CN114580272B - 同时对多元电接触合金导电率和硬度进行优化的设计方法 - Google Patents

Abstract

本发明涉及一种同时对多元电接触合金导电率和硬度进行优化的设计方法，包括：从文献中查找多元电接触材料的化学式、制备工艺以及导电率和硬度值，将其输入计算机系统作为数据集样本；通过相关性筛选、遗传算法、穷举等特征筛选方法获得影响多元电接触合金材料性能的关键合金特征；然后，基于关键特征筛选结果，采用随机森林回归算法建立性能预测机器学习模型；采用多目标优化算法对建立的预测模型进行多性能优化，最终快速筛选出导电率和硬度均表现优异的合金成分，实现综合性能优异的新型合金开发；本发明基于可靠的文献数据和建模方法，对同时优化多元电接触合金材料导电率和硬度性能具有简便快捷、低成本、准确率高等优点。

Description

同时对多元电接触合金导电率和硬度进行优化的设计方法

技术领域

本发明涉及电接触合金材料领域，涉及一种同时对多元电接触合金导电率和硬度进行优化的设计方法，尤其是一种基于机器学习的能够同时优化多元电接触合金材料导电率和硬度的方法。

技术背景

电接触材料一般用于制造开关、断路器、接触器、连接器、继电器、电位器、调谐器、接插件等电子器件的触点部件。电接触材料的基本要求为良好的导电导热性、低接触电阻、小温升、高抗熔焊和抗环境介质污染。铸造法制备的电接触材料的导电性能优异，制备工艺简单，容易规模化生产，但其强度不足、抗电弧侵蚀能力偏低，限制了该类合金的广泛应用。在确保导电率基本不损失的前提下，提升电接触材料的强度等性能是拓宽该类合金应用的有效途径。目前主要通过引入新的强化组元和改变添加元素含量的合金化法来开发新型多元电接触材料。但改性过程中合金为多元(如四元、五元甚至以上)，在设计开发时，面临因组分和结构复杂导致的研发工作量大等普遍性问题。而实验寻找和优化设计功能材料的方法通常是“试错法”。由组分、结构、制备加工条件等因素决定的材料空间巨大。通过“试错法”在巨大的材料空间中寻找新的电接触材料，面临开发周期长、成本高(电接触材料大部分为贵金属基材料)等问题。因此，迫切需要提出一种电接触材料新型研发方式来解决传统材料研发方式的缺陷。

综合性能是衡量材料能否满足工程应用的前提。但是，由于材料性能影响因素众多、性能间交互作用复杂，如材料的强度与塑性/韧性，强度与导电率等，往往相互冲突，呈此消彼长的矛盾关系，例如：在纯Ag中添加Cu或者在Ag-Cu合金中添加Au、Ni和In等元素，会增加合金强度但塑性和导电率会下降，且随添加元素的含量增加，其强度逐渐增加而塑性和导电率会逐渐下降；而在纯Pd-Au中添加Ag时，其强度下降而塑性及导电率增加，且随添加量的增加，强度下降更加明显而塑性及导电率增加更明显。因此，设计研发平衡材料各类性能最优值、实现综合性能最优的材料，一直是材料领域的难题。

发明内容

本发明的目的是为了克服现有技术对同时优化多元电接触合金材料导电率和硬度两种性能时存在实验周期长以及实验成本高等缺陷，而提供一种简便快捷、低成本、节省人力的基于机器学习技术同时优化多元电接触合金材料导电率和硬度的方法。本发明采用机器学习的多目标优化策略试图实现此类多性能的同时优化。

本发明的目的通过以下技术方案来实现：

一种同时对多元电接触合金导电率和硬度进行优化的设计方法，包括以下步骤：

1)从文献中查找电接触材料的化学式、制备工艺以及导电率和硬度值，将其输入计算机系统作为数据集样本，其中化学式和制备工艺作为输入，导电率和硬度值为机器学习模型的预测目标值；

2)提取所涉及元素的基本物理化学参量作为构建筛选用物理化学参量集，按照所收集合金化学式的化学配比构建一个用于评价各参量对目标量影响程度的特征集，并以此为构建机器学习模型的候选特征集。其中，基本物理化学参量包括第三电离能、电子亲和能、化学势能、结合能、体积模量、杨氏模量、压缩模量、刚度模量等在内多个(如表示为k个)物理化学参量；此外，评价各物理化学参量影响程度的特征集的构建过程如下：用式(1)计算每一个合金的k个物理化学参量摩尔平均值特征量，用式(2)计算每一个合金的k个物理化学参量不匹配值特征量。并以和作为机器学习性能预测模型的输入。

上式中，c_i代表第i个元素的摩尔分数，i代表合金的元素序号，其中i＝1,2,…,n，n代表合金的组元数量，X_i代表第i个元素的物理化学参量。

3)将数据集随机地划分为训练集(80-90％)和测试集(10-20％)两部分。

4)通过线性相关性过滤、遗传算法、穷举筛选进行特征筛选，寻找影响电接触材料性能的关键特征。合金特征筛选过程选用随机森林回归算法作为机器学习模型；在对合金特征筛选进行评价时，分别采用线性回归相关系数R、平均绝对百分比误差MAPE和均方根误差RMSE等参数综合分析建模的效果。此外，所采用的遗传算法以候选特征作为个体，以候选特征数目作为遗传算法染色体长度，以01进行基因编码，其中1代表选择该位置的特征，0代表不选择该位置的特征，以模型误差最小化作为适应度函数，通过遗传算法进化进行候选特征筛选。线性相关以剔除具有强线性相关的合金特征，遗传算法和穷举筛选找出组合后建模预测精度最佳的合金特征。

5)基于以上关键合金特征筛选的结果，采用随机森林回归算法进行回归建模，并采用线性回归相关系数R、平均绝对百分比误差MAPE和均方根误差RMSE等参数综合分析建模的效果。此外，结合多目标优化算法—小生境Pareto遗传算法NPGA对电接触材料的导电率和硬度进行双目标性能快速综合优化。

6)对于特定已优化的工艺，选定元素种类搜索范围和各元素最小变化量建立成分空间，进行性能预测。在预测得到的结果中选择位于Pareto前沿的导电率和硬度均相对较好的数据作为新型设计合金。对于不同工艺的样本数据，基于以上思路进行化学成分和工艺的同时优化。

本发明与现有技术相比较，具有如下有益效果：

1.本发明方法对同时优化四元至多元电接触材料合金导电率和硬度具有较好的效果，该方法具有普适性；

2.本发明方法可以有效提升具有理想导电率和硬度组合的多元电接触合金材料的设计效率；根据对导电率和硬度大小的需求，固定目标变量值，限制元素种类及元素组分范围，可以给出候选的导电率和硬度的合金化学式，具有面向性能和需要设计的优势，避免不断地试错，克服了传统“试错法”的缺点；

3.本发明方法基于机器学习技术同时优化多元电接触合金材料导电率和硬度的方法，全程不涉及实验与化学用品，符合绿色环保理念，成本低。

附图说明

图1为本发明的设计方法的基本流程图。

图2为实施例1所建立的导电率模型表现示意图。

图3为实施例1所建立的硬度模型表现示意图。

具体实施方式

下面结合附图和优选实施例对本发明进行详细说明。

实施例1：对Ag-Cu-Ni-Ce系合金的导电率和硬度进行同时优化。

具体步骤如下：

1)本实施例的设计思路和流程如图1所示，从文献中查找电接触材料的化学式、导电率和硬度值作为数据集样本，其中化学式和制备工艺作为输入，导电率和硬度值为机器学习模型的预测目标值，部分电接触合金材料的化学式、导电率和硬度实验值如表1。

表1收集的部分电接触合金材料的化学式、导电率和硬度实验值

No	化学式	导电率	硬度	工艺状态
					1	95.1Ag-4.2Cu-0.3Ni-0.4Ce	43.32	98	软态
2	97Ag-3Cu	95.78	50	软态
					3	92.5Ag-4.5Cu-0.3Ni	84.1	78	软态
4	88Ag-10Cu-2Ni	71.84	90	软态
					5	95Ag-5Cu	95.78	55	软态
6	72Ag-28Cu-2Ni-10Au	78.37	92	软态
					…	…	…	…	…

2)提取所涉及元素的基本物理化学参量作为构建筛选用物理化学参量集，基本物理化学参量包括第三电离能、电子亲和能、化学势能、结合能、体积模量、杨氏模量、压缩模量、刚度模量等在内的多个(如k个)物理化学参量，部分基本物理化学参量如表2所示。然后，按照所收集合金化学式的化学配比构建一个用于评价各参量对目标量影响程度的特征集，并以此为机器学习模型的输入值。评价各物理化学参量影响程度的特征集的构建过程如下：用式(1)计算每一个合金的k个物理化学参量摩尔平均值特征量，用式(2)计算每一个合金的k个物理化学参量不匹配值特征量。并以和作为机器学习性能预测模型的输入。

上式中，c_i代表第i个元素的摩尔分数，i代表合金的元素序号，其中i＝1,2,…,n，n代表合金的组元数量，X_i代表第i个元素的物理化学参量。

表2部分元素的部分基本物理化学参量

针对实施例1，上述公式(1)和公式(2)具体用法如下：公式(1)和公式(2)每次带入一个物理化学参量，分别各得到一个对应的物理化学参量的摩尔平均值特征量以及不匹配值特征量，当依次带入K个物理化学参量后，就构建出2K个特征量集合用于后续的特征筛选，以表1中第一个数据95.1Ag-4.2Cu-0.3Ni-0.4Ce和表2中对应的第1个物理化学参量化学势能为例来说明，其他针对第一个数据95.1Ag-4.2Cu-0.3Ni-0.4Ce的物理化学参量的摩尔平均值以及参量不匹配值依此类推：

对于公式(1)，n代表合金的组元数量，此处表1中第一个数据95.1Ag-4.2Cu-0.3Ni-0.4Ce为4元合金，所以此处n＝4，i代表合金的元素序号，i＝1,2，3,4，分别依次对应着元素Ag，Cu，Ni和Ce，c_i代表第i个元素的摩尔分数，对于95.1Ag-4.2Cu-0.3Ni-0.4Ce，分别对应着Ag，Cu，Ni和Ce 4个元素的摩尔分数为(95.1/107.87)/(0.882+0.066+0.005+0.003)＝0.882/0.956＝0.923，(4.2/63.55)/0.956＝0.066/0.956＝0.069，(0.3/58.69)/0.956＝0.005/0.956＝0.005，(0.4/140.12)/0.956＝0.003/0.956＝0.003；此外，X_i代表第i个元素的物理化学参量，对于95.1Ag-4.2Cu-0.3Ni-0.4Ce的第1个物理化学参量化学势能而言，分别对应着Ag，Cu，Ni和Ce 4个元素的化学势能值为(由表2中的数值可查询到)：4.35,4.45,5.2以及3.18。

因此，由公式(1)得第1个物理化学参量化学势能的摩尔平均值

由公式(2)得第1个物理化学参量化学势能的参量不匹配值

以此类推，可依次得到第一个数据的其他物理化学参量的摩尔平均值以及参量不匹配值同理，以此类推，可得到其他各个数据的2k个特征数量集合。

3)将数据集随机地划分为训练集(80％)和测试集(20％)两部分。

4)通过线性相关性过滤、遗传算法、穷举筛选进行特征筛选，寻找影响电接触材料性能的关键特征。合金特征筛选过程选用随机森林回归算法作为机器学习模型；在对合金特征筛选进行评价时，分别采用线性回归相关系数R、平均绝对百分比误差MAPE和均方根误差RMSE等参数综合分析建模的效果。

5)基于以上关键合金特征筛选的结果，采用随机森林回归算法进行回归建模，并采用线性回归相关系数R、平均绝对百分比误差MAPE和均方根误差RMSE等参数综合分析建模的效果，且基于机器学习建立的导电率模型和硬度模型表现分别如图2和图3所示，其模型表现较好。此外，结合多目标优化算法—小生境Pareto遗传算法对电接触材料的导电率和硬度进行双目标性能快速综合优化。

6)由于所收集的数据来自相同工艺，所以此处不考虑工艺条件的影响。通常在Ag基体中添加Cu、Ni和Ce元素，会增加合金强度但塑性和导电率会下降，且随添加元素的含量增加，其强度逐渐增加而塑性和导电率会逐渐下降。因此，以Ag-Cu-Ni-Ce为研究对象，进行硬度和导电率两个此消彼长性能的优化具有代表性。以Cu、Ni和Ce 3个元素作为添加元素，选取各元素搜索范围(质量分数)为Cu：0～30％、Ni：0～2％、Ce：0～0.8％，各个元素均以0.01％(质量分数)的间距建立成分空间，进行性能预测和优化筛选。在预测得到的结果中选择位于Pareto前沿的导电率和硬度均相对较好的数据。在对Ag-Cu-Ni-Ce的导电率和硬度同时优化的过程中，最终优化的成分为：Ag-22.67Cu-0.06Ni-0.21Ce，其对应的导电率和硬度分别为78.07％IACS和105.93HV，其优化结果较现有商业化成分对应的性能更好。经实验验证，导电率及硬度的预测值与实验值误差均小于8％。因此，本发明的方法在同时优化电接触合金材料的导电率和硬度时具有较好的效果。

实施例2：对Ag-Cu-Ni-V系合金的导电率和硬度进行同时优化。

本实施例与上述实施例1中的步骤1)-5)基本相同，特别之处在于步骤6)：

通常在Ag基体中添加Cu、Ni和V元素，会增加合金强度但塑性和导电率会下降，且随添加元素的含量增加，其强度逐渐增加而塑性和导电率会逐渐下降。因此，以Ag-Cu-Ni-V为研究对象，进行硬度和导电率两个此消彼长性能的优化具有代表性。以Cu、Ni和V 3个元素作为添加元素，选取各元素搜索范围(质量分数)为Cu：0～30％、Ni：0～2％、V：0～0.5％，各个元素均以0.01％(质量分数)的间距建立成分空间，进行性能预测和优化筛选。在预测得到的结果中选择位于Pareto前沿的导电率和硬度均相对较好的数据。在对Ag-Cu-Ni-V的导电率和硬度同时优化的过程中，最终优化的成分为：Ag-10.64Cu-0.17Ni-0.3V，其对应的导电率和硬度分别为80.35％IACS和104.82HV，预测值与实验值误差均小于8％。

实施例3：对Ag-Cu-Ni-Y系合金导的电率和硬度进行同时优化。

本实施例与上述实施例1中的步骤1)-5)基本相同，特别之处在于步骤6)：

通常在Ag基体中添加Cu、Ni和Y元素，会增加合金强度但塑性和导电率会下降，且随添加元素的含量增加，其强度逐渐增加而塑性和导电率会逐渐下降。因此，以Ag-Cu-Ni-V为研究对象，进行硬度和导电率两个此消彼长性能的优化具有代表性。以Cu、Ni和Y 3个元素作为添加元素，选取各元素搜索范围(质量分数)为Cu：0～30％、Ni：0～2％、Y：0～0.4％，各个元素均以0.01％(质量分数)的间距建立成分空间，进行性能预测和优化筛选。在预测得到的结果中选择位于Pareto前沿的导电率和硬度均相对较好的数据。在对Ag-Cu-Ni-Y的导电率和硬度同时优化的过程中，最终优化的成分为：Ag-22.92Cu-0.02Ni-0.26Y，其对应的导电率和硬度分别为77.32％IACS和109.06HV，预测值与实验值误差均小于8％。

综上所述，上述实施例对多元电接触合金材料同时优化导电率和硬度的方法，首先，从文献中查找电接触材料的化学式、制备工艺以及导电率和硬度值，输入计算机系统作为数据集样本；通过相关性筛选、遗传算法、穷举等特征筛选方法获得影响电接触合金材料性能的关键合金特征；然后，基于关键特征筛选结果，采用随机森林回归算法建立性能预测机器学习模型；采用多目标优化算法对建立的预测模型进行多性能优化，最终快速筛选出导电率和硬度均表现优异的合金成分，实现综合性能优异的新型合金开发；本发明基于可靠的文献数据和建模方法，对同时优化四元乃至多元的电接触合金材料导电率和硬度性能具有简便快捷、低成本、准确率高等优点。

上述实施例中仅列举本发明部分的实施例，上述各实施例可在不脱离本发明的范围下加以若干变化，此处不再一一列举，故以上的说明所包含应视为例示性，而非用以限制本发明申请专利的保护范围。

Claims (9)

1.一种同时对多元电接触合金导电率和硬度进行优化的设计方法，其特征在于，包括以下步骤：

1)查找多元电接触合金的化学式、制备工艺以及导电率和硬度值，将其输入计算机系统作为数据集样本，其中化学式和制备工艺作为输入，导电率和硬度值为机器学习模型的预测目标值；

2)提取所涉及元素的基本物理化学参量作为构建筛选用物理化学参量集，按照所收集合金化学式的化学配比构建一个用于评价各基本物理化学参量对目标量影响程度的特征集，并以此为构建机器学习模型的候选特征集；

3)将数据集随机地划分为训练集和测试集两部分；

4)通过线性相关性过滤、遗传算法、穷举筛选进行特征筛选，寻找影响电接触材料性能的关键合金特征；

5)基于所述关键合金特征筛选的结果，采用机器学习算法进行回归建模，并结合多目标优化算法对多元电接触合金的导电率和硬度进行双目标性能快速综合优化；

6)对于特定已优化的工艺，选定元素种类搜索范围和各元素最小变化量建立成分空间，进行性能预测，将导电率和硬度均相对较好的数据作为新型设计合金；

用式(1)计算每一个合金的各基本物理化学参量的摩尔平均值特征量，用式(2)计算每一个合金的各基本物理化学参量不匹配值特征量；并以和作为机器学习性能预测模型的输入；

其中，c_i代表第i个元素的摩尔分数(i＝1,2,…n)，n代表合金的组元数量，X_i代表第i个元素的物理化学参量。

2.根据权利要求1所述的设计方法，其特征在于，所述步骤2)中的基本物理化学参量包括化学势能、结合能、功函数、金属半径、表面焓、原子化焓、融化焓、蒸发焓、空位焓变、杨氏模量、压缩模量、刚度模量在内的共12个物理化学参量。

3.根据权利要求1所述的设计方法，其特征在于，所述步骤4)和步骤5)中在合金特征筛选和性能模型建模过程中，均选用随机森林回归算法作为机器学习模型。

4.根据权利要求3所述的设计方法，其特征在于，对合金特征筛选和最终预测模型进行评价时，分别采用线性回归相关系数R、平均绝对百分比误差MAPE和均方根误差RMSE综合分析建模的效果。

5.根据权利要求1所述的设计方法，其特征在于，所述步骤4)的遗传算法为高效特征筛选方法，以候选特征作为个体，以候选特征数目作为遗传算法染色体长度，以“01”进行基因编码，其中“1”代表选择该位置的特征，“0”代表不选择该位置的特征，以模型误差最小化作为适应度函数，通过遗传算法进化进行候选特征筛选。

6.根据权利要求1所述的设计方法，其特征在于，所述步骤5)的回归建模算法为随机森林回归算法，以筛选的关键特征作为输入，以合金导电率和硬度作为数据建模，通过模型参数优化，模型过拟合程度低，模型预测误差小于8％。

7.根据权利要求1所述的设计方法，其特征在于，所述步骤5)的多目标优化算法采用小生境Pareto遗传算法NPGA对电接触材料的导电率和硬度进行双目标性能快速综合优化。

8.根据权利要求7所述的设计方法，其特征在于，在预测得到的结果中选择位于Pareto前沿的导电率和硬度均相对较好的数据作为新型设计合金。

9.根据权利要求1-8任一项所述的设计方法，其特征在于，在步骤3)中，其中训练集占80-90％、测试集占10-20％。