一种利用成分预测高熵合金硬度的方法

1.本发明涉及高熵合金硬度预测技术领域，具体是一种利用成分预测高熵合金硬度的方法。


背景技术：

2.传统合金是将微量元素加入到一种或两种主要元素中以提升合金性能。而高熵合金打破传统合金的设计理念，由五种及五种以上摩尔分数在5％～35％之间的元素组成，每种元素均为主元素。与传统合金不同，高熵合金可以形成单相固溶体结构。随着研究的深入，研究学者发现通过调控成分可以促使高熵合金发生相转变或者析出第二相以改善合金性能。
3.通常通过实验来测定高熵合金的硬度，但这一方法耗时耗力。同时在高熵合金巨大的成分空间内很难进行高通量实验和表征来探寻高硬度高熵合金。虽然通过第一性原理等计算方法可以加快高熵合金设计，但这样的计算过于昂贵。而随着人工智能的发展，机器学习与深度学习开始广泛应用于搜索高性能材料，这为预测高硬度高熵合金提供了思路。
4.上海大学陆文聪、哈尔滨理工大学刘东戎、印度理工学院sheetal kumar dewangan、美国宾夕法尼亚州伯利恒理海大学j.m.rickman等人使用机器学习实现对高熵合金硬度的预测，但是该工作需要计算高熵合金的热物理及其他相关特征，同时还需要进行特征工程剔除高度相关的特征。这是一个繁琐的过程，特征计算误差以及不同的选择方案也会影响预测结果。
5.因此，有必要设计一种利用成分预测高熵合金硬度的方法，以解决现有高熵合金硬度预测方法成本高、过程繁琐、预测结果准确性较差的问题。


技术实现要素：

6.本发明为了解决现有高熵合金硬度预测方法成本高、过程繁琐、预测结果准确性较差的问题，提供了一种利用成分预测高熵合金硬度的方法。
7.本发明是采用如下技术方案实现的：
8.一种利用成分预测高熵合金硬度的方法，所述方法包括如下步骤：
9.步骤s1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和硬度数据；
10.步骤s2：构建随机森林模型；
11.步骤s3：利用所述数据集对所述随机森林模型进行训练、测试，得到优化后的随机森林模型；
12.步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的随机森林模型，进行高熵合金硬度的预测。
13.进一步地，步骤s1中，所述若干种高熵合金均为通过熔炼工艺得到的高熵合金。
14.步骤s1中的数据集是通过整理、收集实验已研究的高熵合金的数据而得到的，数
据来源途径例如为查找文献。数据集中采用通过熔炼得到的高熵合金，这是因为不同的合成工艺会影响高熵合金的硬度。因此，通过高熵合金工艺为熔炼工艺的限定，可以排除工艺差异对硬度数据的影响。
15.进一步地，步骤s2中，所述随机森林模型的拟合随机数为44、最大深度为25；所述随机森林模型的输入为成分数据、输出为硬度数据。
16.进一步地，步骤s3中，利用所述数据集对所述随机森林模型进行训练、测试，得到优化后的随机森林模型；包括如下内容：
17.步骤s3.1：随机将所述数据集划分为训练集和测试集；其中，训练集包含的高熵合金的种类数和和测试集包含的高熵合金的种类数的比例为4：1。
18.训练集用于训练随机森林模型；测试集用于测试随机森林模型的精度。
19.步骤s3.2：以训练集中的高熵合金的成分数据为输入、训练集中的高熵合金的硬度数据为输出，对步骤s2构建的随机森林模型进行训练；训练时通过参数调整，使得随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％；所述参数包括拟合随机数和最大深度；
20.需要说明的是，准确度大于95％，是指预测准确的高熵合金的种类数，与待预测的高熵合金的总种类数的比值，大于95％。本领域技术人员可以理解的是，对于某个高熵合金的硬度数据是否预测准确，是由随机森林模型自主判定，无需设定评判标准。在随机森林模型中，每个子树都会有自己的偏差，随机森林模型的偏差是所有子树偏差的均值，偏差越低，模型越精准。
21.步骤s3.3：以测试集中的高熵合金的成分数据为输入、测试集中的高熵合金的硬度数据为输出，对步骤s3.2得到的随机森林模型进行测试；
22.步骤s3.4：将步骤s3.3的测试结果反馈至训练过程中；
23.将步骤s3.3的测试结果反馈至训练过程中后，重新对随机森林模型进行训练、优化，直至随机森林模型满足条件：随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％；而后再次对优化后的随机森林模型进行测试，依此类推，重复上述训练-测试的过程，直至测试集的测试结果满足随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％，完成训练、测试过程。
24.步骤s3.5：当测试集的测试结果满足随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％时，得到优化后的随机森林模型。
25.进一步地，步骤s4中，所述待预测的高熵合金是通过高通量成分设计得到的若干种高熵合金。
26.进一步地，在步骤s4后，还包括步骤s5，根据步骤s4中得到的待预测的高熵合金的硬度预测结果，从待预测的高熵合金中筛选出硬度大于阈值的高熵合金。
27.进一步地，在步骤s5后，还包括步骤s6，利用实验研究确定步骤s5筛选出的高熵合金的硬度，并将实验结果与步骤s4的预测结果进行比较。
28.上述实验研究确定步骤s5筛选出的高熵合金的硬度，包括：利用熔炼法制备筛选出的高熵合金，并对所制备的高熵合金的维氏硬度进行测定。
29.进一步地，所述成分数据包括高熵合金的成分以及各个成分在该高熵合金中的归一化后的原子百分比；其中，第i个成分的归一化后的原子百分比ci是通过如下公式得到
的：
[0030][0031]
式中，n为高熵合金中的成分个数；ai为高熵合金中第i个成分的原子百分比；aj为高熵合金中第j个成分的原子百分比。
[0032]
当收集到的成分数据为质量百分比时，先将质量百分比转化为原子百分比，再利用公式(1)计算得到成分的归一化后的原子百分比。
[0033]
进一步地，所述硬度数据为归一化后的硬度数据；所述归一化的方法为最大最小标准化法；其中，高熵合金归一化后的硬度x
′
是通过如下公式得到的：
[0034][0035]
式中，x为高熵合金的维氏硬度；max(x)为数据集中硬度最大的高熵合金的维氏硬度，min(x)为数据集中硬度最小的高熵合金的维氏硬度。
[0036]
本发明是一种全新的高熵合金硬度的预测方法，与现有技术相比较，本发明具有如下有益效果：(1)本发明基于现有研究数据通过随机森林建立成分
→
硬度的快速预测模型，克服了传统实验与计算模拟中“炒菜式”的方法。(2)本发明与传统机器学习方法不同，摒弃特征计算与选择过程，仅使用成分作为输入预测高熵合金的硬度，旨在简化预测过程并提升准确性。(3)本发明大幅缩短科研时间，节约资源，仅需将数据导入模型，等待数秒就可以得到结果。(4)本发明可用于设计高硬度高熵合金，可以提高实验效率，指导实验研究。
附图说明
[0037]
图1是本发明所述方法的流程框图；
[0038]
图2是本发明实施例2所述方法的预测过程示意图。
具体实施方式
[0039]
实施例1
[0040]
一种利用成分预测高熵合金硬度的方法，如附图1所示，所述方法包括如下步骤：
[0041]
步骤s1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和硬度数据。
[0042]
所述若干种高熵合金均为通过熔炼工艺得到的高熵合金。
[0043]
所述成分数据包括高熵合金的成分以及各个成分在该高熵合金中的归一化后的原子百分比；其中，第i个成分的归一化后的原子百分比ci是通过如下公式得到的：
[0044][0045]
式中，n为高熵合金中的成分个数；ai为高熵合金中第i个成分的原子百分比；aj为高熵合金中第j个成分的原子百分比。
[0046]
所述硬度数据为归一化后的硬度数据；所述归一化的方法为最大最小标准化法；其中，高熵合金归一化后的硬度x
′
是通过如下公式得到的：
[0047][0048]
式中，x为高熵合金的维氏硬度；max(x)为数据集中硬度最大的高熵合金的维氏硬度，min(x)为数据集中硬度最小的高熵合金的维氏硬度。
[0049]
步骤s2：构建随机森林模型。
[0050]
所述随机森林模型的拟合随机数为44、最大深度为25；所述随机森林模型的输入为成分数据、输出为硬度数据。
[0051]
步骤s3：利用所述数据集对所述随机森林模型进行训练、测试，得到优化后的随机森林模型，包括如下内容：
[0052]
步骤s3.1：随机将所述数据集划分为训练集和测试集；其中，训练集包含的高熵合金的种类数和和测试集包含的高熵合金的种类数的比例为4：1；
[0053]
步骤s3.2：以训练集中的高熵合金的成分数据为输入、训练集中的高熵合金的硬度数据为输出，对步骤s2构建的随机森林模型进行训练；训练时通过参数调整，使得随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％；所述参数包括拟合随机数和最大深度；
[0054]
步骤s3.3：以测试集中的高熵合金的成分数据为输入、测试集中的高熵合金的硬度数据为输出，对步骤s3.2得到的随机森林模型进行测试；
[0055]
步骤s3.4：将步骤s3.3的测试结果反馈至训练过程中；
[0056]
步骤s3.5：当测试集的测试结果满足随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％时，得到优化后的随机森林模型。
[0057]
步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的随机森林模型，进行高熵合金硬度的预测。所述待预测的高熵合金是通过高通量成分设计得到的若干种高熵合金。
[0058]
步骤s5：根据步骤s4中得到的待预测的合金的硬度预测结果，从待预测的高熵合金中筛选出硬度大于阈值的高熵合金。
[0059]
步骤s6：利用实验研究确定步骤s5筛选出的高熵合金的硬度，并将实验结果与步骤s4的预测结果进行比较。
[0060]
实施例2
[0061]
该实施例是用实施例1所述的一种利用成分预测高熵合金硬度的方法，预测al-cr-fe-ni体系中的高硬度高熵合金，如附图2所示，具体包括如下步骤：
[0062]
步骤s1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和硬度数据；包括如下内容：
[0063]
步骤s1.1：通过收集、整理公开发表的文献资料，获得实验中所明确得到的高熵合金成分及硬度。高熵合金系统包括但不限于以下几种体系：al-co-cr-(cu)-fe-ni、co-cr-fe-mn-ni、hf-nb-ta-ti-zr-w、al-co-cr-fe-ni-ti。
[0064]
步骤s1.2：将收集到的高熵合金成分的含量转化为归一化后的原子百分比。同时只保留通过真空电弧熔炼得到的高熵合金体系。因为不同的加工工艺会影响高熵合金的硬度，如feconicr
0.2
si
0.2
通过真空电弧熔炼得到的铸态合金硬度为130.1hv，加工硬化之后为318.2hv。通过真空电弧熔炼得到的部分高熵合金的成分与硬度如表1所示：
[0065]
表1.通过真空电弧熔炼得到的部分高熵合金的成分与硬度
[0066]
化学式硬度(hv)cu
0.317
mn
0.317
ni
0.317
al
0.050
166al
0.139
co
0.172
cr
0.172
fe
0.172
mn
0.172
ni
0.172
539mo
0.143
ti
0.143v0.143
fe
0.143
ni
0.143
zr
0.143
co
0.143
790fe
0.200
ni
0.200
cr
0.200
cu
0.200
zr
0.200
566hf
0.250
nb
0.250
ta
0.250
ti
0.250
270mo
0.200
nb
0.200
fe
0.200
cr
0.200v0.200
826
[0067]
步骤s1.3：将表1中的硬度数据转化为归一化后的硬度数据，所述归一化的方法为最大最小标准化法；其中，高熵合金归一化后的硬度x
′
是通过如下公式得到的：
[0068][0069]
式中，x为高熵合金的维氏硬度；max(x)为数据集中硬度最大的高熵合金的维氏硬度，min(x)为数据集中硬度最小的高熵合金的维氏硬度。
[0070]
步骤s2：构建随机森林模型：构建一个随机数为44，最大深度为25的随机森林模型。
[0071]
步骤s3：利用所述数据集对所述随机森林模型进行训练、测试，得到优化后的随机森林模型；包括如下内容：
[0072]
步骤s3.1：随机将所述数据集划分为训练集和测试集；该训练集用于训练随机森林模型；测试集用于测试随机森林模型的精度。其中，训练集包含的高熵合金的种类数和和测试集包含的高熵合金的种类数的比例为4：1。
[0073]
步骤s3.2：以训练集中的高熵合金的成分数据为输入、训练集中的高熵合金的硬度数据为输出，对步骤s2构建的随机森林模型进行训练；训练时通过拟合随机数、深度等参数调整随机森林模型达到最优值，即随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％；所述参数包括拟合随机数和最大深度；
[0074]
步骤s3.3：以测试集中的高熵合金的成分数据为输入、测试集中的高熵合金的硬度数据为输出，对步骤s3.2得到的随机森林模型进行测试。
[0075]
步骤s3.4：将步骤s3.3的测试结果反馈至训练过程中。
[0076]
步骤s3.5：当测试集的测试结果满足随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％时，得到优化后的随机森林模型。
[0077]
步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的随机森林模型，进行高熵合金硬度的预测。所述待预测的高熵合金是通过高通量成分设计得到的5000种成分区间为5％～45％的al-cr-fe-ni系高熵合金，将成分输入至步骤s3得到的优化后的随机森林模型中进行硬度预测。
[0078]
步骤s5：根据步骤s4中得到的待预测的高熵合金的硬度预测结果，从5000种成分区间为5％～45％的al-cr-fe-ni系高熵合金中筛选出硬度大于700hv的高熵合金；最终得到预测硬度为792.82hv的al
44.38
cr
31.78
fe
11.67
ni
12.17
高熵合金。
[0079]
步骤s6：利用真空电弧熔炼制得al
44.38
cr
31.78
fe
11.67
ni
12.17
高熵合金，且熔炼过程中对试样进行5次翻转熔融以保证成分均匀性，随后进行硬度测试，得到结果为771.27hv，与
预测值误差为2.72％。
[0080]
实施例3
[0081]
该实施例中是用实施例1所述的一种利用成分预测高熵合金硬度的方法，预测al-cr-fe-ni-ti体系中的高硬度高熵合金，具体包括如下步骤：
[0082]
本实施例中的步骤s1-步骤s3与实施例2中的步骤s1-步骤s3相同，此处不再赘述。
[0083]
步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的随机森林模型，进行高熵合金硬度的预测。所述待预测的高熵合金是通过高通量成分设计得到的5000种成分区间为5％～45％的al-cr-fe-ni-ti系高熵合金，将成分输入至步骤s3得到的优化后的随机森林模型中进行硬度预测。
[0084]
步骤s5：根据步骤s4中得到的待预测的高熵合金的硬度预测结果，从5000种成分区间为5％～45％的al-cr-fe-ni系高熵合金中筛选出硬度大于700hv的高熵合金；最终得到预测硬度为761.36hv的al
1.2
cr
17.42
fe
25.42
ni
28.32
ti
27.62
高熵合金。
[0085]
步骤s6：利用真空电弧熔炼制得al
1.2
cr
17.42
fe
25.42
ni
28.32
ti
27.62
高熵合金，且熔炼过程中对试样进行5次翻转熔融以保证成分均匀性，随后进行硬度测试，得到结果为869.88hv。
[0086]
应当说明，以上对本发明的具体实施是为了展示本发明的技术路线和特点，但并非每一个步骤都是按流程图所示的顺序。应当说明凡是在本发明权利要求的范围内做出的改进或修饰，都应涵盖在本发明的保护范围内。

技术特征：
1.一种利用成分预测高熵合金硬度的方法，其特征在于：所述方法包括如下步骤：步骤s1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和硬度数据；步骤s2：构建随机森林模型；步骤s3：利用所述数据集对所述随机森林模型进行训练、测试，得到优化后的随机森林模型；步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的随机森林模型，进行高熵合金硬度的预测。2.根据权利要求1所述的一种利用成分预测高熵合金硬度的方法，其特征在于：步骤s1中，所述若干种高熵合金均为通过熔炼工艺得到的高熵合金。3.根据权利要求1所述的一种利用成分预测高熵合金硬度的方法，其特征在于：步骤s2中，所述随机森林模型的拟合随机数为44、最大深度为25；所述随机森林模型的输入为成分数据、输出为硬度数据。4.根据权利要求1所述的一种利用成分预测高熵合金硬度的方法，其特征在于：步骤s3中，利用所述数据集对所述随机森林模型进行训练、测试，得到优化后的随机森林模型；包括如下内容：步骤s3.1：随机将所述数据集划分为训练集和测试集；其中，训练集包含的高熵合金的种类数和和测试集包含的高熵合金的种类数的比例为4：1；步骤s3.2：以训练集中的高熵合金的成分数据为输入、训练集中的高熵合金的硬度数据为输出，对步骤s2构建的随机森林模型进行训练；训练时通过参数调整，使得随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％；所述参数包括拟合随机数和最大深度；步骤s3.3：以测试集中的高熵合金的成分数据为输入、测试集中的高熵合金的硬度数据为输出，对步骤s3.2得到的随机森林模型进行测试；步骤s3.4：将步骤s3.3的测试结果反馈至训练过程中；步骤s3.5：当测试集的测试结果满足随机森林模型未发生过拟合或欠拟合，且预测准确度大于95％时，得到优化后的随机森林模型。5.根据权利要求1所述的一种利用成分预测高熵合金硬度的方法，其特征在于：步骤s4中，所述待预测的高熵合金是通过高通量成分设计得到的若干种高熵合金。6.根据权利要求1所述的一种利用成分预测高熵合金硬度的方法，其特征在于：在步骤s4后，还包括步骤s5，根据步骤s4中得到的待预测的高熵合金的硬度预测结果，从待预测的高熵合金中筛选出硬度大于阈值的高熵合金。7.根据权利要求6所述的一种利用成分预测高熵合金硬度的方法，其特征在于：在步骤s5后，还包括步骤s6，利用实验研究确定步骤s5筛选出的高熵合金的硬度，并将实验结果与步骤s4的预测结果进行比较。8.根据权利要求1～7中任一项所述的一种利用成分预测高熵合金硬度的方法，其特征在于：所述成分数据包括高熵合金的成分以及各个成分在该高熵合金中的归一化后的原子百分比；其中，第i个成分的归一化后的原子百分比c
i
是通过如下公式得到的：
式中，n为高熵合金中的成分个数；a
i
为高熵合金中第i个成分的原子百分比；a
j
为高熵合金中第j个成分的原子百分比。9.根据权利要求1～7中任一项所述的一种利用成分预测高熵合金硬度的方法，其特征在于：所述硬度数据为归一化后的硬度数据；所述归一化的方法为最大最小标准化法；其中，高熵合金归一化后的硬度x
′
是通过如下公式得到的：式中，x为高熵合金的维氏硬度；max(x)为数据集中硬度最大的高熵合金的维氏硬度，min(x)为数据集中硬度最小的高熵合金的维氏硬度。

技术总结
本发明具体是一种利用成分预测高熵合金硬度的方法，解决了现有高熵合金硬度预测方法成本高、过程繁琐、预测结果准确性较差的问题。一种利用成分预测高熵合金硬度的方法，所述方法包括如下步骤：步骤S1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和硬度数据；步骤S2：构建随机森林模型；步骤S3：利用所述数据集对所述随机森林模型进行训练、测试，得到优化后的随机森林模型；步骤S4：将待预测的高熵合金的成分数据输入至所述优化后的随机森林模型，进行高熵合金硬度的预测。本发明摒弃特征计算与选择过程，仅使用成分作为输入预测高熵合金的硬度，旨在简化预测过程并提升准确性。过程并提升准确性。过程并提升准确性。


技术研发人员：赵宇宏 郭庆伟 赵雨薇 侯华
受保护的技术使用者：中北大学
技术研发日：2023.05.23
技术公布日：2023/8/21