首页|机器学习指导相和硬度可控的AlCoCrCuFeNi系高熵合金设计

机器学习指导相和硬度可控的AlCoCrCuFeNi系高熵合金设计

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
采用机器学习辅助高熵合金设计,致力于解决传统试错实验方法时间周期长、成本高的问题.以经典的AlCoCrCuFeNi系高熵合金为研究对象,采用机器学习方法,分别构建高熵合金的相结构预测模型和硬度预测模型.其中支持向量机模型(SVM)在两个任务中均有最好的训练表现,最佳的相分类准确率达0.944,硬度预测模型的均方根误差为56.065HV.进一步串联两种机器学习模型,基于样本数据集上下限的成分空间,对AlCoCrCuFeNi系高熵合金同时进行相和硬度的高效预测和筛选,实现新型合金成分的快速设计.实验验证5种新合金符合相预测结果,测试硬度与预测硬度值的RMSE为12.58HV,表明建立的机器学习模型实现对高熵合金相和硬度的高效预测.
Machine learning guided phase and hardness controlled AlCoCrCuFeNi high-entropy alloy design

machine learninghigh entropy alloyphase predictionhardness predictioncomposition design

李亚豪、叶益聪、赵凤媛、唐宇、朱利安、白书欣

展开 >

国防科技大学空天科学学院材料科学与工程系,长沙 410073

机器学习 高熵合金 相预测 硬度预测 成分设计

国家自然科学基金面上项目国家自然科学基金联合基金

52171166U20A20231

2024

10.11868/j.issn.1001-4381.2023.000108

材料工程
中国航发北京航空材料研究院

材料工程

CSTPCD北大核心
影响因子：0.78
ISSN：1001-4381
年,卷(期)：2024.52(1)
  • 3