排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
采用k近邻(KNN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)和人工神经网络(ANN)5种机器学习(ML)方法对RHEAs中固溶体(SS)、混合固溶体和金属间化合物(SS+IM)进行了分类和预测。选择了5个输入相预测参数作为特征以及139组RHEAs数据以训练ML模型。结果表明,ANN模型的预测准确率最高,达到90.72%。9组新的四元和(TiVTa)xCr1–x体系RHEAs的实验结果显示,RF和ANN的预测精度更高,精准预测了11个SS和3个SS+IM合金的相组成。采用了SHAP(SHapley Additive exPlanations)模型来解释精度最高的ANN模型,并研究每个特征对相形成的贡献。5个特征的重要性顺序是混合焓(ΔHmix)、原子尺寸差(δ)、价电子浓度(VEC)、混合熵(ΔSmix)和电负性差(Δχ),其中ΔHmix的平均SHAP值大约是Δχ的5倍,是ΔSmix的4倍。较大的ΔHmix<... 相似文献
2.
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。 相似文献
1