一种设计高熵合金的方法、设备以及存储介质与流程

本发明涉及高熵合金，具体而言，涉及一种设计高熵合金的方法、设备以及存储介质。

背景技术：

1、高熵合金由摩尔分数在5％～35％之间的五种或五种以上的元素组成，这使得高熵合金具有高强度、高硬度和耐高温等优异性能，被广泛应用于材料科学等众多领域。高熵合金巨大的元素组成空间为提高力学性能提供了宝贵机会，但也为元素优化创造了重大挑战。

2、高熵合金的性能会受到所组成的多种元素的元素比例和原子排列的影响，不同元素之间复杂的相互作用，更使得元素含量和合金硬度之间难以建立联系。硬度作为材料弹性、塑性、强度、韧性等力学性能的重要指标，对于高熵合金的设计和应用具有重要意义。随着计算机网络和材料科学领域的蓬勃发展，相图计算、相场模拟、密度泛函理论、分子动力学等方法辅以高通量技术已经被广泛应用到合金的元素设计和性能优化中。然而，如何高效地利用已知信息降低实验成本、提高计算效率并缩短开发周期仍然是材料科学高熵合金研究领域的一大瓶颈。机器学习的出现弥补了传统的实验、模拟和计算方法的不足，在缩短了研发周期的同时降低了实验成本。li等改进传统的遗传算法，引入了特征重要度和基因操作的概念，实现了al-co-cr-cu-fe-ni系高熵合金的硬度预测，但该方法仅针对单个合金体系，不具有普适性；chen等人提出了一个基于机器学习的合金设计系统(mads)，将高熵合金的原子特征和经验参数作为输入，建立了基于支持向量机的硬度预测模型，该方法需要进行特征计算并合理选择特征组合，不适用于具有高维特征集的高熵合金硬度预测。

3、在引入机器学习预测高熵合金硬度的过程中，合金元素中不同含量之间的耦合效应会对预测结果造成极大的影响，再加上物理参数、加工条件的不同，也会增加构建特征与合金硬度之间关系的复杂性，这种多成份、多物理参数之间的关系往往是多维非线形的，将会极大的影响模型的可行性，甚至出现过拟合现象。

技术实现思路

1、本发明解决的问题是：提供一种设计高熵合金的方法、设备以及存储介质，用于设计高熵合金以及针对高熵合金性能优化提供有力的支持。

2、为解决上述问题，本发明提供一种设计高熵合金的方法，包括以下步骤：

3、s1、从高熵合金数据库中获取不同高熵合金的各项特征数据，对各项特征数据进行预处理；

4、s2、构建多个输入为各项特征数据，输出为高熵合金硬度的机器学习模型；构建输入为高熵合金硬度，输出为各项特征数据的神经网络模型；

5、s3、将各项特征数据划分为训练集与测试集，训练各机器学习模型以及神经网络模型；

6、s4、从各机器学习模型中选择最优机器学习模型；

7、s5、将第一高熵合金硬度值输入神经网络模型得到待定高熵合金各项特征数据；

8、s6、将待定高熵合金各项特征数据输入最优机器学习模型，得到第二高熵合金硬度值，对比第二高熵合金硬度值与第一高熵合金硬度值，如果误差在预设的阈值范围内，则待定高熵合金各项特征数据确定；如果误差在阈值范围外，则转向步骤s7；

9、s7、调整神经网络模型隐藏层参数，使得第二高熵合金硬度值与第一高熵合金硬度值小于或等于阈值范围。

10、本方法可以通过在完成训练的神经网络模型中输入第一高熵合金硬度值，得到定高熵合金各项特征数据，如果硬度小于或等于阈值范围，则待定高熵合金各项特征数据确定，说明该待定高熵合金各项特征数据可以供工作人员参考设计高熵合金；如果硬度误差大于阈值范围，则调整神经网络模型隐藏层参数，使得第二高熵合金硬度值与第一高熵合金硬度值小于或等于阈值范围，这样可以修正神经网络参数，使得神经网络更加准确；本方法通过两个模型互相对照修正，且互相采用了反向传播的逻辑，使得高熵合金设计的效率高、成本低、精度高、稳定性好，能够为高熵合金的设计和性能优化提供有力的支持。

11、进一步地，步骤s1中，数据预处理包括：

12、s11、数据清洗，删除各项特征数据中的无效数据和缺失数据；

13、s12、数据降维，删除各项特征数据中的无关数据和冗余数据；

14、s13、数据归一，对各项特征数据进行归一化处理，归一化的公式如下：

15、

16、其中，x为各项特征数据的值，xmax为各项特征数据的最大值，xmin为各项特征数据的最小值。

17、上述设置中，删除各项特征数据中的无效数据和缺失数据可以防止影响训练结果，删除各项特征数据中的无关数据和冗余数据可以防止出现过拟合现象，归一化方便数据在各机器学习模型中操作，也方便在神经网络中向下游输出。

18、进一步地，步骤s2中，各机器学习模型分别为线性回归模型、决策树模型、随机森林模型以及极端梯度提升模型。

19、上述设置的四个模型可以满足输入为各项特征数据，输出为高熵合金硬度的要求。

20、进一步地，步骤s4中，通过十折交叉验证从各机器学习模型中选择最优机器学习模型。

21、上述设置的十折交叉验证可以准确评估各机器学习模型性能，且一定程度上可以避免欠拟合和过拟合的问题。

22、进一步地，步骤s6中，在最优机器学习模型中引入shap解释模型用于对第二高熵合金硬度值进行解释性分析。

23、上述设置的shap解释模型可以解释各项特征数据对预测结果的贡献程度，提高可解释性。

24、本申请还提供一种电子设备，包括：

25、存储器，用于保存计算机程序；

26、处理器，用于执行计算机程序，以实现上述任意一项所述的一种设计高熵合金的方法。

27、本申请还提供一种计算机可读存储介质，用于存储计算机程序；当计算机程序被处理器执行时，实现上述任意一项所述的一种设计高熵合金的方法的步骤。

技术特征：

1.一种设计高熵合金的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种设计高熵合金的方法，其特征在于，步骤s1中，所述数据预处理包括：

3.根据权利要求2所述的一种设计高熵合金的方法，其特征在于，步骤s2中，各所述机器学习模型分别为线性回归模型、决策树模型、随机森林模型以及极端梯度提升模型。

4.根据权利要求3所述的一种设计高熵合金的方法，其特征在于，步骤s4中，通过十折交叉验证从各所述机器学习模型中选择最优机器学习模型。

5.根据权利要求4所述的一种设计高熵合金的方法，其特征在于，步骤s6中，在所述最优机器学习模型中引入shap解释模型用于对所述第二高熵合金硬度值进行解释性分析。

6.一种电子设备，其特征在于，包括：

7.一种计算机可读存储介质，其特征在于，用于存储计算机程序；当所述计算机程序被处理器执行时，实现如权利要求1至5任意一项所述的一种设计高熵合金的方法的步骤。

技术总结
本申请提供一种设计高熵合金的方法，包括从获取各项特征数据并预处理；构建多个机器学习模型以及神经网络模型；训练各机器学习模型以及神经网络模型；选择最优机器学习模型；第一高熵合金硬度值输入神经网络模型得到待定高熵合金各项特征数据；将待定高熵合金各项特征数据输入最优机器学习模型，得到第二高熵合金硬度值，对比二者硬度误差小于或等于阈值范围，如果误差大于阈值范围，则调整神经网络模型隐藏层参数，使得第二高熵合金硬度值与第一高熵合金硬度值小于或等于阈值范围；本申请效率高、成本低、精度高、稳定性好，能够为高熵合金的设计和性能优化提供有力的支持。

技术研发人员：吕月,任潞,周健行,陈稼晋,陈煜伦,所新坤,陈秀勇,张勤号
受保护的技术使用者：金利合金制造工业（宁波）有限公司
技术研发日：
技术公布日：2024/9/2