)母合金的制备，按照化学组成为fe
81.6
si
0.2b14
nb
0.5
p
2.2c1.5
、 fe
81.8
si
0.2b13
nb
0.5
p2c
2.5
和fe
80.4
si
0.6b14.5
p2cu2nb
0.5
，首先采用电子天平称量原料，在抽真空并充入高纯氩气作为保护气体的气氛下，采用真空非自耗电弧熔炼炉对原料进行熔炼，制备成分均匀的母合金；
35.步骤2)铁基纳米晶软磁合金的制备，将步骤1所得母合金破碎为小块，放入无水乙醇中进行超声清洗，清洗后干燥，放入石英玻璃管中，固定于铜辊线圈中央。在抽真空后充入氩气作为保护气体的气氛下，将甩带机中的母合金加热到熔融状态，通过喷嘴吹气喷射到高速旋转的铜辊上进行快速冷却，制备出合金薄带。
36.所述步骤1)抽真空的条件为真空度低于5*10-3
pa，所述熔炼次数为4次以上，保证合金的均匀性。
fe
81.6
si
0.2b14
nb
0.5
p
2.2c1.5
合金经过单辊旋淬法制备出来的合金具有完全非晶态结构，与实验测得的一致。
50.实施例2
51.基于机器学习分类器设计具有高非晶形成能力的合金方法及分类器可行性的实验验证，包括以下步骤：
52.步骤1)建立数据库，从journal ofalloys and compounds等国际知名期刊上收集关于非晶形成能力的数据，建立起一个涵盖了55种元素，数据数目多达6652 个的数据库。
53.步骤2)机器学习分类器的分类，使用22种机器学习分类算法包括simpletree,medium tree,complex tree,boosted trees,bagged trees,rusboosted trees, linear svm,quadratic svm,cubic svm,fine gaussian svm,medium gaussiansvm,coarse gaussian svm,linear discriminant,subspace discriminant,logisticregression,fine knn,medium knn,coarse knn,cosine knn,cubic knn和weightedknn对数据库进行分类，来预测材料的非晶形成能力。
54.步骤3)模型挑选，综合比较步骤2)中每个分类器的精准度、真阳性率假阳性率、真阴性率和假阴性率，挑选出准确率佳，真阳性率和真阴性率高，假阳性率和假阴性率低的分类器来进行非晶形成能力的预测，fine knn的精准度高达95.5％，真阳性率高达96％，假阳性率低至7％，说明此模型在具有高预测能力的同时具有高泛化能力。使用此模型设计出了一种新型合金，化学成分为fe
81.8
si
0.2b13
nb
0.5
p2c
2.5
，fine knn分类器预测该合金经过单辊旋淬法制备出来的合金具有完全非晶态结构。
55.步骤4)实验验证，对本发明实施例1制备得到的合金薄带 (fe
81.8
si
0.2b13
nb
0.5
p2c
2.5
)进行x射线衍射(xrd)测试，测试结果如图4所示。从图中可以看出，铸态样品的xrd图谱上未见任何晶化峰，说明该合金为完全非晶态。
56.结论：与机器学习分类器预测的一致，fine knn分类器预测 fe
81.8
si
0.2b13
nb
0.5
p2c
2.5
合金经过单辊旋淬法制备出来的合金具有完全非晶态结构，与实验测得的一致。
57.实施例3
58.基于机器学习分类器设计具有高非晶形成能力的合金方法及分类器可行性的实验验证，包括以下步骤：
59.步骤1)建立数据库，从journal ofalloys and compounds等国际知名期刊上收集关于非晶形成能力的数据，建立起一个涵盖了55种元素，数据数目多达6652 个的数据库。
60.步骤2)机器学习分类器的分类，使用22种机器学习分类算法包括simpletree,medium tree,complex tree,boosted trees,bagged trees,rusboosted trees, linear svm,quadratic svm,cubic svm,fine gaussian svm,medium gaussiansvm,coarse gaussian svm,linear discriminant,subspace discriminant,logisticregression,fine knn,medium knn,coarse knn,cosine knn,cubic knn和weightedknn对数据库进行分类，来预测材料的非晶形成能力。
61.步骤3)模型挑选，综合比较步骤2)中每个分类器的精准度、真阳性率假阳性率、真阴性率和假阴性率，挑选出准确率佳，真阳性率和真阴性率高，假阳性率和假阴性率低的分类器来进行非晶形成能力的预测，fine knn的精准度高达95.5％，真阳性率高达96％，假阳
性率低至7％，说明此模型在具有高预测能力的同时具有高泛化能力。使用此模型设计出了一种新型合金，化学成分为fe
80.4
si
0.6b14.5
p2cu2nb
0.5
，fine knn分类器预测该合金经过单辊旋淬法制备出来的合金具有完全非晶态结构。
62.步骤4)实验验证，对本发明实施例1制备得到的合金薄带 (fe
80.4
si
0.6b14.5
p2cu2nb
0.5
)进行x射线衍射(xrd)测试，测试结果如图5所示。从图中可以看出，铸态样品的xrd图谱上未见任何晶化峰，说明该合金为完全非晶态。
63.结论：与机器学习分类器预测的一致，fine knn分类器预测 fe
80.4
si
0.6b14.5
p2cu2nb
0.5
合金经过单辊旋淬法制备出来的合金具有完全非晶态结构，与实验测得的一致。
64.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。