基于机器学习的钛合金弹性模量预测方法研究

摘要：

目的 探索一种高效可行的预测方法以提高钛合金弹性模量的预测精度,采用第一性原理计算方法与机器学习相结合的方式建立高精度的预测模型.方法 通过数据挖掘获取材料数据库中钛合金的力学性质微观结构参数,结合第一性原理计算方法构建初始数据集,并对其进行预处理,包括噪音消除、归一化及标准化,以得到高质量的数据集.同时,采用随机森林特征重要性分析法对输入参数进行筛选,去除弱相关变量以降低预测模型的复杂度.在此基础上,构建随机森林模型、支持向量机模型、BP神经网络模型及优化后的 GA-BP 神经网络模型,综合对比各模型的回归能力,分析误差后选出最优的算法模型.结果 最终建立了钛合金弹性模量预测模型,其中随机森林模型、支持向量机模型、BP神经网络模型、GA-BP神经网络模型的预测相关系数R分别为 0.836、0.943、0.917、0.986.结论 GA-BP模型对弹性模量的预测误差基本保持在 5%～7%.遗传算法可以优化 BP 神经网络的权值和阈值,使预测精度大幅提升.说明通过该方法可以实现钛合金弹性模量的预测,大大节省研发和实验成本,加快高性能材料的筛选.

关键词：钛合金、第一性原理、机器学习、遗传算法、力学性能

所属期刊栏目：16

分类号：TG135+.1(金属学与热处理)

在线出版日期：2024-01-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：33-42