摘要：针对传统高熵合金制备试验成本高、周期长、不可控因素等问题,文中通过机器学习模型进行高熵合金相阶段预测,进行了多分类和多标签分类,利用主流机器学习算法进行建模,并通过特征重要性分析及超参数调优进行比较,探究了不同算法对预测结果的影响。研究结果表明:多分类支持向量机(SVM)达到0.86的准确率,多标签随机森林(RF)达到了0.94的准确率;机器学习可以提供可靠的合成特性特性,在合金合成时,电负性(Δχ)和价电子浓度(VEC)可作为主要考虑因素。高熵合金和机器学习的结合有望为改进合金系统的设计提供参考。

摘要：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。

摘要：探索高熵合金(HEAs)的相形成规则对于新型合金的设计具有明确的指导意义。提出一种端到端的框架用来从特征池和模型池中分别选择特征子集和机器学习(ML)模型。在该框架中,模型池中的模型基于其获得的特征重要性来选择适合自身的特征子集;通过评估每个模型和其对应的特征子集的拟合结果,用于建立目标任务的预测模型;最终,获得影响HEAs相形成的重要因素。研究结果显示,建立的相预测模型可将430种HEAs分成5种相,测试准确度达到87.8%,并且通过分析模型发现,当原子尺寸差异大于8.295%时,HEAs的单相固溶体的形成受到抑制。