机器学习辅助高性能银合金电接触材料的快速发现
为了快速发现高性能银合金电接触材料,从文献中收集了32组铸造法制备的银合金电接触材料的成分和性能数据,采用特征量筛选方法识别出影响合金性能的关键合金因子,采用支持向量机算法建立了合金导电率和硬度预测模型,实现了合金成分的快速设计.选取预测性能优异的Ag-19.53Cu-1.36Ni、Ag-10.20Cu-0.20Ni-0.05Ce和Ag-11.43Cu-0.66Ni-0.05Ce(质量分数,%)3种成分设计方案进行工业生产条件的实验验证,性能预测结果与实验结果误差均小于10%,3种合金导电率均≥79%IACS,Vickers硬度均≥87 HV,综合性能均优于已有铸造法制备的银合金电接触材料.上述研究结果表明,本工作建立的机器学习成分设计方法可靠性好,有助于提高合金成分设计效率,快速发现综合性能优异的银合金电接触材料.
机器学习、银合金、电接触材料、成分设计
58
TG146.3(金属学与热处理)
国家自然科学基金;北京市科委项目;中央高校基本科研业务费项目
2022-07-27(万方平台首次上网日期,不代表论文的发表时间)
共11页
816-826