基于多模型机器学习的合金结构钢回火力学性能研究

钢的回火力学性能曲线是回火工艺参数优选的基础，机器学习为回火工艺参数的优选提供了新的高效途径。本工作采用ANN、IBK、Bagging、Randomtree和M5Rules等多种机器学习模型算法预测合金结构钢的回火力学性能。2950组钢回火性能数据提取于国家材料科学数据共享网，以化学成分、回火温度作为输入特征，以抗拉强度、屈服强度和维氏硬度作为输出目标。采用相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)和相对误差(δ)进行模型的评估与定型。结果表明：回火抗拉强度、屈服强度、维氏硬度的预测分别采用IBK、Randomtree和Bagging算法能够得到更高的预测精度，相对误差分别集中于±6%、±10%、±10%。使用最佳模型对测试集四种钢的回火力学性能预测结果良好，预测精度高于JMatPro软件和经验公式的计算结果。限于已有成分特征数据分布的不均衡，为进一步扩展模型的预测精度与泛化性，需积累更多关于微合金V、Ti、B等方面的数据。