CN114678086B 一种低活化高熵合金及其基于机器学习的设计方法 （中国科学院合肥物质科学研究院）_第1页
CN114678086B 一种低活化高熵合金及其基于机器学习的设计方法 （中国科学院合肥物质科学研究院）_第2页
CN114678086B 一种低活化高熵合金及其基于机器学习的设计方法 （中国科学院合肥物质科学研究院）_第3页
CN114678086B 一种低活化高熵合金及其基于机器学习的设计方法 （中国科学院合肥物质科学研究院）_第4页
CN114678086B 一种低活化高熵合金及其基于机器学习的设计方法 （中国科学院合肥物质科学研究院）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种低活化高熵合金及其基于机器学习的根据结构和性能要求同步快速准确设计新型多2采用相关性筛选、递归消除筛选、穷举搜索筛选三步法去筛选影构建识别高熵合金是否为固溶强化的分类模型，识别将搜索空间设定为从低活化元素中选择4～6种，且每种元素的原子百分比范围为5~35at.步长为1at.%;将设定的搜索空间按照高熵合金为固溶强化、BCC结构、硬度大于70034被认为是聚变反应堆理想的候选结构材料。RAFM钢在550℃以上的高温强度和热蠕变性能吻合。美国橡树岭国家实验室的Kumar等人对FeNiMnCr高熵合金进行了离子辐照实验发现合金是耗时耗力且十分困难的。数据驱动的机器学习方法无需过多关注具体的物理细节，问题上。因此，可通过数据驱动的机器学习方法来设计获得聚变堆用的低活化BCC高熵合[0005]本发明所要解决的技术问题在于提供一种低活化高熵合金及其基于机器学习的55～35at.步长为1at.%;搜索筛选三步法去筛选影响高熵合金结构和性6[0037](2)本发明所构建的低活化高熵合金的基于机器学习的设计方法可以根据结构和[0051]如图1所示，本实施例的一种上述实施例1～3中低活化高熵合金的基于机器学习7金属间化合物和非晶相，611组样本被分成固溶高熵合金(329组样本)和非固溶高熵合金[0055]本实施例收集了步骤1所提到的16种元素所对应的64种元素参数。首先是将高熵合金的原子百分比与元素参数按照公式(1)～(8步的整个递归消除过程中具有最小测试误差所对应的特征变量中[0066]在本实施例中，采用留出法去验证不同机器学习算法所构建的模型的预测能型的预测能力通过公式(5)所计算失配率(MissRate)来评估模型的[0069]回归模型的预测能力通过公式(6)计算的均方根误差(RMSE)和公式(7)计算的决2等于1。9[0078]搜索空间设定为从低活化元素中选择4～6种，每种元素的原子百分比范围为5-求进行筛选。经过100次的重复设计后发现，满足设计需求的低活化高熵合金均为备了约200g左右的铸锭。为保证合金成分的均匀性，合金制备过程中翻转重复熔炼至少5备了约200g左右的铸锭。

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论