一种基于机器学习的新型非晶合金设计方法

1.本发明涉及材料设计技术领域，具体为一种基于机器学习的新型非晶合金设计方法。


背景技术：

2.高性能合金是高端制造业强国战略发展的物质基础。随着社会和科技的发展，航空航天、国防科技、交通运输、石油化工等关乎国计民生的核心领域，对金属材料的性能提出了更为严苛的要求。传统合金是以一种或两种金属元素为主元，添加其它合金元素以获得良好的组织和性能。但是，目前传统合金体系的发展已趋饱和，新型高性能合金的设计与研发是未来材料学界的研究重点。
3.大块非晶合金，具有长程无序的结构特征，原子在占位上随机无序，也因此呈现出高强度，高硬度，优异的耐磨、耐腐蚀，以及优良的软磁性能和储氢性能，已在工业各个领域展现出应用前景，并极有可能未来在极端条件下服役。上世纪八十年代末，大块非晶合金的制备技术获得了飞速发展，在低于1000k/s的临界冷却速率下相继开发出一系列大块非晶合金，引发了材料领域的研究热潮。但是，目前大块非晶合金的研究在理论和技术上还存在许多问题，特别是玻璃形成机理尚不明确。
4.现有的非晶合金设计是基于经验准则的，如大的混合熵，负的混合焓，以及大的原子错配，但是该设计方法的准确率较低，仍需要配合传统的试错法来确定最终的合金配方。基于试错法的非晶合金设计具有耗时长，成本高的缺点。因此亟需开发一个高效准确的玻璃形成能力预测模型用于新型大块非晶的设计与研发。


技术实现要素：

5.针对上述情况，为弥补上述现有缺陷，本发明提供了一种基于机器学习的新型非晶合金设计方法，该方法通过对非晶合金的玻璃形成能力预测，提高合金玻璃形成能力的预测效率和精度，从而能够极大缩短非晶合金的设计周期，降低研发成本。
6.本发明提供如下的技术方案：本发明提出的一种基于机器学习的新型非晶合金设计方法，具体包括下列步骤：
7.s1:(1)获取n种合金的成分及其对应的相结构：每一种合金的成分、相结构为一组原始数据，n中合金的n组原始数据构成原始数据集，所述成分包括组成合金的元素及元素含量，所述合金的相结构为合金在在不同工艺下的相结构，原始数据集用于作为合金相结构预测的有效数据；
8.(2)数据预处理：根据下列公式计算原始数据集中每一种合金的功函数错配δw，熔化焓错配δ
hf
，价电子浓度vec，s层价电子浓度svec，平均沸点tb，以及平均族数g
p
；
9.[0010][0011][0012][0013][0014][0015]
其中，ai代表单一合金第i种元素的摩尔含量，wi、hfi、veci、sveci、t
bi
、g
pi
代表单一合金第i种元素的功函数、熔化焓、价电子数、s层价电子数、沸点、和在元素周期表中的族数；将δw、δ
hf
、vec、svec、tb、g
p
进行标准化处理后，与对应合金的相结构组成标准数据集；
[0016]
s2：将标准数据集随机均分为十份，其中九份作为训练集，一份作为验证集，训练并验证模型；然后，选取另外一份作为验证集，其余九份作为训练集，训练并验证模型；重复上述操作十次，直至划分的每一份都作为验证集；
[0017]
s3：根据步骤s2中的训练集建立基于专家知识指导的随机森林模型，设定随机森林模型中决策树的数量n的范围、决策树最大深度d的范围，以及决策树每个节点用于分裂的最大特征数f的范围，上述范围内的三个参数形成随机森林模型的参数集；利用贝叶斯优化的方法，在验证集上得到最佳的参数组合；从而得到最终的合金玻璃形成能力预测模型；
[0018]
s4：对于某一合金体系，计算步骤s1中的相关特征值δw、δ
hf
、vec、svec、tb和g
p
，作为步骤s3中的合金玻璃形成能力预测模型的输入，从而预测该合金体系下不同元素组成合金的相结构，以实现非晶合金的快速设计。
[0019]
采用上述结构本发明取得的有益效果如下：本发明提出的一种基于机器学习的新型非晶合金设计方法，通过建立合适的随机森林模型，可以以很小的误差预测不同体系非晶合金的相结构，比传统的试错法节省材料和时间成本，可以较为快速、准确的预测合金的玻璃形成能力。
附图说明
[0020]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0021]
图1为本发明提出的一种基于机器学习的新型非晶合金设计方法的流程框图；
[0022]
图2为本发明提出的一种基于机器学习的新型非晶合金设计方法的实施例的随机森林模型的roc曲线图；
[0023]
图3为本发明提出的一种基于机器学习的新型非晶合金设计方法的实施例的随机森林模型的混淆矩阵图。
具体实施方式
[0024]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0025]
需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
[0026]
如图1～3所示，本发明采取的技术方案如下：一种基于机器学习的新型非晶合金设计方法，该方法通过对非晶合金的玻璃形成能力预测，提高合金玻璃形成能力的预测效率和精度，从而能够极大缩短非晶合金的设计周期，降低研发成本。
[0027]
本发明提供如下的技术方案：本发明提出的一种基于机器学习的新型非晶合金设计方法，具体包括下列步骤：
[0028]
s1:(1)获取n种合金的成分及其对应的相结构：每一种合金的成分、相结构为一组原始数据，n中合金的n组原始数据构成原始数据集，所述成分包括组成合金的元素及元素含量，所述合金的相结构为合金在在不同工艺下的相结构，原始数据集用于作为合金相结构预测的有效数据；
[0029]
(2)数据预处理：根据下列公式计算原始数据集中每一种合金的功函数错配δw，熔化焓错配δ
hf
，价电子浓度vec，s层价电子浓度svec，平均沸点tb，以及平均族数g
p
；
[0030][0031][0032][0033][0034][0035][0036]
其中，ai代表单一合金第i种元素的摩尔含量，wi、hfi、veci、sveci、t
bi
、g
pi
代表单一合金第i种元素的功函数、熔化焓、价电子数、s层价电子数、沸点、和在元素周期表中的族数；将δw、δ
hf
、vec、svec、tb、g
p
进行标准化处理后，与对应合金的相结构组成标准数据集；
[0037]
s2：将标准数据集随机均分为十份，其中九份作为训练集，一份作为验证集，训练并验证模型；然后，选取另外一份作为验证集，其余九份作为训练集，训练并验证模型；重复上述操作十次，直至划分的每一份都作为验证集；
[0038]
s3：根据步骤s2中的训练集建立基于专家知识指导的随机森林模型，设定随机森林模型中决策树的数量n的范围、决策树最大深度d的范围，以及决策树每个节点用于分裂的最大特征数f的范围，上述范围内的三个参数形成随机森林模型的参数集；利用贝叶斯优化的方法，在验证集上得到最佳的参数组合；从而得到最终的合金玻璃形成能力预测模型；
[0039]
s4：对于某一合金体系，计算步骤s1中的相关特征值δw、δ
hf
、vec、svec、tb和g
p
，作为步骤s3中的合金玻璃形成能力预测模型的输入，从而预测该合金体系下不同元素组成合金的相结构，以实现非晶合金的快速设计。
[0040]
基于上述步骤进行前期实验，通过前期实验结果构建一个具有6000余个数据点的合金玻璃形成能力数据库，并建立机器学习模型，下面提出一个基于该机器学习模型的具体材料实施例：
[0041]
对于新材料la
55
al
20
cu
25
，计算功函数错配δw，熔化焓错配δ
hf
，价电子浓度vec，s层价电子浓度svec，平均沸点tb，以及平均族数g
p
，将上述六个属性的数值输入机器学习模型中，预测得到的相结构为大块非晶，意味着该材料la
55
al
20
cu
25
可以形成大块非晶。
[0042]
图2和图3所示，图2是本实施例随机森林模型的roc曲线图，所得随机森林模型判别大块非晶、带状非晶、以及晶态合金的roc曲线下面积都可以达到0.85以上，说明模型的准确度很高；图3是本实施例随机森林模型的混淆矩阵，对于非晶材料，本发明实例提供的机器学习模型的预测准确率和召回率都在80％以上。
[0043]
要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物料或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物料或者设备所固有的要素。
[0044]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。