基于Bayesian采样主动机器学习模型的6061铝合金成分精细优化
结合高通量材料制备实验与基于Bayesian优化采样策略的主动学习方法,开发了有效的机器学习模型来描述合金元素组成与硬度之间的关系,并分析关键微量元素含量对硬度的影响.研究发现,经过3轮迭代64个铝合金样品建模后,Bayesian取样策略方法的预测硬度误差为4.49 HV(7.23%),远低于应用人工经验采样法的机器学习模型误差9.73 HV(15.68%),且当铝合金中的Mg和Si比值Mg/Si在1.37~1.72时,具有较高的合金硬度.通过在6061铝合金标准名义成分范围内进行成分精细优化以及性能调控,为工业上提高产品质量提供了可实现的策略.
机器学习;Bayesian优化;高通量实验;6061铝合金;成分精细优化
57
TG146.2(金属学与热处理)
国家重点研发计划项目Nos.2017YFB0702901和2017YFB0701502
2021-10-26(万方平台首次上网日期,不代表论文的发表时间)
共14页
797-810