文献类型：期刊文章

作　　者：赵婉辰[1] 郑晨[1] 肖斌[1] 刘行[2] 刘璐[1] 余童昕[1] 刘艳洁[1] 董自强[1] 刘轶[1] 周策[3] 吴洪盛[3] 路宝坤[3]

ZHAOWanchen;ZHENG Chen;XIAO Bin;LIU Xing;LIU Lu;YU Tongxin;LIU Yanjie;DONG Ziqiang;LIU Yi;ZHOU Ce;WU Hongsheng;LU Baokun(Materials Genome Institute,Shanghai University,Shanghai 200444,China;Qianweichang College,Shanghai University,Shanghai 200444,China;Nanping Aluminum Corporation,Nanping 353099,China)

机构地区：[1]上海大学材料基因组工程研究院,上海200444 [2]上海大学钱伟长学院,上海200444 [3]福建省南平铝业股份有限公司,南平353099

出　　处：《金属学报》

基　　金：国家重点研发计划项目Nos.2017YFB0702901和2017YFB0701502。

年　　份：2021

卷　　号：57

期　　号：6

起止页码：797-810

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：结合高通量材料制备实验与基于Bayesian优化采样策略的主动学习方法,开发了有效的机器学习模型来描述合金元素组成与硬度之间的关系,并分析关键微量元素含量对硬度的影响。研究发现,经过3轮迭代64个铝合金样品建模后,Bayesian取样策略方法的预测硬度误差为4.49 HV(7.23%),远低于应用人工经验采样法的机器学习模型误差9.73 HV(15.68%),且当铝合金中的Mg和Si比值Mg/Si在1.37~1.72时,具有较高的合金硬度。通过在6061铝合金标准名义成分范围内进行成分精细优化以及性能调控,为工业上提高产品质量提供了可实现的策略.

关 键 词：机器学习  Bayesian优化  高通量实验  6061铝合金 成分精细优化  

分 类 号：TG146.2[材料类]