文献类型：期刊文章

作　　者：苗海宾[1,2] 向朝建[3] 刘胜楠[2] 黄东男[2] 娄花芬[3]

MIAO Haibin;XIANG Chaojian;LIU Shengnan;HUANG Dongnan;LOU Huafen(China Academy of Information and Communications Technology,Beijing 100045,China;CHINALCO Materials Application Research Institute Co.,Ltd.,Beijing 102209,China;CHINALCO Research Institute of Science and Technology Co.,Ltd.,Beijing 102209,China)

机构地区：[1]中国信息通信研究院,北京100045 [2]中铝材料应用研究院有限公司,北京102209 [3]中铝科学技术研究院有限公司,北京102209

出　　处：《工程科学学报》

基　　金：北京市科技计划资助项目(Z191100004619010,Z201100004520023)。

年　　份：2023

卷　　号：45

期　　号：11

起止页码：1908-1917

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：材料领域数据具有小样本、噪声大、维度高、关系复杂、专家知识丰富的特点.利用专家知识增强机器学习建模效果具有必要性和可行性.本文通过计算自变量与因变量之间的秩相关系数,来定量描述成分状态因素与性能之间单调关系的强弱.在模型训练过程中,将秩相关系数加入到神经网络损失函数,实时评估模型输出与专家知识的相符程度,得到了专家知识增强的机器学习模型.对训练过程分析后发现,模型输出的合理性有显著提升,模型的输入输出规律与专家知识的相符程度达到了0.98以上(1.0为完全相符).基于所建模型,采用遗传算法进行了关于强度和导电率的多目标优化,找到了满足帕累托最优的高强高导铜合金成分并开展了实验验证.实验结果表明,强度在高达637 MPa的同时,导电率仍能保持在77.5%IACS(国际退火铜标准)的水平;导电率高达80.2%IACS的同时,强度仍能保持在600 MPa的水平.强度和导电率的预测值与实际值误差在5%以内.

关 键 词：专家知识 高强高导 机器学习  铜合金 多目标优化

分 类 号：TG146.11[材料类]