Loading…
一种探索高熵合金相形成的端到端机器学习框架
探索高熵合金(HEAs)的相形成规则对于新型合金的设计具有明确的指导意义.提出一种端到端的框架用来从特征池和模型池中分别选择特征子集和机器学习(ML)模型.在该框架中,模型池中的模型基于其获得的特征重要性来选择适合自身的特征子集;通过评估每个模型和其对应的特征子集的拟合结果,用于建立目标任务的预测模型;最终,获得影响HEAs相形成的重要因素.研究结果显示,建立的相预测模型可将 430种HEAs分成 5种相,测试准确度达到 87.8%,并且通过分析模型发现,当原子尺寸差异大于8.295%时,HEAs的单相固溶体的形成受到抑制....
Saved in:
Published in: | 中国有色金属学报(英文版) 2023, Vol.33 (7), p.2110-2120 |
---|---|
Main Authors: | , , , , , , , |
Format: | Article |
Language: | Chinese |
Online Access: | Get full text |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | 探索高熵合金(HEAs)的相形成规则对于新型合金的设计具有明确的指导意义.提出一种端到端的框架用来从特征池和模型池中分别选择特征子集和机器学习(ML)模型.在该框架中,模型池中的模型基于其获得的特征重要性来选择适合自身的特征子集;通过评估每个模型和其对应的特征子集的拟合结果,用于建立目标任务的预测模型;最终,获得影响HEAs相形成的重要因素.研究结果显示,建立的相预测模型可将 430种HEAs分成 5种相,测试准确度达到 87.8%,并且通过分析模型发现,当原子尺寸差异大于8.295%时,HEAs的单相固溶体的形成受到抑制. |
---|---|
ISSN: | 1003-6326 |
DOI: | 10.1016/S1003-6326(23)66247-8 |