机器学习辅助高熵合金相结构预测

高熵合金由于其形成独特显微组织的固溶体、金属间化合物和非晶相而具有更好的物理化学性能．因此,高熵合金中的相预测是合金设计的第一步．采用机器学习算法中的支持向量机、随机森林和决策树3种模型对高熵合金的相位分类进行预测,通过网格搜索方法优化模型,并对模型进行交叉验证和性能评估．结果表明:随机森林的预测能力最佳,达到0.93的预测精度,且该模型对高熵合金固溶体相的分类效果最好,最后采用随机森林模型预测Ti Zr Nb Mo系难熔高熵合金的生成相,其预测生成相与实验结果一致．由此可见,机器学习技术对未来高熵合金的设计有很大的帮助．     

数据驱动的铝基复合材料性能预测和逆向设计

采用数据驱动的方法对 SiCp(0.5CNT)/7075Al 铝基复合材料的化学成分以及制备工艺进行了分析, 针对抗拉强度和延伸率两个力学性能进行了特征重要性分析, 构建了包含 8 种机器学习算法的集成框架, 自动进行模型的参数调优和最优模型选择, 并在此基础上进行了材料逆向设计. 实验结果表明, 在 470 ${^\circ}$C 固溶 40 min, 120${^\circ}$C 时效 15 h 的热处理工艺下, SiCp(0.5CNT)/7075Al-1.0Mg 复合材料抗拉强度和延伸率的预测值为 617.48 MPa 和 2.98%, 实验值为 647.0 MPa 和 3.31%, 两项物理性能的平均绝对百分比误差(mean absolute percentage errors, MAPE)较小, 依次为 4.56% 和 9.97%. 这说明本数据驱动方法对铝基复合材料的工艺优化和性能提升有一定指导意义.     

MoCrFeMnNi高熵合金退火后的组织和性能

高熵合金因具有高强度、耐腐蚀、耐高温氧化等优异的性能而备受关注.采用铝热反应法制备MoCrFeMnNi高熵合金,用XRD、SEM、EDS、显微硬度和压缩实验研究了铸态及700 ℃/12 h、800 ℃/6 h、1 000 ℃/3 h退火后合金的组织和性能变化.结果表明:铝热法制备的MoCrFeMnNi高熵合金为典型的枝晶形貌,晶体结构主要由BCC相、FCC相以及少量的σ相构成,其中枝晶区域为BCC结构,富含Mo和Cr元素;枝晶间区域为FCC结构,富含Ni元素.随着退火温度的上升,枝晶间逐渐析出纳米级σ相,使得合金硬度上升,在800 ℃/6 h退火处理后达到667 HV,抗压强度达到1 050 MPa;1 000 ℃/3 h退火后,σ相团聚成球状和针状并在高温下部分溶解,σ相的减少使得合金硬度下降,抗压强度与铸态时相当,塑性显著提升.     

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.     

铝/钢预置高熵合金粉末对接接头组织及力学性能

采用微束等离子的焊接方法进行6010铝合金/钢预置CrMnFeNiZr高熵合金粉末对接熔钎焊工艺试验,在合适的工艺参数下可获得成形较好的熔钎焊接头,对所得接头进行微观组织及力学性能分析.结果表明:焊接过程中CrMnFeNiZr高熵合金粉末发生熔化,和液态铝一同形成焊缝;接头界面区生成较平整的FeAl_3金属间化合物层,经显微硬度测试,该区域硬度最大,平均硬度为526.1 HV;经拉伸测试,试样断裂于铝合金/钢界面处,接头抗拉强度为104 MPa,和未预置高熵合金粉末的接头抗拉强度73.7 MPa相比,预置CrMnFeNiZr高熵合金粉末所得接头强度提高.     

Al与FeNiCoCrMn系高熵合金扩散焊界面研究

采用放电等离子烧结（SPS）对Al与FeNiCoCrMn高熵合金（HEA）及其六种子集（Ni、NiCo、FeNi、FeNiCo、NiCoCr、FeNiCoCr）进行固相扩散焊,探究了其扩散焊界面层微观组织、元素分布、相组成与显微硬度.结果表明,FeNiCoCrMn HEA对Al具有更好的扩散阻挡作用,其扩散焊界面层厚度最薄,仅为14.5 μm.Ni、NiCo、FeNi的扩散焊界面生成金属间化合物（IMCs）以Al3Ni-类型IMC为主,而FeNiCo、NiCoCr、FeNiCoCr、FeNiCoCrMn的扩散焊界面以Al13Fe4-类型IMC为主,且当Al13Fe4-类型IMC在界面IMC扩散层的占比越大,界面的软化效果越显著.FeNiCo合金与Al扩散焊界面软化效果最明显,界面硬度最低,仅为424 HV.     

退火温度对铝热法制备的TiCrFeMnNi高熵合金组织与硬度的影响

采用铝热法制备TiCrFeMnNi高熵合金,通过XRD、SEM、EPMA和硬度测试研究了铸态以及700、800、1 000℃退火后其组织和性能的变化.结果表明:铝热法制得的TiCrFeMnNi高熵合金为树枝晶结构,相组成包括体心立方相,面心立方相和σ相.铸态TiCrFeMnNi高熵合金的硬度可达615 HV.与铸态相比,随着退火温度的升高,σ析出相不断溶解,1 000℃退火后几乎完全溶解,硬度先明显上升后略有下降,分别为810、767、778 HV.     

高Ru和高Cr对镍基高温合金组织稳定性的影响

在多组元的镍基高温合金中分别和同时加入高Cr和高Ru,经固溶处理后,在800～1100℃下进行10～1300h时效处理,观察组织并分析Ru、Cr以及二者交互作用对合金组织稳定性的影响. 结果表明:在无Cr和Ru的合金中,经过1000℃/1300h时效处理后无TCP相析出;加入高Cr的合金仅20h就在晶界发现了TCP相,50h后在枝晶干出现TCP相;在1000℃时效,TCP相比其他温度更易析出. 在同时加Cr和Ru的合金中,经过1000℃/1000h时效后并未发现TCP相的析出. 这说明高含量的Cr促进了TCP相的形成,而高Ru的添加在高Cr合金中也能有效地抑制TCP相的析出,提高组织稳定性.     

基于特征选择和机器学习的材料弹性性能预测

利用机器学习方法进行材料性能预测研究,通过运用3种特征选择方法(Filter、RFE、LASSO)和3种机器学习模型(线性回归、岭回归、支持向量回归),从众多多尺度特征集中选择最佳的特征子集来预测无机化合物的弹性性能,归纳了预测材料弹性性能的最有效的、组合了特征选择与机器学习的预测模型,比较了特征选择方法在不同机器学习模型上的表现,分析了利用特征选择方法得到的特征子集.实验结果表明,Filter和SVR组合模型的预测结果最好,机器学习模型比特征选择方法对预测结果的影响更大,特征选择方法选出的特征子集中主要包括熔点、晶体结构、门捷列夫序号等材料特性.文中研究成果可为获得无机化合物弹性性能描述符和进一步开发更有效的材料性能预测方法提供参考.     

Phase stability in high entropy alloys: Formation of solid-solution phase or amorphous phase

The alloy design for equiatomic multi-component alloys was rationalized by statistically analyzing the atomic size difference, mixing enthalpy, mixing entropy, electronegativity, valence electron concentration among constituent elements in solid solutions forming high entropy alloys and amorphous alloys. Solid solution phases form and only form when the requirements of the atomic size difference, mixing enthalpy and mixing entropy are all met. The most significant difference between the solid solution forming high entropy alloys and bulk metallic glasses lies in the atomic size differen ce. These rules provide valuable guidance for the future development of high entropy alloys and bulk metallic glasses.     

基于机器学习方法的地震破坏预测

地震破坏预测研究对于建筑结构减灾规划、震前风险预测、震后应急评估有着重要意义。传统的方法因为受到震害资料数量的限制以及计算精度和能力的制约,一般基于经验只考虑少数因素对结构破坏的影响。通过使用随机森林算法,设计了一个综合考虑地震动、结构和场地等多维度信息的分类方法,用以预测建筑物的地震破坏程度。本文研究框架基于新西兰国家地震委员会所收集的27次地震详细破坏资料,处理得到14.2万条高质量建筑物损失数据,考虑了谱加速度、建筑形状、层数等16个影响因素,将4种不同的损伤状态作为模型的学习标签进行地震破坏预测训练。结果表明,随机森林算法在6种分类算法中性能最佳,经过学习曲线法调参、代价敏感学习之后,经过优化得到的随机森林模型对于测试集的整体预测精确率可以达到75.4%,对4种损伤标签的召回率分别达到了88.2%、55.0%、60.7%和70.8%,远好于其他方法。当只考虑对结果影响最重要的前12个因素,该模型的预测精度仍然能够达到73.7%。可见,基于此框架所训练的预测模型具有良好的精度与适用性,同时该框架对于中国震害资料大数据库的研究具有较高的参考价值。     

基于特征选择及机器学习的犯罪预测方法综述

基于警务数据和时空数据构建犯罪预测模型,利用机器学习手段进行案事件预测,在国家安全稳定领域具有重要的意义。犯罪预测涉及三个主要方面:特征选择与处理、预测模型和地理信息可视化。分析了犯罪预测理论与方法的基本思想,在探索犯罪的生成机理和演化规律基础上,对经验模型和时空模型研究成果进行了综述。在此基础上,对根据不同预测特征选取最优算法的策略进行了讨论,同时对比简述了各类算法的特点,并对现存问题和未来研究方向进行了探讨。     

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。     

基于机器学习算法的输电线路工程投资预测

技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切。针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting, XGBoost)算法的输电线路工程投资预测方法。通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine, SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高。     

基于样本冗余控制的材料属性机器学习预测模型

当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性样本的算法,从数据集中选择具有代表性样本;通过使用多种机器学习算法预测材料属性并进行比较,结果表明如果没有实行基准数据集的冗余控制,即使是随机原始数据集也可以由于高冗余样本而得到很好的预测性能指标;研究还发现使用具有代表性样本进行训练实际可以帮助训练出具有更高泛化能力和更具预测性的模型。因此,提出降低冗余度是评估材料性能预测模型的必要步骤。     

基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测

提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU...     

基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。