图1.9Cr数据集中的特征9Cr数据分析中考虑的合金特征。1/2组是原始实验数据，3/4组是计算的合成合金特征。该数据集涵盖了从室温到800°C的数据，温度旁边的括号中的值表示每个温度下的数据点数

图2.基于相关性分析的机器学习准确性。以原始实验数据（成分，处理和测试条件以及PAGS）为函数的五个训练过的ML模型（BR贝叶斯岭回归；LR线性回归；NN最近邻；RF随机森林；SVM支持向量机）的准确性 整个9Cr数据集中排名最高的要素的数量。每个模型的超参数最多可进行150次迭代以获得最佳参数。每个模型接受十次训练以确定平均准确度及其标准偏差。

图3.不同温度下子集数据的相关性分析。所有特征（组成，加工和测试条件，微观结构和相变温度，请参见表1）与选定代表温度下的屈服强度之间的相关性分析结果。给出了200°C（低温），550°C和650°C（中至高温）以及750°C（高于使用温度）的45个特征中前10个和后10个特征的相关系数。

图4.各个温度子数据集的ML性能。根据MIC和b PCC分析得出的经过训练的ML模型（以随机森林为例）的精度与温度和顶级特征数的关系。对模型进行了十次训练，以确定平均准确度及其标准偏差（误差线）。每个模型的超参数最多可进行150次迭代以获得最佳参数。垂直虚线指示从哪里开始出现数据不足和相关功能的问题。

图5.截断（≤650°C）数据集中所有合金特征与屈服强度之间的相关性分析。a来自MIC的排名前20位的特征和| PCC |来自的相应特征，以及b来自PCC分析的前10名和后10名特征。

图6. ML性能与排名最高的功能数量的关系。五个经过训练的ML模型（BR贝叶斯岭回归；LR线性回归；NN最近邻；RF随机森林；SVM支持向量机回归）在预测屈服强度方面的准确性。这些模型接受了高通量计算中合成的合成特征的训练，这些特征是截断的数据集（≤650°C）中排名最高的特征的数量的函数。每个模型的超参数最多可进行150次迭代以获得最佳参数。每个模型经过十次训练，以确定平均准确度及其标准偏差（误差线）。

图7.具有MIC和PCC分析的前10个特征的具有随机森林（RF）的9Cr钢的实验屈服强度与预测屈服强度。  MAE代表平均绝对误差（MAE）。

图8.实验和预测的具有随机森林（RF）的9Cr钢的PAGS，具有MIC和PCC分析的前10个特征。MAE代表平均绝对误差（MAE）。