摘要：将机器学习方法应用于U-Mo合金等温分解参数的快速设计,以合金硬度为设计指标,基于少量数据建立了合金硬度与上述参数之间的机器学习支持向量机模型。在对硬度预测的基础上,比较了基于预测值和基于预期提高的2类实验设计算法在优化效率方面的差异。结果表明,基于预期提高的实验设计算法通过少量迭代试验能够明显提高合金硬度,而基于预测值的设计算法对硬度提高不明显。应用上述机器学习辅助设计方法,通过4次实验成功地确定了该合金等温分解最佳参数组合为时效温度565℃,时效时间20 h以上,均匀化处理温度为900~950℃,Mo含量为6%(质量分数),在该工艺窗口下处理的合金硬度最高,制粉率最高。本研究对利用机器学习方法快速优化U基合金工艺参数进行了初步尝试,这类基于数据的方法能够有效提高材料研发效率。