针对高温合金微观组织-拉伸性能关系的机器学习预测模型

摘要：

采用传统"试错法"揭示高温合金微观组织和性能之间的关系具有成本高、 周期长等特点,难以满足材料设计、 研发和应用的快速发展.以高温合金K4169为基础,采用机器学习的方法建立了材料微观组织和力学性能之间关系的模型.首先设计实验,通过改变合金成分和热处理制度,获取了70组微观组织变化数据;其次通过室温和高温拉伸实验对不同微观组织的合金力学性能进行测量,分析了成分和热处理制度变化对合金室温、高温力学性能的影响;最后分别采用支持向量回归、随机森林回归、K-最近邻回归、多层感知器4种算法建立预测模型,预测了微观组织中γ相、γ′相、γ″相、δ相、Laves相和碳化物含量对合金室温、高温拉伸性能的影响,并采用交叉验证的方式验证了模型的准确性.结果表明,多层感知器模型对合金室温拉伸强度的预测结果均方误差为0.17、平均绝对误差为0.32、相关系数为0.95、决定系数为0.85,对合金高温拉伸强度的预测结果均方误差为0.14、平均绝对误差为0.29、相关系数为0.97、决定系数为0.91,与其余3种算法建立的模型相比,多层感知器模型的预测结果更准确.

关键词：机器学习、相含量、力学性能、高温合金、材料科学

所属期刊栏目：41

分类号：TP181;TG132.3+3(自动化基础理论)

资助基金：国防科工局基础性军工科研院所稳定支持项目KZ0C191707

在线出版日期：2022-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：938-946