文献类型：期刊文章

作　　者：王炯[1] 肖斌[2] 刘轶[1,2]

WANG Jiong;XIAO Bin;LIU Yi(Materials Genome Institute,Shanghai University,Shanghai 200444,China;International Centre for Quantum and Molecular Structures,Department of Physics,Shanghai University,Shanghai 200444,China)

机构地区：[1]上海大学材料基因组工程研究院,上海200444 [2]上海大学物理系量子与分子结构国际中心,上海200444

出　　处：《中国材料进展》

基　　金：国家科技部重点研发计划“材料基因组工程”项目(2017YFB0702901,2017YFB0701502);国家自然科学基金项目(91641128)。

年　　份：2020

卷　　号：39

期　　号：4

起止页码：269-277

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对目标性能的多元合金成分设计因具有巨大的成分参数空间而极具挑战,而且传统的试错实验由于效率低能探索的合金成分有限。提出利用高通量实验结合机器学习方法加速非等摩尔比的硬质高熵合金Co x Cr y Ti z Mo u W v的成分设计。首先通过自主研发的全流程高通量合金制备系统制备了138个不同成分的高熵合金铸态样品。然后根据测量的维氏硬度(HV)数据,使用随机森林法和支持向量机法进行机器学习建模,并预测了五元合金体系内潜在的3876个不同成分合金的硬度。随机森林机器学习模型的预测结果在高(HV>800 MPa)、中(600<HV<800 MPa)、低(HV<600 MPa)硬度区域的平均误差分别为2.87%,3.30%和6.70%,实验硬度值在对应区域的测量误差分别为1.69%,1.88%和1.87%。根据机器学习模型预测结果建立的“成分-硬度”与“描述因子-硬度”关系图谱展示了全成分空间内高熵合金的硬度变化规律及影响硬度的重要描述因子——原子半径差。研究结果表明,高通量实验与机器学习相结合可使多元合金成分优化效率提高百倍以上。此外,建议未来研究应在“机器学习”基础上加强“向机器学习”,在更高层次上获得新的专业知识认知。

关 键 词：高通量实验  机器学习  高熵合金 硬度  

分 类 号：TP181] TG146]