CN112582032B - 基于机器学习模型设计高热稳定性铁基软磁非晶合金 - Google Patents
基于机器学习模型设计高热稳定性铁基软磁非晶合金 Download PDFInfo
- Publication number
- CN112582032B CN112582032B CN202011367742.XA CN202011367742A CN112582032B CN 112582032 B CN112582032 B CN 112582032B CN 202011367742 A CN202011367742 A CN 202011367742A CN 112582032 B CN112582032 B CN 112582032B
- Authority
- CN
- China
- Prior art keywords
- alloy
- iron
- machine learning
- amorphous alloy
- soft magnetic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 238000010801 machine learning Methods 0.000 title claims abstract description 54
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 52
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 52
- 229910000808 amorphous metal alloy Inorganic materials 0.000 title claims abstract description 50
- 239000000956 alloy Substances 0.000 claims abstract description 95
- 229910045601 alloy Inorganic materials 0.000 claims abstract description 94
- 230000006698 induction Effects 0.000 claims abstract description 56
- 238000002425 crystallisation Methods 0.000 claims abstract description 47
- 230000008025 crystallization Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013461 design Methods 0.000 claims abstract description 22
- 238000002844 melting Methods 0.000 claims description 25
- 230000008018 melting Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 10
- 238000010791 quenching Methods 0.000 claims description 10
- 230000000171 quenching effect Effects 0.000 claims description 10
- 238000005272 metallurgy Methods 0.000 claims description 8
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 239000000155 melt Substances 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 150000002505 iron Chemical class 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 239000010949 copper Substances 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000012827 research and development Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 4
- 229910001004 magnetic alloy Inorganic materials 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010438 heat treatment Methods 0.000 description 16
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 14
- 239000012300 argon atmosphere Substances 0.000 description 7
- 239000012535 impurity Substances 0.000 description 7
- 239000007788 liquid Substances 0.000 description 7
- 229910021642 ultra pure water Inorganic materials 0.000 description 7
- 239000012498 ultrapure water Substances 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005275 alloying Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000696 magnetic material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 229910000967 As alloy Inorganic materials 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 229910008423 Si—B Inorganic materials 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910000697 metglas Inorganic materials 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/06—Continuous casting of metals, i.e. casting in indefinite lengths into moulds with travelling walls, e.g. with rolls, plates, belts, caterpillars
- B22D11/0611—Continuous casting of metals, i.e. casting in indefinite lengths into moulds with travelling walls, e.g. with rolls, plates, belts, caterpillars formed by a single casting wheel, e.g. for casting amorphous metal strips or wires
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C33/00—Making ferrous alloys
- C22C33/003—Making ferrous alloys making amorphous alloys
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C45/00—Amorphous alloys
- C22C45/02—Amorphous alloys with iron as the major constituent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Soft Magnetic Materials (AREA)
- Continuous Casting (AREA)
Abstract
本发明公开了一种利用可解释性的XGBoost机器学习算法设计高热稳定性铁基软磁非晶合金的方法,具体的步骤包括:(1)建立铁基非晶合金数据集;(2)数据集预处理;(3)通过机器学习建立预测模型,进行重要特征提取;(4)挖掘重要特征背后的物理意义,建立具有高准确度的合金设计准则;(5)合金设计准则的实验验证。本发明基于现有铁基非晶合金软磁性能和热稳定性的实验数据,利用机器学习模型可同时预测未知铁基软磁非晶合金的饱和磁感应强度(Bs)和初始晶化温度(Tx),具有工作量小、可解释性强、精度高、可靠性高、可操作性强等优点,可应用于设计不同体系铁基软磁非晶合金,显著提高了新型高性能软磁合金开发的效率、降低研发成本。
Description
技术领域
本发明涉及铁基非晶软磁合金领域,更具体的是涉及一种基于XGBoost机器学习算法设计高热稳定性铁基软磁非晶合金的方法。
背景技术
铁基软磁非晶合金具有高强度、优异的软磁性能、高耐蚀性以及低成本等特点。80年代研究人员成功开发出的Fe-Co-P-B和Fe-Co-Si-B己经被用作软磁材料,其商业名称为METGLAS。1988年,研究者开发出Fe-Si-B-Cu-Nb(FINEMET)纳米晶合金,显著的提高其软磁性能。此后几十年尽管研究人员研发了大量的新型合金成分,然而目前产业化应用的成分仍为上世纪八十年代开发的METGLAS和FINEMET。这从侧面说明目前的大部分新型合金成分的综合性能如非晶形成能力、饱和磁感应强度、矫顽力、磁导率和热稳定性等仍然难以满足服役要求。一方面,目前缺乏可以定量描述铁基非晶合金成分与性能之间关系的准则;另一方面,迄今为止,铁基非晶合金的成分设计主要依赖传统的实验试错方法,主要流程包括高纯原料处理、配料、真空电弧熔炼、铜模吸铸或单辊旋淬制备样品、热处理、结构表征、热力学参数测试和软磁性能测试。这一过程流程复杂、研发效率低、周期长且成本较高,难以实现快速、准确设计合金成分的目标。开发一种准确、快速设计合金成分的方法,成为铁基非晶合金设计领域亟需突破的技术难题。
随着人工智能技术的进步,机器学习(Machine Learning)方法在数据挖掘领域获得了长足的发展。在材料科学领域,机器学习已逐步应用于材料建模来更准确地预测材料特性,常见的算法包括线性回归(Linear Regresssion)、支持向量机(Support VectorMachine)和人工神经网络(Artificial Neural Network)等,其原理是针对一类问题建立一个将输入空间投影到输出空间的映射模型,然后利用学习好的模型来预测新的数据。这些方法为解决材料的成分优化、热处理工艺设计和性能研究等提供了科学有效的先进手段。虽然在材料领域存在着很多机器学习方法,但是目前大多数机器学习算法都存在“黑匣子”问题,这一问题阻碍了建立可以定量描述铁基非晶合金成分与性能之间关系的准则。因此,提高机器学习模型的可解释性和透明度,将有助于模型的除错、引导未来的数据收集方向、为特征构建和性能预测提供真正可靠的信息,最终建立合金本征特性与性能之间的定量关系。
鉴于此,本发明开发了一种利用可解释性的XGBoost机器学习算法辅助设计高热稳定性铁基软磁非晶合金的方法。同时深入挖掘重要特征背后的物理意义并建立了具有高准确度的预测准则,为新型铁基软磁非晶合金的研发提供了新方法,显著提高了合计研发效率,降低了研发成本。
发明内容
本发明要解决的技术问题是机器学习算法辅助设计高热稳定性铁基软磁非晶合金的方法。利用机器学习模型针对现有的实验数据集进行学习,并进行特征重要性提取,以降低方差,提高模型的泛化能力,使模型的预测结果更加准确,可有效指导合金设计。
为解决上述技术问题,本发明提供一种利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,包括步骤:
S1、收集已报道的铁基非晶合金组元成分、饱和磁感应强度和晶化温度等参数,建立数据集;
S2、对数据集进行归一化处理,然后将处理后的数据集划分为训练集和测试集两部分;
S3、确定机器学习算法,在整个训练集上建立饱和磁感应强度和晶化温度的初始预测模型,通过机器学习对模型参数进行优化,最终得到可靠的目标预测模型;
S4、利用机器学习模型提取重要特征,结合物理冶金学理论,建立可准确预测铁基非晶合金磁感应强度(Bs)和晶化温度(Tx)的合金设计准则;
S5、利用机器学习提供的合金设计准则设计新型铁基非晶合金并测试其性能,对合金设计准则进行验证。
进一步地,所述步骤S1包括步骤:
S11、从已报道的文献、数据库等渠道获取铁基非晶合金信息;
S12、提取合金的化学组分信息、价电子浓度、电负性、原子尺寸差和熔点等信息,组成数据库的特征空间;
S13、提取合金的饱和磁感应强度和晶化温度信息,作为预测目标。
进一步地,所述步骤S2中训练集和测试集的比值为4:1。
进一步地,所述步骤S3包括步骤:
S31、选择XGBoost机器学习算法;
S32、对训练集进行K折交叉验证,确定机器学习模型的超参数;
S33、用确定超参数后的机器学习算法在整个训练集上建立饱和磁感应强度和晶化温度的初始预测模型,并在测试集上测试该预测模型的可靠性,直至预测精度满足要求,得到对应的目标预测模型。
进一步地,所述步骤S3中,可靠性评价指标为相关系数R2,且R2不低于0.90。
进一步地,所述步骤S4包括步骤:
S41、利用XGBoost模型,针对每个输入特征进行评分并排序,获得特征重要性信息;
S42、获取决定饱和磁感应强度评分最高的两个关键特征,结合物理冶金学理论,建立预测磁感应强度的量化准则;
S43、获取决定晶化温度评分最高的两个关键特征,结合物理冶金学理论,建立预测晶化温度的量化准则。
进一步地,所述步骤S5包括步骤:
S51、根据S42和S43所述合金设计准则设计高Bs和高Tx的铁基非晶合金成分;
S52、采用非自耗真空电弧熔炼的方法制备S51所述合金成分的母合金;
S53、采用熔体单辊旋淬法制备S52所述母合金的非晶合金薄带,带材厚度为15~25微米;
S54、S53所述非晶合金薄带制备过程中铜辊线速度大于30m/s;
S55、S53所述非晶合金薄带制备过程中采用红外测温仪监测熔体温度,保证熔体过热度大于300℃;S56、利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量S53所述非晶薄带的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC测试升温速率为20K/min。
进一步地,本发明设计开发了一系列同时具有高Bs和高Tx的铁基非晶合金成分,其中:Fe82.55B13.79Si0.9Zr2.76(所述成分为原子百分比)的饱和磁感应强度(Bs)为1.61T,晶化温度(Tx)为738K。
进一步地,本发明设计开发了一系列同时具有高Bs和高Tx的铁基非晶合金成分,其中:
Fe81.55B14.79Si0.9Zr2.76(所述成分为原子百分比)饱和磁感应强度(Bs)为1.59T,晶化温度(Tx)为757K。
进一步地,所述步骤S5的预测误差计算方法为:(目标性能-预测性能)/目标性能;所述步骤S5的预测误差低于10%。
如上所述一种基于XGBoost机器学习模型辅助设计铁基软磁非晶合金的方法,具体的步骤如下:
(1)从已报道的文献中搜集N组铁基软磁非晶合金信息,获取每一组合金的组分和饱和磁感应强度(Bs)和初始晶化温度(Tx),同时批量计算出每组非晶合金的原子尺寸差、价电子浓度、熔点、电负性和不含铁元素的价电子浓度;
(2)输入参数“指纹化“,将N组样本中,每组数据的合金成分比例信息和计算的原子尺寸差等本征属性作为输入特征,饱和磁感应强度和初始晶化温度作为输出变量;
(3)对输入数据进行数据清洗,剔除缺失值,并对数值进行归一化处理;
(4)根据所述数据集建立合金成分与性能的XGBoost机器学习模型;
(5)对模型的内置参数进行优化,提高模型的预测准确性;
(6)针对数据集数量相对较少的情况,对XGBoost进行5折交叉训练。将数据集分为训练集和测试集,为充分利用数据集对算法效果进行测试,将数据集随机分均分为5个数据包,每次将一个包作为测试集,剩下4个数据包作为训练集进行训练。当5折交叉训练完成,将5组验证错误率取平均,并将之作为泛化错误率;
(7)通过机器学习模型对所有输入特征进行评分并排序,从而提取重要特征;
(8)结合提取的重要特征,进一步推导出具有物理意义的软磁性能和热稳定性与重要特征之间的关系,进而实现基于物理冶金学理论的特征降维,获得可解释性的量化预测准则;
(9)基于(8)中机器学习的可解释性合金设计准则,设计出7种不同铁基软磁非晶合金成分;
(10)测量7种不同铁基非晶软磁非晶合金的饱和磁感应强度(Bs)和晶化温度(Tx),并与机器学习准则对比,从而验证XGBoost机器学习模型的可靠性和合理性。
与现有的技术相比,本发明可以获得包括以下技术效果:
(1)在预测铁基非晶合金饱和磁感应强度(Bs)和晶化温度(Tx),其影响因子多且机理复杂,传统的合金成分设计、熔炼制备、非晶结构表征和性能测试不仅成本高且耗费时间长。本发明构建了高准确度的XGBoost机器学习模型,针对磁感应强度(Bs)和晶化温度(Tx)测试集数据,相关系数R2分别高达0.934和0.947。
(2)使用先进的机器学习算法提取核心输入特征,结合相关物理冶金学理论,进一步提高模型的可解释性,在一定程度上避免了机器学习算法完全基于黑匣子模式的问题,并最终获得了一套可准确预测磁感应强度(Bs)和晶化温度(Tx)的物理准则,便于指导合金设计。该合金准则能够有效设计出同时具有高Bs和高Tx的新型铁基软磁非晶合金,显著提高研发效率、有效降低实验工作量和研发成本;同时可实现对科研、生产等数据的高效利用,进一步挖掘和利用所积累数据的价值,促进铁基非晶软磁材料领域的长足发展。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理下,还可以做出若干改进和拓展,这些改进和拓展也应视为本发明的保护范围。
附图说明
图1是本发明的XGBoost机器学习模型的简要框架图;
图2是(a)饱和磁感应强度Bs机器学习模型预测值和实验值的拟合曲线;(b)晶化温度Tx机器学习模型预测值和实验值的拟合曲线;(c)饱和磁感应强度Bs机器学习模型特征重要性排序;(d)晶化温度Tx机器学习模型机器学习模型特征重要性排序;
图3是(a)VEC1与磁感应强度(Bs)之间的关系图;(b)VEC与磁感应强度(Bs)之间的关系图;
图4是晶化温度与价电子浓度和原子尺寸差之间的关系图。
具体实施方法
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明要解决的技术问题是提供一种能够准确反应铁基软磁非晶合金饱和磁感应强度(Bs)和晶化温度(Tx)的机器学习预测方法。利用机器学习模型针对现有的实验数据集进行学习,并进行特征重要性提取,结合物理冶金学理论,提高模型的泛化能力,从而获得一套铁基软磁非晶合金材料的预测准则。
图1所示是本发明的XGBoost机器学习模型的简要流程图,包括:
步骤A:获取铁基软磁非晶合金热稳定性和软磁性能相关的原始数据集,原始数据集中的一部分数据作为训练集,一部分作为测试集。原始数据集来源于各类权威期刊已报道的合金成分。该铁基非晶数据集共有合金组元信息、价电子浓度(VEC)、无Fe价电子浓度(VEC1)、电负性(χ)、原子尺寸差(δ)、熔点(Tm)等共30个特征以及饱和磁感应强度(Bs)和晶化温度(Tx)对应的结果值,共252条数据;
步骤B:对输入数据集进行数据清洗,去除缺省值,并对较大数值进行归一化,从而确保所有数据处于同一尺度上。将清洗后的数据统一格式“指纹化”,组成模型可以识别的数据格式;
步骤C:本发明采用XGBoost算法构建机器学习模型。相比于传统的算法,XGBoost模型对代价函数进行了二阶泰勒展开,同时用到了一阶和二阶导数;另外,该模型在代价函数中加入了正则项,用于控制模型的复杂度,正则项中包含了树的叶子节点个数,每个叶子节点输出评分的L2模平方和。从偏差方差平衡的角度来看,正则项降低了模型的方差,使学习出来的模型更加简单,防止过拟合;同时,该模型通过给各个输入特征打分,能够有效地提取出重要特征,提高机器学习模型的可解释性。
步骤D:该机器学习模型采用相关系数R2作为判断预测精度的标准。图2所示为模型预测值和实验值的拟合曲线以及特征重要性排序图。经计算,在训练集上使用XGBoost模型,磁感应强度(Bs)和晶化温度(Tx)测试集数据的相关系数R2分别高达0.934和0.947,说明该模型在训练集上可行。另外,根据特征重要性排序图,获得对Bs影响权重最大的参数为VEC和VEC1,对Tx影响权重最大的参数为δ和VEC。在实际应用中,交叉验证的折数、超参数优化的方法以及判别标准可以根据数据集的改变进行调整。
步骤E:根据模型提供的重要特征,进一步分析特征与Bs和Tx之间的量化关系。如图3和图4所示,针对不含其他铁磁性元素(Co和Ni)的合金,Bs与VEC1存在明显的负相关关系,Tx与δ、VEC同样存在明显的相关关系。综合考虑合金化元素与基体元素的交互作用及其对合金短程序的影响,得到如下预测准则:
Bs=2.32-0.998×VEC1
Tx=1518.5+27.1×δ-123.7×VEC
实施例1:Fe82.55B13.79Si0.9Zr2.76作为合金名义成分,将合金所需的高纯元素(Fe99.95wt%,B 99.99wt%,Si 99.95wt%,Zr 99.9wt%)放入超纯水和无水酒精中多次清洗,去除表面的杂质然后取出自然晾干,按照合金的质量百分比称好,然后采用高纯氩气氛真空电弧熔炼的方法,熔炼得到母合金纽扣锭,熔炼多次,以保证母合金锭成分均匀。采用单辊旋淬的方法,将感应加热熔化的合金液体在40m/s的转速下,制备成宽约1mm、厚约20μm且无毛边的连续非晶薄带。利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量非晶带材的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC升温速率为20K/min。经检测,本实例的晶化温度(Tx)和饱和磁感应强度(Bs)分别为738K和1.61T。
实施例2:Fe81.55B14.79Si0.9Zr2.76作为合金名义成分,将合金所需的高纯元素(Fe99.95wt%,B 99.99wt%,Si 99.95wt%,Zr 99.9wt%)放入超纯水和无水酒精中多次清洗,去除表面的杂质然后取出自然晾干,按照合金的质量百分比称好,然后采用高纯氩气氛真空电弧熔炼的方法,熔炼得到母合金纽扣锭,熔炼多次,以保证母合金锭成分均匀。采用单辊旋淬的方法,将感应加热熔化的合金液体在40m/s的转速下,制备成宽约1mm、厚约20μm且无毛边的连续非晶薄带。利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量非晶带材的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC升温速率为20K/min。经检测,本实例的晶化温度(Tx)和饱和磁感应强度(Bs)分别为757K和1.59T。
实施例3:Fe78.8B13.79Si3.9Ta0.75Zr2.76作为合金名义成分,将合金所需的高纯元素(Fe99.95wt%,B 99.99wt%,Si 99.95wt%,Ta 99.9%,Zr 99.9wt%)放入超纯水和无水酒精中多次清洗,去除表面的杂质然后取出自然晾干,按照合金的质量百分比称好,然后采用高纯氩气氛真空电弧熔炼的方法,熔炼得到母合金纽扣锭,熔炼多次,以保证母合金锭成分均匀。采用单辊旋淬的方法,将感应加热熔化的合金液体在40m/s的转速下,制备成宽约1mm、厚约20μm且无毛边的连续非晶薄带。利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量非晶带材的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC升温速率为20K/min。经检测,本实例的晶化温度(Tx)和饱和磁感应强度(Bs)分别为822K和1.50T。
实施例4:Fe77.05B14.79Si3.9Ta1.5Zr2.76作为合金名义成分,将合金所需的高纯元素(Fe99.95wt%,B 99.99wt%,Si 99.95wt%,Ta 99.9%,Zr 99.9wt%)放入超纯水和无水酒精中多次清洗,去除表面的杂质然后取出自然晾干,按照合金的质量百分比称好,然后采用高纯氩气氛真空电弧熔炼的方法,熔炼得到母合金纽扣锭,熔炼多次,以保证母合金锭成分均匀。采用单辊旋淬的方法,将感应加热熔化的合金液体在40m/s的转速下,制备成宽约1mm、厚约20μm且无毛边的连续非晶薄带。利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量非晶带材的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC升温速率为20K/min。经检测,本实例的晶化温度(Tx)和饱和磁感应强度(Bs)分别为834K和1.42T。
实施例5:Fe75.55B14.79Si6.9Zr2.76作为合金名义成分,将合金所需的高纯元素(Fe99.95wt%,B 99.99wt%,Si 99.95wt%,Zr 99.9wt%)放入超纯水和无水酒精中多次清洗,去除表面的杂质然后取出自然晾干,按照合金的质量百分比称好,然后采用高纯氩气氛真空电弧熔炼的方法,熔炼得到母合金纽扣锭,熔炼多次,以保证母合金锭成分均匀。采用单辊旋淬的方法,将感应加热熔化的合金液体在40m/s的转速下,制备成宽约1mm、厚约20μm且无毛边的连续非晶薄带。利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量非晶带材的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC升温速率为20K/min。经检测,本实例的晶化温度(Tx)和饱和磁感应强度(Bs)分别为851K和1.49T。
实施例6:Fe75.05B13.79Si6.9Ta1.5Zr2.76作为合金名义成分,将合金所需的高纯元素(Fe99.95wt%,B 99.99wt%,Si 99.95wt%,Ta 99.9%,Zr 99.9wt%)放入超纯水和无水酒精中多次清洗,去除表面的杂质然后取出自然晾干,按照合金的质量百分比称好,然后采用高纯氩气氛真空电弧熔炼的方法,熔炼得到母合金纽扣锭,熔炼多次,以保证母合金锭成分均匀。采用单辊旋淬的方法,将感应加热熔化的合金液体在40m/s的转速下,制备成宽约1mm、厚约20μm且无毛边的连续非晶薄带。利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量非晶带材的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC升温速率为20K/min。经检测,本实例的晶化温度(Tx)和饱和磁感应强度(Bs)分别为857K和1.36T。
实施例7:Fe73.8B15.79Si6.9Ta0.75Zr2.76作为合金名义成分,将合金所需的高纯元素(Fe99.95wt%,B 99.99wt%,Si 99.95wt%,Ta 99.9%,Zr 99.9wt%)放入超纯水和无水酒精中多次清洗,去除表面的杂质然后取出自然晾干,按照合金的质量百分比称好,然后采用高纯氩气氛真空电弧熔炼的方法,熔炼得到母合金纽扣锭,熔炼多次,以保证母合金锭成分均匀。采用单辊旋淬的方法,将感应加热熔化的合金液体在40m/s的转速下,制备成宽约1mm、厚约20μm且无毛边的连续非晶薄带。利用差示扫描量热仪(DSC)和震动磁强计(VSM)分别测量非晶带材的晶化温度(Tx)和饱和磁感应强度(Bs),其中DSC升温速率为20K/min。经检测,本实例的晶化温度(Tx)和饱和磁感应强度(Bs)分别为865K和1.34T。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
Claims (7)
1.一种利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,包括步骤:
S1、收集已报道的铁基非晶合金组元成分、饱和磁感应强度和晶化温度参数,建立数据集;
S2、对数据集进行归一化处理,然后将处理后的数据集划分为训练集和测试集两部分;
S3、确定机器学习算法,在整个训练集上建立饱和磁感应强度和晶化温度的初始预测模型,通过机器学习对模型参数进行优化,最终得到可靠的目标预测模型;
S4、利用机器学习模型提取重要特征,结合物理冶金学理论,建立可准确预测铁基非晶合金磁感应强度Bs和晶化温度Tx的合金设计准则;
S5、利用机器学习提供的合金设计准则设计新型铁基非晶合金并测试其性能,对合金设计准则进行验证;
所述步骤S1包括步骤:
S11、从已报道的文献、数据库渠道获取铁基非晶合金信息;
S12、提取合金的化学组分信息、价电子浓度、电负性、原子尺寸差和熔点信息,组成数据库的特征空间;
S13、提取合金的饱和磁感应强度和晶化温度信息,作为预测目标;
所述步骤S3包括步骤:
S31、选择XGBoost机器学习算法;
S32、对训练集进行K折交叉验证,确定机器学习模型的超参数;
S33、用确定超参数后的机器学习算法在整个训练集上建立饱和磁感应强度和晶化温度的初始预测模型,并在测试集上测试该预测模型的可靠性,直至预测精度满足要求,得到对应的目标预测模型;
所述步骤S4包括步骤:
S41、利用XGBoost模型,针对每个输入特征进行评分并排序,获得特征重要性信息;
S42、获取决定饱和磁感应强度评分最高的两个关键特征,结合物理冶金学理论,建立预测磁感应强度的量化准则;
S43、获取决定晶化温度评分最高的两个关键特征,结合物理冶金学理论,建立预测晶化温度的量化准则。
2.根据权利要求1所述的利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,所述步骤S2中训练集和测试集的比值为4:1。
3.根据权利要求1所述的利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,所述步骤S3中,可靠性评价指标为相关系数R2,且R2不低于0.90。
4.根据权利要求1所述的利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,所述步骤S5包括步骤:
S51、根据S42和S43所述合金设计准则设计高Bs和高Tx的铁基非晶合金成分;
S52、采用非自耗真空电弧熔炼的方法制备S51所述合金成分的母合金;
S53、采用熔体单辊旋淬法制备S52所述母合金的非晶合金薄带,带材厚度为15~25微米;
S54、S53所述非晶合金薄带制备过程中铜辊线速度大于30m/s;
S55、S53所述非晶合金薄带制备过程中采用红外测温仪监测熔体温度,保证熔体过热度大于300℃;
S56、利用差示扫描量热仪DSC和震动磁强计VSM分别测量S53所述非晶薄带的晶化温度Tx和饱和磁感应强度Bs,其中DSC测试升温速率为20K/min。
5.根据权利要求1所述的利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,设计开发了一系列同时具有高Bs和高Tx的铁基非晶合金成分,其中:Fe82.55B13.79Si0.9Zr2.76的饱和磁感应强度Bs为1.61 T,晶化温度Tx为738 K。
6.根据权利要求1所述的利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,设计开发了一系列同时具有高Bs和高Tx的铁基非晶合金成分,其中:
Fe81.55B14.79Si0.9Zr2.76饱和磁感应强度Bs为1.59 T,晶化温度Tx为757 K。
7.根据权利要求1所述的利用机器学习模型设计高热稳定性铁基软磁非晶合金的方法,其特征在于,所述步骤S5的预测误差计算方法为:(目标性能-预测性能)/目标性能;所述步骤S5的预测误差低于10%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367742.XA CN112582032B (zh) | 2020-11-27 | 2020-11-27 | 基于机器学习模型设计高热稳定性铁基软磁非晶合金 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367742.XA CN112582032B (zh) | 2020-11-27 | 2020-11-27 | 基于机器学习模型设计高热稳定性铁基软磁非晶合金 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112582032A CN112582032A (zh) | 2021-03-30 |
CN112582032B true CN112582032B (zh) | 2024-05-17 |
Family
ID=75126509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011367742.XA Active CN112582032B (zh) | 2020-11-27 | 2020-11-27 | 基于机器学习模型设计高热稳定性铁基软磁非晶合金 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112582032B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114613449A (zh) * | 2022-03-01 | 2022-06-10 | 哈尔滨工业大学(深圳) | 一种基于机器学习的新型非晶合金设计方法 |
CN114943186A (zh) * | 2022-07-19 | 2022-08-26 | 数皮科技(湖北)有限公司 | 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106636983A (zh) * | 2017-01-25 | 2017-05-10 | 青岛云路先进材料技术有限公司 | 一种铁基非晶合金的制备方法 |
CN110010210A (zh) * | 2019-03-29 | 2019-07-12 | 北京科技大学 | 基于机器学习并面向性能要求的多组元合金成分设计方法 |
CN110415769A (zh) * | 2019-07-31 | 2019-11-05 | 东北大学 | 基于物理冶金学指导下机器学习的低活化钢的设计方法 |
CN110428876A (zh) * | 2019-07-31 | 2019-11-08 | 东北大学 | 一种基于物理指导的机器学习算法的钢铁材料设计方法 |
CN110442954A (zh) * | 2019-07-31 | 2019-11-12 | 东北大学 | 基于物理冶金学指导下机器学习的超高强不锈钢设计方法 |
CN110541116A (zh) * | 2019-10-15 | 2019-12-06 | 桂林电子科技大学 | 一种晶化可控的铁基纳米晶软磁合金及其制备方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10776712B2 (en) * | 2015-12-02 | 2020-09-15 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
US11915105B2 (en) * | 2019-02-05 | 2024-02-27 | Imagars Llc | Machine learning to accelerate alloy design |
-
2020
- 2020-11-27 CN CN202011367742.XA patent/CN112582032B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106636983A (zh) * | 2017-01-25 | 2017-05-10 | 青岛云路先进材料技术有限公司 | 一种铁基非晶合金的制备方法 |
CN110010210A (zh) * | 2019-03-29 | 2019-07-12 | 北京科技大学 | 基于机器学习并面向性能要求的多组元合金成分设计方法 |
CN110415769A (zh) * | 2019-07-31 | 2019-11-05 | 东北大学 | 基于物理冶金学指导下机器学习的低活化钢的设计方法 |
CN110428876A (zh) * | 2019-07-31 | 2019-11-08 | 东北大学 | 一种基于物理指导的机器学习算法的钢铁材料设计方法 |
CN110442954A (zh) * | 2019-07-31 | 2019-11-12 | 东北大学 | 基于物理冶金学指导下机器学习的超高强不锈钢设计方法 |
CN110541116A (zh) * | 2019-10-15 | 2019-12-06 | 桂林电子科技大学 | 一种晶化可控的铁基纳米晶软磁合金及其制备方法 |
Non-Patent Citations (4)
Title |
---|
Formation and Soft Magnetic Properties of Fe–B–Si–Zr Bulk Glassy Alloys with High Saturation Magnetization above 1.5T;Akihisa Inoue et al.;《Materials Transactions》;第43卷(第9期);摘要、第2节 * |
Interpretable machine-learning strategy for soft-magnetic property and thermal stability in Fe-based metallic glasses;Zhichao Lu et al.;《npj Computational Materials》(第6期);187 * |
吴佳琦等.机器学习在非晶材料中的应用.《中国科学:物理学 力学 天文学》.2020,第50卷(第6期),067002. * |
机器学习在非晶材料中的应用;吴佳琦等;《中国科学:物理学 力学 天文学》;第50卷(第6期);067002 * |
Also Published As
Publication number | Publication date |
---|---|
CN112582032A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112582032B (zh) | 基于机器学习模型设计高热稳定性铁基软磁非晶合金 | |
CN109647899B (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
CN116523320B (zh) | 基于互联网大数据的知识产权风险智能分析方法 | |
CN112547807B (zh) | 一种基于决策树算法的热轧带钢质量精准判定方法 | |
CN117313016B (zh) | 一种新能源电力交易现货电价价差数据处理方法 | |
CN102880809A (zh) | 基于关联向量回归模型的聚丙烯熔融指数在线检测方法 | |
CN106897774A (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
Martínez-de-Pisón et al. | Mining association rules from time series to explain failures in a hot-dip galvanizing steel line | |
CN116167640B (zh) | 一种lcp薄膜生产质量检测数据分析方法及系统 | |
CN108415393A (zh) | 一种砷化镓产品质量一致性控制方法及系统 | |
Wang et al. | A new data-driven roll force and roll torque model based on FEM and hybrid PSO-ELM for hot strip rolling | |
CN115718906A (zh) | 一种多能源系统多源异构数据融合方法及系统 | |
CN109145421A (zh) | 一种应用于分布参数系统的时空模糊建模方法 | |
CN102890718B (zh) | 基于有监督显式流形学习算法的电子鼻数据挖掘方法 | |
CN113705897A (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
TW200534147A (en) | The suitable method for selection of manufacturing factors and the best combination of interactive factors under multiple quality properties | |
WO2024060287A1 (zh) | 一种高炉炉温预测方法、终端设备及存储介质 | |
CN110415769A (zh) | 基于物理冶金学指导下机器学习的低活化钢的设计方法 | |
CN115438705A (zh) | 一种基于可穿戴设备的人体动作预测方法 | |
CN114239378A (zh) | 一种基于自定义LightGBM模型损失的注塑制品尺寸预测方法 | |
CN113807023B (zh) | 基于门控循环单元网络的工业互联网设备故障预测方法 | |
CN111553048B (zh) | 一种基于高斯过程回归的烧结过程运行性能预测的方法 | |
CN117236381B (zh) | 一种基于三元组长短时记忆神经网络的刀具磨损监测方法 | |
Xiao et al. | Research on carbon-monoxide utilization ratio in the blast furnace based on kolmogorov entropy | |
Miao et al. | Research on Operation Status Prediction of Production Equipment Based on Digital Twins and Multidimensional Time Series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |