高温合金设计需要同时考虑多种不同尺度的机制。本文提出了一个新方法将高度相关的物理学与机器学习(ML)相结合,以9~12 wt%Cr钢的屈服强度为例来预测复杂的高温合金性能。将合成合金特征纳入数据集,捕获微观结构和相变。通过相关分析发现了影响9Cr屈服强度的高冲击特征,与公认的强化机理一致。作为验证过程的一部分,针对温度对子数据集的一致性进行了广泛的评估,然后针对经过训练的ML模型的边界条件进行了完善。使用ML模型预测的9Cr钢的屈服强度与实验非常吻合。当前的方法在询问ML模型时引入了物理上有意义的约束条件,可准确预测应用于数据驱动材料的假设合金的性能。 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)。
免责声明:本网站所转载的文字、图片与视频资料版权归原创作者所有,如果涉及侵权,请第一时间联系本网删除。
官方微信
《腐蚀与防护网电子期刊》征订启事
- 投稿联系:编辑部
- 电话:010-62316606-806
- 邮箱:fsfhzy666@163.com
- 腐蚀与防护网官方QQ群:140808414