基于机器学习的低弹性模量钛合金建模和预测的研究

针对钛合金弹性模量快速预测的需要,采用合金设计公式对原始合金数据进行转换,利用转换所得的Mo当量、d-电子结合次数和d-电子结合能作为数据集;采用多层感知器、随机森林网络和卷积神经网络三种机器学习方法,基于数据驱动方式搭建钛合金成分与弹性模量的关系模型。结果表明,相比随机森林网络模型和卷积神经网络模型,多层感知器模型具有更优的预测性能和预测精度。此外,多层感知器模型的预测能力符合预期,其相关指数评分达到0.66,均方根误差为7.54 GPa;说明多层感知器适用于医用钛合金的数据挖掘和研发。     

基于特征工程和机器学习的铝基高熵合金稳定性预测

铝基复合材料具有众多优异的性能, 应用前景较好. 以简单稳定相的高熵合金可以作为增强颗粒来制备铝基复合材料, 其各方面力学性能都显著提升. 提出了一种基于结合了特征工程和机器学习的新方法来研究高熵合金相稳定性. 该方法利用特征工程筛选出影响目标属性的重要因素, 然后选择相应的回归方法预测相稳定性. 使用 50% 的数据集进行训练, 并在其余数据集上进行测试验证. 研究结果表明, 该方法在预测高熵合金的相稳定性方面具有较高的准确性($R^{2}$=0.994), 且能辅助找到影响相稳定性的关键因素.     

机器学习在高熵电催化材料中的研究进展

高熵材料(high-entropy material, HEM)是一类具有良好性能的新型材料,以其较好的催化潜力、耐腐蚀性能等特点受到广泛关注.传统的高熵催化剂研究大多局限于各自的知识体系,难以兼容合并,不利于更优异的催化剂的后续研发.机器学习(machine learning,ML)作为一种基于大数据集来建立数理模型、进行研究推理的新兴学科,正逐步成为人们重点关注的人工智能科学分支.通过机器学习建立大数据库可以有效改善传统的研究状况,使研究效率大为提高.机器学习能用于识别定量的组分-结构-性能关系,通过从历史数据中学习而无需通过显式编程来加速电催化剂的设计.对机器学习算法、高熵材料进行了介绍,并阐述了机器学习在设计高熵电催化剂中的应用,讨论了机器学习在高熵电催化剂筛选和预测方面的发展前景.     

Ti-Zr-Nb固溶体合金动态压缩强度的机器学习模型优化

Ti-Zr-Nb固溶体合金具有优异的强塑性匹配和撞击释能活性，在杀爆战斗部毁伤元和聚能战斗部药型罩材料领域极具应用价值.为了实现Ti-Zr-Nb合金及类似固溶体合金的动态力学性能精准预测，并支撑战斗部材料的精准设计与成分优化，采用粉末冶金法制备了56种Ti-Zr-Nb合金，并测试了材料的动态压缩强度，在此基础上开展了Ti-Zr-Nb合金动态压缩强度预测的机器学习模型优化、主控参量筛选研究，优化后的模型实现了合金动态压缩强度的预测误差<8%，并揭示了影响合金动态压缩强度的3个关键主控参量及权重排序：Δχ>G>δ_G.采用优化后的模型成功设计了具有更高动态压缩强度的合金成分，经试验验证，所设计的材料动态压缩强度达到3 100 MPa，高于同类固溶体合金.     

大块金属玻璃及高熵合金的合金化作用

摘要研究了合金化对大块金属玻璃和高熵合金的组织和性能的影响．结果表明Nb元素能有效改善W纤维／Zr基大块非晶复合材料的界面结合状态,从而改善材料的力学性能;稀土Y元素大的原子半径,使合金形成的晶体产生附加的晶格畸变能,从而降低晶体的稳定性,进而使得合金玻璃形成能力也相应提高,所产生晶格畸变能的大小与形成晶体的致密度有关;Mg基大块非晶合金可以通过合金化生成长周期相韧化的复合材料,从而具有优异的塑性变形能力和比强度;高熵合金通过适当合金化手段能够形成以无序固溶体为主的组织,并具有不弱于大块非晶合金的室温力学性能．     

基于分类精度和相关性的随机森林算法改进研究

为了提升传统随机森林算法的分类精度,本文首先对传统随机森林模型中的决策树根据分类性能评价指标AUC值进行降序排列,从中选取出AUC值高的决策树,计算这些决策树之间的相似度并生成相似度矩阵,然后根据相似度矩阵对这些决策树进行聚类,从每一类中选出一棵AUC最大的决策树组成新的随机森林模型,从而达到提升传统随机森林算法分类精度的目的。通过UCI数据集的实验表明,改进后的随机森林算法分类精度上最大提高了2.91%。     

基于随机森林的A股股票涨跌预测研究

针对传统预测模型易陷入过拟合、缺失数据敏感、计算量大等不足,利用随机森林算法的双重随机性、处理数据集优异等特点,对A股股票涨跌预测进行研究。首先运用相关性分析对初始指标体系进行一次Spearman和二次Pearson筛选,去除指标体系中的冗余指标。然后对随机森林的各项重要参数进行优化,并对优化后的模型采用重要性估计方法以提升训练模型精确度。通过不同指标体系的对比,验证实验过程的正确性。最后,对比不同建模方法的实证预测结果,表明随机森林模型比传统机器学习方法二元logistic回归在性能上更优越,具备较高的预测准确度。     

球磨制备Mg-In-Zn三元固溶体的储氢性能及机理

采用"烧结-球磨"方法制备Mg0.92In0.05Zn0.03三元固溶体合金,减小了Mg的晶格常数.利用粉末X-射线衍射分析合金的相组成、微观结构和吸放氢过程的相转变,通过扫描电镜观察合金的微观形貌及相分布.采用体积法测定合金的等温吸放氢曲线(PCT)和动力学曲线,确定了合金的吸放氢反应焓变、熵变及氢化反应激活能.结果表明:Mg0.92In0.05Zn0.03三元固溶体具有良好的活化性能和动力学性能,脱氢反应焓降低至-68.6 kJ/mol H2.     

基于Lightgbm和XGBoost的优化深度森林算法

教育规模不断扩大，高校在校生人数持续上升，导致学生的能力参差不齐.为了提升教育水平，教师需掌握学生在校期间的学习状态，预测学生期末成绩是教师掌握学生学习状态的重要途径之一.目前的研究工作主要采用传统的机器学习算法进行成绩预测，如随机森林、贝叶斯、深度森林等，但精度不高；也有利用深度学习算法进行预测，但模型缺少可解释性. Lightgbm(Light Gradient Boosting Machine)算法内存消耗低，时间复杂度低，而XGBoost(eXtreme Gradient Boosting)算法精度高.因此，基于提高精度与降低模型内存消耗的策略，将深度森林中的随机森林与极限随机森林模块分别替换为Lightgbm和XGbBoost，提出一种基于Lightgbm和XGBoost算法的优化深度森林算法LIGHT-XDF.在八个数据集上与其他模型进行对比实验，结果表明，LIGHT-XDF算法的综合性能最好.     

基于随机森林的股权众筹项目风险评估研究

为给不同风险风险偏好的投资者提供决策参考,提高风险评估精度,针对股权众筹交易过程中的风险问题,采用机器学习算法构建随机森林模型,对抓取的数据进行分析.研究发现,随机森林模型分类正确率为93.75%,明显优于其他分类算法,其中分红的次数和及时与否,以及公司信誉在股权众筹风险评估中显得尤其重要.     

基于分类精度和相关性的随机森林算法改进

为了提升传统随机森林算法的分类精度,首先对传统随机森林模型中的决策树根据分类性能评价指标AUC(area under curve)值进行降序排列,从中选取出AUC值高的决策树,计算这些决策树之间的相似度,并生成相似度矩阵;然后根据相似度矩阵对这些决策树进行聚类。从每一类中选出一棵AUC最大的决策树组成新的随机森林模型,从而达到提升传统随机森林算法分类精度的目的。通过UCI(university of Californialrvine)数据集的实验表明,改进后的随机森林算法在分类精度上最大提高了2.91%。     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.     

二元合金超微粉末中化合物相生成规律的研究

采用感应加热式的气相蒸发法制备了 Mg- Sb,Bi- Mg,Pb- Mg,Mg- Zn和 Sb- Zn五种合金的超微粉末 ,研究了超微粉末中的相生成规律及粉末粒子的形貌和组织特征 .在 5种合金的超微粉末中均未出现在其合金相图上不存在的化合物相或固溶体相 .在 Mg- Sb合金超微粉末中生成了β-Mg3Sb2 高温相 ,在 Bi- Mg合金超微粉末中生成了 γ- Mg3Bi相 ,在 Mg- Zn合金超微粉末中生成了ε- Mg Zn2相 ,在 Sb- Zn合金超微粉末中生成了 Sb Zn,Sb3Zn4 和 Zn3Sb2 化合物相 ;对于在相图上同时存在固溶体相和化合物相的 Pb- Mg合金 ,超微粉末中只生成了β- Mg2 Pb相 ,未发现固溶体相 .各种合金超微粉末粒子的形貌与相应的纯金属超微粉末的形貌不同 ,形状不规则 ,表面粗糙 ,含有化合物相的粒子衬度不均匀 ,为复相混合组织     

Mg-Zn合金的热力学性质计算

组元活度的获得是合金热力学性质研究的一个重要方面．在各种预测合金热力学性质的模型中,Miedema模型是近年来发展得较为完善和准确的模型．文中根据Miedema合金生成焓模型,计算了Mg—Zn合金的生成焓,进而计算出了1000K时Mg—zn合金熔体中zn的活度曲线．计算结果表明,由于Mg—zn合金的生成焓值较小,在计算活度的过程中,过剩熵值对计算结果的影响较大,在引入过剩熵值后的活度计算值与实验值吻合较好．     

随机森林的融合模型在压井方法分类中的研究

针对井口压力控制作业中传统方法过度依赖专家经验和数学模型运算精度的问题,提出一种基于随机森林(Random Forest,RF)的多模型融合算法对压井方式进行分类判断。首先,将专家经验结构化、数据化,转化成可被机器学习模型使用的数据形式,同时,结合油气井的基础数据和工况参数,作为智能模型的重要参数来描述压井作业的特征空间;然后,将特征数据通过特征工程进行特征筛选、特征编码和特征选择等处理;最后,构建出基于随机森林的Stacking双层融合模型,实现压井方法的分类预测。通过实验验证,与单模型的机器学习算法相比,本方法具有更高的预测精度。     

聚丙烯复合材料老化数据集成学习

聚丙烯复合材料老化实验周期长, 且单次实验采集的数据样本少, 使用传统机器学习方法进行预测的准确度较低. 为了解决聚丙烯复合材料老化数据样本少与预测准确性低的问题, 提出了一种虚拟样本生成(virtual sample generation, VSG)的集成学习预测方法. 首先, 对聚丙烯复合材料老化数据使用高斯混合模型(Gaussian mixed model, GMM)虚拟样本生成方法平滑生成验证有效的虚拟样本; 然后, 使用生成后的数据集建立集成学习预测模型, 该模型包含随机森林(random forest, RF)、极端梯度提升(extreme gradient boosting, XGBoost)算法、轻量级梯度提升机(light gradient boosting machine, LightGBM)算法以及分类梯度提升(categorical boosting, CatBoost)算法. 实验表明: 集成学习模型的 LightGBM 算法与 CatBoost 算法性能最优, 在测试数据上均方误差为 0.001 3 与 0.000 1, 比 RF 算法与 XGBoost 算法分别高出 0.4 与 0.2. 聚丙烯复合材料老化虚拟样本生成与集成学习方法可以有效解决实验周期长、单次实验采集的数据样本少的问题, 并可取得比单一机器学习算法更优的性能.     

基于递归特征消除和Stacking集成学习的股票预测实证研究

该文以沪深300为投资标的池,选取波动指标、收益指标、经典技术指标和交易指标等4大类指标共24个二级指标作为评价因子,用递归特征消除法结合Stacking集成学习以及传统的随机森林、支持向量机和逻辑回归等4个机器学习算法分别构建分类模型,预测投资标的池中周频收益率排名前20%的股票标的,为投资者提供量化投资策略.实证研究对这4个模型的分类预测效果进行了比较.结果表明,基于递归特征消除法和Stacking集成学习的模型的预测性能最高,其AUC值达到0.644 7,准确率为60.21%,精确率为59.87%,召回率为62.65%,F1值为61.23%.因此,基于递归特征消除法和Stacking集成学习的模型能够有效地为投资者选取高收益率的投资标的,是一个可行的基于机器学习的量化投资策略.     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。     

Zn对Cu-Ni-Ti合金电导率和硬度的影响研究

为进一步提高Cu-Ni-Ti合金的导电性能及力学性能,通过添加元素Zn以提高其综合使用性能。根据材料制备工艺过程,制备了不同Zn含量的铸态、轧制态、时效态的Cu-Ni-Ti-Zn合金,分别进行了硬度及电导率测试;通过金相组织分析、扫描电镜及能谱分析,对合金的显微组织及第二相形貌、成分进行了分析;结合差热分析,对时效后的生成相进行了研究,采用Miedema理论模型对各生成相进行了热力学计算。分析结果表明,Zn在Cu-Ni-Ti合金中主要以固溶体的形式存在,并通过细化晶粒作用强化Cu-Ni-Ti合金,同时可促进其他元素的时效析出,从而提高合金的硬度,并保持较高的导电性能。研究结果可为引线框架用铜合金的制备提供参考。     

基于随机森林算法的城区土地覆盖分类研究

随机森林算法是一种高度灵活且易于使用的机器学习算法,目前在遥感影像分类中应用广泛。为了验证其在城市土地覆盖分类中的效果,本文对河南省洛阳市局部城区进行了土地覆盖分类实验,将Landsat 8(OLI)遥感影像的光谱波段、光谱指数和纹理特征相结合,构成多种特征组合进行随机森林算法分类比较,选择分类效果最佳方案,并与支持向量机方法进行比较。后利用随机森林算法对该组合特征变量高维数据进行降维处理,得到优化特征方案。实验结果表明:采用多源特征组合的随机森林算法的土地利用分类效果最佳,总体精度为90.54%,Kappa系数为0.890,比支持向量机方法的分类精度提高了3.1%;降维处理后的特征方案与随机森林结合在保证分类结果拥有高准确度的同时,减少了运算时间,实现了土地覆被类型信息的高效获取。表明随机森林算法在城区土地覆盖分类上有很好的适用性与稳定性。