CN114566229B 数据驱动的高熵合金相成分预测方法及装置 （南京航空航天大学）

数据驱动的高熵合金相成分预测方法及装置本申请公开了一种数据驱动的高熵合金相2计算特征之间的皮尔逊相关系数，并根据所述特征将分别代表高熵合金几何特征和热力学特征的参数ΔHmix、γ作为特征空间分布的参基于所述最优特征组合，利用预先训练的相成分预测模型，预测参数，局部原子畸变参数，γ参数，δHmix无因次混合焓方差，无因次混合焓方差，无因次混合焓方差和无因次混合焓方差中的至少一项。筛选模块，用于由所述至少一个相成分特征筛选所述待测高熵合金的最优特征组合；生成单元，用于计算特征之间的皮尔逊相关系数，并根据所述训练单元，用于利用所述最优特征组合训练机器学所述训练单元，进一步用于：将分别代表高熵合金几何特征和热力学特征的参数Δ345焓方差和无因次混合焓方差中的至少一项。焓方差和无因次混合焓方差中的至少一项。6[0022]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得[0023]图1为根据本申请实施例提供的一种数据驱动的高熵合金相成分预测方法的流程[0024]图2为根据本申请一个实施例的数据驱动的高熵合金相成分预测方法的特征参数[0025]图3为根据本申请一个实施例的数据驱动的高熵合金相成分预测方法的各机器学[0026]图4为根据本申请一个实施例的数据驱动的高熵合金相成分预测方法的XGBoost[0027]图5为根据本申请一个实施例的数据驱动的高熵合金相成分预测方法的XGBoost[0028]图6为根据本申请一个实施例的数据驱动的高熵合金相成分预测方法的原理示意[0029]图7为根据本申请实施例提供的一种数据驱动的高熵合金相成分预测系统的结构[0032]下面参考附图描述本申请实施例的数据驱动的高熵合金相成分预测方法及装针对上述背景技术中心提到的相关技术中通过高通量的实验摸索或借助半经验性的相图相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，[0033]具体而言，图1为本申请实施例所提供的一种数据驱动的高熵合金相成分预测方[0036]在实际执行过程中，本申请实施例可以获取待测高熵合金的至少一个相成分特7[0040]作为一种可能实现的方式，本申请实施例可以利用预先8差和无因次混合焓方差中的至少一项。mix无9因此本申请实施例可以选择剔除这三个特征δr,δχ,保证剩余13个特征间的皮尔逊[0065]步骤S604：训练并选择机器学习模型。本申请实施例可以从数据集中随机选取要性分析属性得到特征的重要性排名，进而对XGBoost模型的适用性及各特征参数的重要[0075]其次参照附图描述根据本申请实施例提出的数据驱动的高熵合金相成分预测装差和无因次混合焓方差中的至少一项。[0093]处理器802执行程序时实现上述实施例中提供的数据驱动的高熵合金相成分预测[0097]存储器801可能包含高速RAM存储器，也可能还包括非易失性存储器(non-和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(IndustryStandardArchitecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(ExtendedIndustryStandard理器执行时实现如上的数据驱动的高熵合金相成分术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件[0107]本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步