CN117789875A - 一种设计高强度高熵合金的数据驱动方法及应用 - Google Patents
一种设计高强度高熵合金的数据驱动方法及应用 Download PDFInfo
- Publication number
- CN117789875A CN117789875A CN202311727559.XA CN202311727559A CN117789875A CN 117789875 A CN117789875 A CN 117789875A CN 202311727559 A CN202311727559 A CN 202311727559A CN 117789875 A CN117789875 A CN 117789875A
- Authority
- CN
- China
- Prior art keywords
- alloy
- entropy alloy
- value
- data
- combination
- 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.)
- Granted
Links
- 239000000956 alloy Substances 0.000 title claims abstract description 487
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 481
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012827 research and development Methods 0.000 claims abstract description 61
- 238000013461 design Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 112
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 37
- 239000011651 chromium Substances 0.000 claims description 34
- 239000000126 substance Substances 0.000 claims description 33
- 238000011161 development Methods 0.000 claims description 30
- 230000008018 melting Effects 0.000 claims description 23
- 238000002844 melting Methods 0.000 claims description 23
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 21
- 239000000203 mixture Substances 0.000 claims description 18
- 238000000638 solvent extraction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000002360 preparation method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 229910052782 aluminium Inorganic materials 0.000 claims description 9
- 229910052720 vanadium Inorganic materials 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims description 6
- 238000000889 atomisation Methods 0.000 claims description 6
- 238000009835 boiling Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 239000003574 free electron Substances 0.000 claims description 6
- 229910052721 tungsten Inorganic materials 0.000 claims description 6
- 239000010949 copper Substances 0.000 claims description 5
- 229910052750 molybdenum Inorganic materials 0.000 claims description 5
- 239000010955 niobium Substances 0.000 claims description 5
- 239000010936 titanium Substances 0.000 claims description 5
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 4
- 229910052804 chromium Inorganic materials 0.000 claims description 4
- 229910017052 cobalt Inorganic materials 0.000 claims description 4
- 239000010941 cobalt Substances 0.000 claims description 4
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 229910052735 hafnium Inorganic materials 0.000 claims description 4
- VBJZVLUMGGDVMO-UHFFFAOYSA-N hafnium atom Chemical compound [Hf] VBJZVLUMGGDVMO-UHFFFAOYSA-N 0.000 claims description 4
- 239000011733 molybdenum Substances 0.000 claims description 4
- 229910052759 nickel Inorganic materials 0.000 claims description 4
- 229910052758 niobium Inorganic materials 0.000 claims description 4
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 229910052715 tantalum Inorganic materials 0.000 claims description 4
- GUVRBAGPIYLISA-UHFFFAOYSA-N tantalum atom Chemical compound [Ta] GUVRBAGPIYLISA-UHFFFAOYSA-N 0.000 claims description 4
- 229910052719 titanium Inorganic materials 0.000 claims description 4
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 4
- 239000010937 tungsten Substances 0.000 claims description 4
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 claims description 4
- QCWXUUIWCKQGHC-UHFFFAOYSA-N Zirconium Chemical compound [Zr] QCWXUUIWCKQGHC-UHFFFAOYSA-N 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 229910052726 zirconium Inorganic materials 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 37
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000003723 Smelting Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 14
- 239000002994 raw material Substances 0.000 description 14
- 229910052751 metal Inorganic materials 0.000 description 12
- 239000002184 metal Substances 0.000 description 12
- 239000000470 constituent Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 238000012512 characterization method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000007769 metal material Substances 0.000 description 5
- 238000011056 performance test Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 4
- 239000013590 bulk material Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 238000001035 drying Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000000227 grinding Methods 0.000 description 4
- 238000003756 stirring Methods 0.000 description 4
- 229910000967 As alloy Inorganic materials 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 244000137852 Petrea volubilis Species 0.000 description 2
- 229910001264 Th alloy Inorganic materials 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 2
- 238000012669 compression test Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000011572 manganese Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 229910018507 Al—Ni Inorganic materials 0.000 description 1
- 241000486463 Eugraphe sigma Species 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 241001062472 Stokellia anisodon Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910001325 element alloy Inorganic materials 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- VSZWPYCFIRKVQL-UHFFFAOYSA-N selanylidenegallium;selenium Chemical compound [Se].[Se]=[Ga].[Se]=[Ga] VSZWPYCFIRKVQL-UHFFFAOYSA-N 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Landscapes
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种设计高强度高熵合金的数据驱动方法及应用。本发明基于合金元素的含量和元素的物化性质提供了一种设计高熵合金成分的方法，能够快速获得材料研发效率最优的特征组合，以此特征组合内的合金特征为输入，以高熵合金的屈服强度值为输出，建立得到智能算法模型，以此解决小数据样本建模的模型预测偏差大的问题，实现广域空间内的具有高强度性能高熵合金的成分快速搜索，最终设计得到高强高熵合金的成分，所制备得到高强高熵合金材料的密度低且强度高，具有更优异的综合力学性能。
Description
技术领域
本发明涉及金属材料设计技术领域，具体地，涉及一种设计高强度高熵合金的数据驱动方法及应用。
背景技术
随着社会的不断进步和科技的快速发展，国民经济建设对高性能金属材料的需求愈发迫切，传统基于单一主元设计的合金体系不断完善、性能发展趋于饱和，高性能金属材料的研发设计及应用遇到瓶颈。随着多主元合金成分设计理念的提出，高熵合金为高性能金属材料的设计提供了丰富的探索空间，极大提升了合金成分选择、性能调控的自由度。高熵合金具有高强度、高硬度等优异的力学性能，在航空航天、海洋工程等领域具有广阔的应用前景。然而，高熵合金组成元素众多、成分体系复杂，采用传统的经验试错方法，难以满足快速、精准的成分设计需求，导致新型高性能高熵合金的研发效率低、周期长。因此，如何开发高效的高强合金设计方法，成为金属合金乃至整个材料设计领域亟需突破的技术难题。
近年来，材料基因工程的兴起引领了材料研发新范式，以机器学习为代表的数据技术在材料设计中发挥越来越大的作用。基于大量的历史积累数据，通过训练并建立高精度的机器学习模型，可实现对材料性能的快速预测，加速材料成分设计。机器学习模型建立通常以材料特征为输入，以材料性能为输出，基于历史数据样本建立输入与输出的关系，由此进行未知材料的性能预测。现有技术已经公开了一些利用机器学习模型筛选或预测高熵合金性能，并以此设计合金成分的方法(如：CN113870957A、CN114678086A、CN112216356A、CN115061435A和CN114464274A)。然而，由于高熵合金材料可用于建模的历史数据样本普遍较少，因此，基于小数据样本建立的智能算法机器学习模型对广域成分空间内合金性能的泛化预测效果较差，模型真实预测精度的高低及其对材料研发效率的影响，与其采用的材料特征输入密切相关。然而，目前的研究仅仅关注提升模型精度的材料特征输入，即在有限的历史数据样本上评估模型精度的高低，并未考虑材料特征对真实材料研发效率的提升作用。
事实上，由于材料历史数据样本较少，导致基于极有限数据信息训练的机器学习模型，即使在初始训练数据上有较好的预测表现，但在对高维复杂成分空间内的高熵合金性能预测时，存在预测不稳定、预测偏差大的问题，进而导致真实的合金成分设计难以达到预期的高效率。因此，如何基于小数据样本，通过有效的材料特征选择，提升机器学习模型在广域空间内的预测稳定性，实现性能导向下的材料成分高效设计，成为数据驱动高熵合金乃至金属材料设计领域亟需解决的一大难题。
发明内容
为了解决现有技术中面向小数据样本，缺少基于有效特征选择方法导致高熵合金成分设计低效的问题，本发明提供了一种设计高强度高熵合金的数据驱动方法及应用。
本发明的第一个目的是提供一种设计高强度高熵合金的方法。
本发明的第二个目的是提供所述方法在制备高强度高熵合金中的应用。
本发明的第三个目的是提供一种设计高强度高熵合金的系统。
为了实现上述目的，本发明是通过以下方案予以实现的：
本发明通过开发一种基于材料研发效率的新型特征选择方法，融合特征生成、特征筛选、研发效率评估等功能，构建了一种基于特征选择的高强高熵合金智能设计方法，实现广域成分空间内的高强高熵合金的快速设计。
一种设计高强度高熵合金的方法，包括以下步骤：
S1.获取1个高熵合金样本的数据，所述高熵合金样本的数据包括第一信息～第五信息，其中所述第一信息为组成高熵合金样本的元素，第二信息为高熵合金样本中各元素的摩尔百分含量，第三信息为高熵合金样本中各元素的N物化性质个物化性质及其数值，第四信息为高熵合金样本的屈服强度值，第五信息为高熵合金样本的特征集合；
所述特征集合由不同的特征组合组成；所述特征组合由不同的合金特征组成；所述合金特征包括合金特征值和合金特征标签，所述合金特征标签由所述合金特征值对应的物化性质和公式组成；所述特征组合中的每个合金特征的合金特征标签组成该特征组合的组合标签；
获取所述特征集合的方法包括以下步骤：
S11.合金特征值的获取：
利用所述第一信息、第二信息和第三信息中的1个物化性质及其数值，分别根据公式(1)～(9)进行运算，共得到该物化性质对应的9个运算结果，1个运算结果记为1个合金特征值；
公式(1)：
公式(2)：
公式(3)：
公式(4)：MAX.X＝max(xi)；
公式(5)：MIN.X＝min(xi)；
公式(6)：Range.X＝max(xi)-min(xi)；
公式(7)：
公式(8)：
公式(9)：
其中，X表示高熵合金样本中的n个元素i的物化性质均值；；δX表示高熵合金样本中的n个元素i的物化性质的数值与其物化性质均值的差值；D.X表示高熵合金样本中的n个元素i的物化性质与其物化性质均值的差值；MAX.X表示高熵合金样本中的元素i的物化性质的数值的最大值；MIN.X表示高熵合金样本中的元素i的物化性质的数值的最小值；Range.X表示高熵合金样本中的元素i的物化性质的变化范围；MAXC.X表示高熵合金样本中的元素i的物化性质的数值的最大值与元素i的摩尔百分含量的乘积；MINC.X表示高熵合金样本中的元素i的物化性质的数值的最小值与元素i的摩尔百分含量的乘积；RangeC.X表示高熵合金样本的元素i的物化性质的波动范围；
n表示所述组成高熵合金样本的元素i的总个数；i和j分别表示高熵合金样本中的任意2个元素；ci和cj分别表示i和j的摩尔百分含量；xi和xj分别表示i和j的物化性质的数值；max(xi)和min(xi)分别表示高熵合金样本中元素i的物化性质的最大值和最小值；ci max和ci min分别表示max(xi)和min(xi)的对应元素i的摩尔百分含量；
重复本步骤的方法得到N物化性质个物化性质的9×N物化性质个合金特征值和9×N物化性质个合金特征标签，共得到9×N物化性质个合金特征；
S12.从9×N物化性质个合金特征中，随机抽取M个合金特征组成1个特征组合；
S13.重复步骤S12直至取完M个合金特征的所有排列组合形式，每次抽取的合金特征的数量相同；所得个特征组合构成特征集合；
重复本步骤的方法得到若干个高熵合金样本的数据；
S2.重复步骤S1，得到若干个高熵合金样本的数据；
从所得的所有高熵合金数据样本的数据中，随机抽取若干个高熵合金样本的数据作为训练数据，其余高熵合金样本的数据作为搜索数据，记为1次随机划分，所得到的训练数据和搜索数据组成1个训练数据-搜索数据组合；
重复N随机划分次随机划分，共得到N随机划分个不同的训练数据-搜索数据组合；
S3.根据步骤S2所得的N随机划分个不同的训练数据-搜索数据组合，获得高研发效率特征组合，包括以下步骤：
S31.随机取出1个训练数据-搜索数据组合，以其中的训练数据作为第一训练集，以其中的搜索数据作为第一测试集；
从所述第一训练集中的每个高熵合金样本的数据获取1个特征组合，各特征组合的合金特征标签相同；以得到的特征组合中的合金特征值作为输入值，以高熵合金样本的屈服强度值作为输出值，对克里金模型进行训练，得到合金特征标签与屈服强度值的回归模型，记为第一回归模型；
S32.针对所述第一测试集中的每一个高熵合金样本的数据获取一个特征组合，各特征组合的组合标签相同，且与步骤S31中所述的组合标签相同；
以得到的特征组合中的合金特征值作为输入数据，输入S31中所得的第一回归模型，得到第一测试集中各高熵合金样本针对该组合标签的输出值，包括各高熵合金样本的屈服强度值均值(即μ)和屈服强度值方差(即σ)；
步骤S2所得所有高熵合金样本的屈服强度值的最大值记为μ*，利用μ*以及第一测试集中各高熵合金样本的屈服强度值均值和屈服强度值方差，根据公式(10)计算得到第一测试集中各高熵合金样本的强度期望提升值(即EI，简称为E)，
公式(10)：
其中，EI表示第一测试集中的高熵合金样本的强度期望提升值；μ表示第一测试集中的高熵合金样本的屈服强度值均值；μ*表示步骤S2所得所有高熵合金样本的屈服强度值的最大值；σ表示第一测试集中的高熵合金样本的屈服强度值方差；表示概率密度函数，Φ表示概率分布函数；
S33.在所述第一测试集中，强度期望提升值最大(即Emax)的高熵合金样本的屈服强度值不为μ*，则将强度期望提升值最大(即Emax)的高熵合金样本的数据转移至第一训练集中，得到新的第一训练集和新的第一测试集；
利用新的第一训练集，按照步骤S31重新训练得到新的第一回归模型，并按照步骤S32得到新的强度期望提升值；直至第一测试集中强度期望提升值最大的高熵合金样本的屈服强度值为μ*；统计训练得到第一回归模型的次数，作为该组合标签的循环迭代次数；
S34.针对该训练数据-搜索数据组合中的每个合金特征标签对应的特征组合，重复步骤S31～S33，直至获得全部合金特征标签对应循环迭代次数，根据公式(11)计算得到各合金特征标签在该训练数据-搜索数据组合中的研发效率，
公式(11)：ηi＝1-Ti/Zi；
其中，i表示第i个合金特征标签；η表示合金特征标签的研发效率；T表示合金特征标签在该训练数据-搜索数据组合中的循环迭代次数；Z为该训练数据-搜索数据组合中初始的搜索数据中的高熵合金样本的总个数；
S35.重复执行步骤S31～S34，直至得到个合金特征标签在步骤S2所得的N随机划分个训练数据-搜索数据组合中的研发效率；
S36.针对每个训练数据-搜索数据组合，将所有合金特征标签按照研发效率的大小进行排序，删除研发效率小于阈值的合金特征标签，保留研发效率在阈值以上的合金特征标签；所述阈值记为η0，η0∈[75％，95％]；
S37.统计步骤S2所得所有训练数据-搜索数据组合中，被保留的合金特征标签的出现次数，根据公式(12)～(14)计算得到各特征组合的高强高熵合金研发效用，
公式(12)：
公式(13)：Pi＝Li/N随机划分；
公式(14)：
其中，i表示第i个合金特征标签；ηi k表示合金特征标签在第k个训练数据-搜索数据组合中的研发效率；表示合金特征标签的平均研发效率；Li表示合金特征标签的出现次数；Pi表示合金特征标签在N随机划分个训练数据-搜索数据组合中的出现频率；Ui表示合金特征标签对应的高强高熵合金研发效用；
所得高强高熵合金研发效用最大的合金特征标签，即为高研发效率标签；
S4.以步骤S1所得的所有高熵合金数据样本的数据作为第二训练集；针对每个高熵合金样本的数据，获取1个特征组合，该特征组合的合金特征标签与步骤S3所得高研发效率标签相同；
将所得各合金样本的特征组合的合金特征值作为输入值，以各合金样本的高熵合金样本的屈服强度值作为输出值，训练克里金模型，得到第二回归模型；
S5.构建得到广域合金空间，包括如下步骤：
S51.从N候选个不同的元素中，随机抽取一部分元素作为M候选个候选成分，得到1个候选成分组合，重复抽取，直至抽完候选合金的所有排列组合形式，得到个候选成分组合，对每个候选成分组合中的各候选成分的摩尔百分含量进行随机赋值一次，即得到1个候选合金；重复随机赋值，得到不同的候选合金；
S52.获取步骤S51所得每一个候选合金的数据，所述候选合金的数据包括第六信息～第九信息，其中所述第六信息为组成候选合金的元素，第七信息为候选合金中各元素的摩尔百分含量，第八信息为候选合金中各元素的N物化性质个物化性质及其数值，第九信息为候选合金的特征值；
其中，获取所述候选合金的特征值(即第九信息)的方法包括以下步骤：
利用第六信息和第七信息，以及第八信息中的物化性质及其数值，根据步骤S3所得高研发效率标签中的物化性质及对应公式，得到的计算结果，记为该候选合金的特征值；
S6.以广域合金空间作为第二测试集；针对所述第二测试集中的每个候选合金的数据，将各候选合金的特征值输入第二回归模型，即成分设计模型，模型Q，得到各候选合金针对高研发效率标签的输出值，包括各候选合金的屈服强度值均值和屈服强度值方差；
S7.针对广域合金空间中的每个候选合金，利用μ*以及步骤S6所得各候选合金的屈服强度值均值和屈服强度值方差，根据公式(10)进行计算，得到各候选合金的强度期望提升值，
公式(10)：
其中，EI表示候选合金的强度期望提升值；μ表示候选合金的屈服强度值均值，μ*表示步骤S2所得所有高熵合金样本的屈服强度值的最大值，σ表示候选合金的屈服强度值方差；表示概率密度函数，Φ表示概率分布函数；
所得强度期望提升值最大的候选合金即为设计得到的高强度高熵合金。
优选地，步骤S1中，所述组成高熵合金样本的元素包括铝(Al)、钴(Co)、铬(Cr)、铜(Cu)、铁(Fe)、镍(Ni)、锰(Mn)、硅(Si)、钒(V)、钛(Ti)、铌(Nb)、锆(Zr)、铪(Hf)、钽(Ta)、钼(Mo)和/或钨(W)。
优选地，步骤S1中，所述高熵合金样本的屈服强度值包括所述高熵合金样本的室温屈服屈服强度值。
优选地，步骤S1中，所述元素的物化性质包括密度(g/cm3)、熔点(℃)、沸点(℃)、结合能(J)、内聚能(J)、功函数(eV)、Pauling电负性、Allen电负性、价电子浓度(e/a)、核外自由电子浓度(e/a)、剪切模量(GPa)、弹性模量(GPa)、体积模量(GPa)、第一电离能(kJ/mol)、第二电离能(kJ/mol)、第三电离能(kJ/mol)、原子配位数、原子化焓(J/mol)、蒸发焓(J/g)、熔化焓(J/g)、化学势(J/mol)、原子体积(cm3/mol)、原子半径(nm)、价电子距离(nm)、核心电子距离(nm)、原子序数、元素周期数、元素族数、相对原子质量(1)和/或有效核电荷数。
更优选地，步骤S1中，第三信息为高熵合金样本中各元素的30个物化性质及其数值，所述物化性质为：密度、熔点、沸点、结合能、内聚能、功函数、Pauling电负性、Allen电负性、价电子浓度、核外自由电子浓度、剪切模量、弹性模量、体积模量、第一电离能、第二电离能、第三电离能、原子配位数、原子化焓、蒸发焓、熔化焓、化学势、原子体积、原子半径、价电子距离、核心电子距离、原子序数、元素周期数、元素族数、相对原子质量和有效核电荷数。
进一步优选地，步骤S11中，利用第一信息和第二信息，以及第三信息中的30个物化性质及其数值，根据公式(1)～(9)中的各公式分别得到的运算结果作为合金特征值。
优选地，步骤S12中，从9×N物化性质个合金特征中，随机抽取2个～4个合金特征组成1个特征组合。
更优选地，步骤S12中，从9×N物化性质个合金特征中，随机抽取2个或3个合金特征组成1个特征组合。
进一步优选地，步骤S1中所述第三信息为高熵合金样本中各元素的30个物化性质及其数值，则步骤S12中，从9×30个合金特征中，提取2个～4个合金特征，得到特征组合。
更进一步优选地，步骤S1中所述第三信息为高熵合金样本中各元素的30个物化性质及其数值，则步骤S12中，从9×30个合金特征中，提取3个合金特征，得到特征组合。
优选地，步骤S2中，随机按比例抽取高熵合金样本的数据作为训练数据；所述比例为90％、80％、70％、60％、50％、40％、30％、20％和10％中的任意一种。
更优选地，步骤S2中，重复1000次随机划分，共得到1000个不同的训练数据-搜索数据组合。
优选地，步骤S31中，以得到的特征组合中的合金特征值作为输入值，以高熵合金样本的屈服强度值作为输出值，采用十折交叉验证方法对克里金模型进行训练和参数优化，得到合金特征标签与屈服强度值的回归模型，记为第一回归模型。
优选地，步骤S36中，所述阈值记为η0，η0∈[85％，95％]。
更优选地，步骤S36中，所述阈值η0为90％。
优选地，步骤S2中，重复1000次随机划分，共得到1000个不同的训练数据-搜索数据组合，则步骤S37中，所述高强高熵合金研发效用的计算规则如公式(12)～(14)所示：
公式(12)：
公式(13)：Pi＝Li/1000；
公式(14)：
其中，ηi k表示利用第k组训练数据-搜索数据组合得到的特征组合Fi的研发效率；表示特征组合Fi的平均研发效率；Pi表示基于1000个不同的训练数据-搜索数据组合，特征组合Fi的出现频率Pi，即Fi的出现次数/1000；Ui表示特征组合Fi对应的高强高熵合金研发效用。
优选地，步骤S4中，将所得各合金样本的特征组合的合金特征值为输入数据，以各合金样本的高熵合金样本的屈服强度值的均值和高熵合金样本的屈服强度值的方差作为输出数据，采用十折交叉验证方法对克里金模型进行训练和参数优化，得到第二回归模型。
优选地，步骤S51中，铝、钴、铬、铜、铁、镍、锰、硅、钒、钛、铌、锆、铪、钽、钼和钨中，随机抽取5个～6个元素组成1个候选成分组合，重复抽取，直至抽完候选合金的所有排列组合形式，得到个～/>个候选成分组合。
优选地，步骤S51中，所述候选成分组合中各元素的摩尔百分含量的赋值范围为8％～32％，步长为1。
任一所述方法在制备高强度高熵合金中的应用也应在本发明的保护范围之内。
一种设计高强度高熵合金的系统，包括获取模块、存储模块和处理模块，所述获取模块用于获取高熵合金样本的数据；所述存储模块存储有可被所述处理模块执行的程序指令；所述处理模块用于执行所述程序指令以实现任一所述的方法设计得到高强度高熵合金。
一种计算机设备，包括存储器和处理器，所述存储器上存储有在所述处理器上可以执行的计算机程序；所述计算机程序被处理器执行时，实现任一所述方法的操作。
一种计算机可读存储介质，存储有能够被处理器执行的计算机程序，所述计算机程序被处理器执行时，实现任一所述方法的操作。
一种高强度高熵合金，其成分为任一所述的方法得到的高强度高熵合金的成分。
一种制备高强度高熵合金的系统，包括获取模块、存储模块、处理模块和制备模块，所述获取模块用于获取高熵合金样本的数据；所述存储模块存储有可被所述处理模块执行的程序指令；所述处理模块用于执行所述程序指令以实现任一所述的方法得到高强度高熵合金的成分；所述制备模块用于根据所述高强度高熵合金的成分制备得到高强度高熵合金。
与现有技术相比，本发明具有以下有益效果：
本发明基于高熵合金的组成元素、元素含量和元素物化性质，提供了一种设计高熵合金成分的方法，能够获得使材料研发效率最优的特征组合，以此特征组合内的合金特征为输入，以高熵合金的屈服强度值为输出，建立得到智能算法模型，以此解决小数据样本建模的模型泛化预测偏差大的问题，实现广域空间内的具有高强度性能高熵合金的成分快速搜索，最终设计得到高强高熵合金的成分，所制备得到高强高熵合金材料的密度低且强度高，具有更优异的综合力学性能。
附图说明
图1为Al12V15Cr32Co11Ni21Mo9(a)和Al9Cr29Fe27Co13Ni10Mo12(b)高熵合金块体材料的强度性能测试曲线。
图2为Al12V15Cr32Co11Ni21Mo9(a)和Al9Cr29Fe27Co13Ni10Mo12(b)高熵合金块体材料的相结构检测结果。
图3为Al12V15Cr32Co11Ni21Mo9(a)和Al9Cr29Fe27Co13Ni10Mo12(b)高熵合金块体材料的显微组织表征结果。
图4为Al12V15Cr32Co11Ni21Mo9和Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料与已报道高熵合金材料的性能对比结果。
图5为一种利用智能算法制备高强高熵合金的系统的运行流程图。
具体实施方式
下面结合说明书附图及具体实施例对本发明作出进一步地详细阐述，所述实施例只用于解释本发明，并非用于限定本发明的范围。下述实施例中所使用的试验方法如无特殊说明，均为常规方法；所使用的材料、试剂等，如无特殊说明，为可从商业途径得到的试剂和材料。
实施例1一种快速设计高强高熵合金成分的方法
1、数据获取
收集涉及Al、Co、Cr、Cu、Fe、Ni、Mn、Si、V、Ti、Nb、Zr、Hf、Ta、Mo和W共16种元素的高熵合金样本，从中获取数据，建立高熵合金数据集，该数据集中每一条数据对应一个高熵合金样本，每条数据包含该高熵合金样本共4个方面的信息：1、组成元素；2、元素含量(即各元素在高熵合金中的摩尔百分含量)；3、所含元素的30种物化性质(即密度(g/cm3)、熔点(℃)、沸点(℃)、结合能(J)、内聚能(J)、功函数(eV)、Pauling电负性、Allen电负性、价电子浓度(e/a)、核外自由电子浓度(e/a)、剪切模量(GPa)、弹性模量(GPa)、体积模量(GPa)、第一电离能(kJ/mol)、第二电离能(kJ/mol)、第三电离能(kJ/mol)、原子配位数、原子化焓(J/mol)、蒸发焓(J/g)、熔化焓(J/g)、化学势(J/mol)、原子体积(cm3/mol)、原子半径(nm)、价电子距离(nm)、核心电子距离(nm)、原子序数、元素周期数、元素族数、相对原子质量(1)和有效核电荷数)及各物化性质相应的数值；4、室温屈服强度值(MPa，25℃±5℃)。
2、数据划分
本发明提供一种数据划分器，即调用R语言程序代码，对输入的高熵合金数据集中的高熵合金样本从1开始进行编号，直至最大样本数量(记为S，S为正整数)为止，自动编号完成后即得到第1～S条数据。
数据划分器还内置有9种比例，分别为90％、80％、70％、60％、50％、40％、30％、20％和10％，随机按照其中一种比例，从第1～S条数据中随机抽取数据作为训练数据，剩余数据作为搜索数据(如S＝10，按照比例90％从第1～S条数据中随机抽取9条数据作为训练数据，剩余1条数据作为搜索数据；当S不是10的整数倍时，遵循四舍五入的原则)，至此记为完成1次随机划分，所得训练数据和搜索数据组成1个训练数据-搜索数据组合。重复执行1000次随机划分的操作，最终共得到1000个不同的训练数据-搜索数据组合。
3、特征组合提取
本发明提供一种特征生成器。
(1)合金特征的获取
调用R语言程序代码运行特征生成器，首先针对每个高熵合金样本(或训练数据或搜索数据)，提取其组成元素中的任意两个元素(即i和j)、两个元素各自的摩尔百分含量(即ci和cj)以及两个元素对应的任意一种物化性质(即x)的数值(即xi和xj)，依次根据内置的公式(1)～(9)进行计算，分别得到9个计算结果。
公式(1)：用于求高熵合金样本中的n个元素i的摩尔百分含量与其物化性质X的数值x的乘积，计算得到物化性质均值；
公式(2)：用于求高熵合金样本中的n个元素i的物化性质X的数值x与其物化性质均值的差值；
公式(3)：用于求高熵合金样本中的n个元素i的物化性质与其物化性质均值的差值；
公式(4)：MAX.X＝max(xi)，用于求高熵合金样本中包含的元素i的物化性质X的最大值；
公式(5)：MIN.X＝min(xi)，用于求高熵合金样本中包含的元素i的物化性质X的最小值；
公式(6)：Range.X＝max(xi)-min(xi)，用于求高熵合金样本中的元素i的物化性质X的最大值与最小值的差值；
公式(7)：用于求高熵合金样本中的元素i的物化性质X的最大值与其对应元素的摩尔百分含量的乘积；
公式(8)：用于求高熵合金样本中的元素i的物化性质X的最小值与其对应元素的摩尔百分含量的乘积；
公式(9)：用于求高熵合金样本中的元素i的物化性质X的波动范围；
其中，公式(1)～(3)中的n表示高熵合金样本中包含的元素种类的总数；X表示若干个物化性质中的任意一个；n表示所述高熵合金样本中包含的元素种类的总数；i和j分别表示高熵合金样本的组成元素中的任意两个元素；ci和cj分别表示i和j的摩尔百分含量；xi和xj分别表示i和j的物化性质X的数值；max(xi)和min(xi)分别表示高熵合金样本中物化性质X的最大值和最小值；ci max和ci min分别表示max(xi)和min(xi)的对应元素的摩尔百分含量。
每个计算结果对应得到1个合金特征。合金特征共包含2个部分：(1)计算结果，即合金特征值；(2)得到该计算结果对应的物化性质X及对应的公式，即合金特征标签。
每个高熵合金样本(或训练数据或搜索数据)共有30种物化性质，1种物化性质对应得到9个合金特征，所以每个高熵合金样本相应共得到270个合金特征。
(2)特征组合的获取
调用R语言程序代码运行特征生成器，设置特征生成器内置的筛选特征数量为M个，执行以下操作：针对每个高熵合金样本(或训练数据或搜索数据)，一次性从270个合金特征中不分先后顺序地随机抽取M(M∈[1，270]，M为整数)个合金特征组成1个特征组合(记为F)，1个特征组合中每个合金特征的合金特征标签组成该特征组合的组合标签，所以1个特征组合对应有1个组合标签。
重复随机收取的操作，直至抽完所有的M个合金特征的排列组合形式，最终共得到个特征组合F，记为F1、F2、F3...Fi...Fn，其中/>对应共得到/>个组合标签。
至此，每个高熵合金样本的数据，除了在第一步原始采集到的4个方面的信息(组成元素、元素含量、所含元素的30种物化性质及相应数值和室温屈服强度值)以外，还包含第5个方面的信息，即由个特征组合F构成1个特征集合。
对于第二步中得到1000个不同的训练数据-搜索数据组合，随机将1个训练数据-搜索数据组合中的1个训练数据输入特征生成器，得到该训练数据的个特征组合F，重复此操作，直至该训练数据-搜索数据组合中所有的训练数据均得到各自的/>个特征组合F；对于该训练数据-搜索数据组合中的搜索数据进行同样的操作，直至所有的搜索数据均得到各自的/>个特征组合F。
4、研发效率评估
本发明提供一种效率评估器。
(1)回归模型的建立
首先调用R语言程序代码运行效率评估器，随机选择第二步中的1个训练数据-搜索数据组合，用其中的训练数据作为训练集，从所述训练集中的每个训练数据获取1个特征组合，各特征组合的组合标签相同(从训练数据中选出有相同对应的物化性质X及对应的公式的合金特征的高熵合金样本)，以1个特征组合F内的M个合金特征的合金特征值为输入，以室温屈服强度值为输出，采用十折交叉验证方法训练克里金回归机器学习模型和参数优化，得到特征组合与室温屈服强度值的回归模型，记为模型H。
(2)强度优化期望值的获取及循环迭代的操作
之后用该训练数据-搜索数据组合中的搜索数据作为测试集，按照相同的方法，从所述测试集中的每个搜索数据获取1个特征组合，各特征组合的组合标签相同(从搜索数据中选出有相同对应的物化性质X及对应的公式的合金特征的高熵合金样本)，将特征组合F内的M个合金特征的合金特征值输入模型H，得到的计算结果即为各搜索数据的室温屈服强度值均值(即μ)和室温屈服强度值方差(即σ)。
进一步利用各搜索数据的室温屈服强度值均值(即μ)和室温屈服强度值方差(即σ)，以及本实施例第一步中得到的高熵合金数据集中所有高熵合金样本的室温屈服强度值的最大值(即μ*)，根据公式(10)计算得到测试集中各搜索数据的强度期望提升值(即EI，简称为E)，该测试集中最大的强度优化期望值记为Emax。
公式(10)：
其中，EI表示强度期望提升值；μ表示室温屈服强度值均值；μ*表示高熵合金数据集中的所得所有高熵合金样本的室温屈服强度值的最大值；σ表示室温屈服强度值方差；表示概率密度函数，Φ表示概率分布函数。
接着，将Emax对应的搜索数据的真实室温屈服强度值(即采集到的室温屈服强度值)和μ*进行对比，当Emax对应的搜索数据的真实室温屈服强度值与μ*不相同时，则将Emax对应的搜索数据转移至训练集(即测试集的条数减少，训练集的条数增加)，用新的训练集继续训练克里金回归机器学习模型，得到新的模型H，记为模型H’，之后将新的测试集的特征组合Fi内的M个合金特征的合金特征值输入模型H’得到新的强度优化期望值E，至此记为完成1次循环迭代。
重复执行上述循环迭代的操作，直至Emax对应的搜索数据的真实室温屈服强度值与μ*相同，循环迭代的总次数记为T。
1个组合标签(对应1个特征组合)在1个训练数据-搜索数据组合中对应得到1个T，个组合标签在1个训练数据-搜索数据组合中共对应得到/>个T，/>个组合标签在1000个训练数据-搜索数据组合中共得到/>个T。
(3)研发效率的获取
调用R语言程序代码运行效率评估器，随机选择第二步中的1个训练数据-搜索数据组合，利用1个组合标签的T，根据内置的公式(11)进行计算，得到各组合标签的研发效率η。
公式(11)：ηi＝1-Ti/Z；
其中，i表示第i个组合标签；η表示组合标签的研发效率；T表示组合标签在该训练数据-搜索数据组合中的循环迭代次数；Z为该训练数据-搜索数据组合中初始的搜索数据中的高熵合金样本的总个数。
1个组合标签在1个训练数据-搜索数据组合中对应得到1个η，1个组合标签在1000个训练数据-搜索数据组合中共得到1000个η(即η1、η2、η3......η1000)，个组合标签在1000个训练数据-搜索数据组合中共得到/>个η。
5、高研发效率特征组合的确定
本发明提供一种过滤排序器，内置有研发效率η的阈值η0(η0∈[75％，95％])。阈值η0用于平衡高熵合金的强度性能和运算成本代价，研发效率阈值设置过高则运算成本太高，研发效率阈值设置过低则获得高强高熵合金的效率较低。
(1)组合标签的过滤
调用R语言程序代码运行过滤排序器，将个组合标签在1个训练数据-搜索数据组合中共得到/>个η按照大小排序，之后根据阈值η0进行过滤，删除η＜η0的组合标签，保留η≥η0的组合标签。被保留的组合标签即视为在该训练数据-搜索数据组合中出现，记录出现次数为1次。
重复执行1000次上述过滤的步骤，将在1000个训练数据-搜索数据组合的个组合标签全部过滤一遍，统计各组合标签在1000个训练数据-搜索数据组合中的出现次数，记为L。
(2)高强高熵合金研发效用的获取
调用R语言程序代码运行过滤排序器，根据内置公式(12)～(14)进行计算，得到各组合标签的高强高熵合金研发效用U。
公式(12)：
公式(13)：Pi＝Li/1000；
公式(14)：
其中，i表示第i个组合标签；ηi k表示组合标签在第k个训练数据-搜索数据组合中的研发效率；表示组合标签的平均研发效率；Li表示组合标签的出现次数；Pi表示组合标签在1000个训练数据-搜索数据组合中的出现频率；Ui表示组合标签对应的高强高熵合金研发效用。/>
(3)高研发效率特征组合的确定
调用R语言程序代码运行过滤排序器，将个组合标签按照高强高熵合金研发效用U的大小进行排序，U最大的组合标签即为对高强度高熵合金研发效率提升最大的组合标签，记为高研发效率合金特征标签，该组合标签对应的特征组合记为高研发效率特征组合，能用于后续指导高强度高熵合金的高效研发。
6、高强度高熵合金的成分设计
(1)成分设计模型的建立
用第一步中的高熵合金数据集合作为训练集，从该训练集的每个高熵合金样本中调取高研发效率特征组合的数据，即得到高研发效率合金特征标签及其对应的M个合金特征值。
以M个合金特征值为输入，以室温屈服强度值的均值μ和方差σ为输出，采用十折交叉验证方法训练克里金回归模型，并进行参数优化，得到高研发效率特征组合与室温屈服强度值的回归模型，即成分设计模型，记为模型Q。
(2)广域合金空间的建立
从Al、Co、Cr、Cu、Fe、Ni、Mn、Si、V、Ti、Nb、Zr、Hf、Ta、Mo和W共16种元素中，随机一次性抽取6种元素组成1个候选成分，直至抽完所有的排列组合形式，共得到(即8008)个候选成分。
每种元素的摩尔百分含量预设值记为g％(g∈[8，32]，步长1)，6种元素各自的摩尔百分含量预设值依次记为g1％、g2％...g6％，总和为100％。按照此规则对各候选成分的6种元素完成1次赋值，即得到6种元素各自的摩尔百分含量预设值均确定的1个候选成分，作为1种候选合金。
全部的候选合金及其对应的数据所构成的数据集，即为广域合金空间。每一条数据对应一个候选合金，每条数据包含该候选合金共5个方面的信息：1、6种组成元素；2、元素含量(即各元素的摩尔百分含量预设值g％)；3、所含元素的30种物化性质(即密度(g/cm3)、熔点(℃)、沸点(℃)、结合能(J)、内聚能(J)、功函数(eV)、Pauling电负性、Allen电负性、价电子浓度(e/a)、核外自由电子浓度(e/a)、剪切模量(GPa)、弹性模量(GPa)、体积模量(GPa)、第一电离能(kJ/mol)、第二电离能(kJ/mol)、第三电离能(kJ/mol)、原子配位数、原子化焓(J/mol)、蒸发焓(J/g)、熔化焓(J/g)、化学势(J/mol)、原子体积(cm3/mol)、原子半径(nm)、价电子距离(nm)、核心电子距离(nm)、原子序数、元素周期数、元素族数、相对原子质量(1)和有效核电荷数)及各物化性质相应的数值；4、特征值(即根据高研发效率合金特征标签中M个合金特征对应的物化性质和公式，代入相关数据得到的运算结果)。
(3)强度期望提升值的获取
用广域合金空间作为测试集，将其中每个候选合金的特征值输入成分设计模型，得到的计算结果即为各候选合金的室温屈服强度值的均值(μ)和室温屈服强度值的方差(σ)。
成分设计模型还内置有公式(10)，将测试集中的每个候选合金的μ和σ分别代入其中进行计算，得到各候选合金的强度期望提升值EI。
公式(10)：
其中，EI表示强度期望提升值；μ表示室温屈服强度值屈服强度值均值；μ*表示高熵合金数据集中的所得所有高熵合金样本的室温屈服强度值屈服强度值的最大值；σ表示室温屈服强度值屈服强度值方差；表示概率密度函数，Φ表示概率分布函数。
(4)高强度高熵合金的成分获取
利用成分设计模型，将训练集中各候选合金按照强度期望提升值EI的大小进行排序，EI最高的候选合金即为最终设计得到的高强度高熵合金的成分。
实施例2一种高强高熵合金的制备方法
1、数据获取
按照实施例1的步骤1，从已发表的公开文献(DOI：10.1016/j.dib.2018.11.111，DOI：10.1016/j.dib.2020.106216，DOI：10.1016/j.dib.2018.10.071)中收集获取152个高熵合金样本的数据，建立高熵合金数据集。
2、数据划分
按照实施例1的步骤2处理上一步所得高熵合金数据集，得到1000个不同的训练数据-搜索数据组合。
3、特征组合提取
设置特征生成器内置的筛选特征数量为3个(即每个特征组合F中共有3个合金特征)，按照实施例1的步骤3处理上一步所得训练数据-搜索数据组合，直至其中每个训练数据和每个搜索数据均得到各自的(即3244140)个特征组合。
4、研发效率评估
按照实施例1的步骤4处理本实施例的步骤2所得1000个不同的训练数据-搜索数据组合，得到3244140个特征组合在1000个训练数据-搜索数据组合中共1000×3244140个研发效率η。
5、高研发效率特征组合的确定
按照实施例1的步骤5处理本实施例的步骤3所得3244140个特征组合的1000×3244140个研发效率η，设置研发效率阈值η0为90％，共删除3233270个研发效率η＜90％的特征组合，保留10807个研发效率η≥90％的特征组合，根据获取的高强高熵合金研发效用，最终得到的高研发效率标签为：1、物化性质为原子半径(nm)，公式(2)；2、熔点(℃)，公式(6)；3、第三电离能(kJ/mol)，公式(6)。对应的高研发效率特征组合中的3个合金特征具体为：1、元素原子半径的差值(即δ元素原子半径，对应的物化性质为原子半径(nm)，对应的公式为公式(2))；2、元素熔点的变化范围(即Range.熔点，对应的物化性质为熔点(℃)，对应的公式为公式(6))；3、第三电离能的变化范围(即Range.第三电离能，对应的物化性质为第三电离能(kJ/mol)，对应的公式为公式(6))。
6、高强度高熵合金的成分设计
按照实施例1的步骤6处理本实施例的步骤1所得包含152个高熵合金样本的高熵合金数据集，以元素原子半径差值、元素熔点变化范围和第三电离能变化范围为输入，以广域合金空间中候选合金的室温屈服强度为输出，建立成分设计模型并进行参数优化，最终得到高强度高熵合金的成分为AlVCrCoNiMo(其中Al、V、Cr、Co、Ni、Mo元素的摩尔百分含量依次为12％、15％、32％、11％、21％和9％，即高熵合金Al12V15Cr32Co11Ni21Mo9)。
7、高强度高熵合金的制备
(1)原料处理
按照前述筛选的高熵合金组成元素，选用纯度高于99.9％的Al、V、Cr、Co、Ni和Mo金属粒料为合金制备原料，用砂纸和砂轮机打磨金属原料去除表面氧化皮，在无水乙醇中超声清洗5分钟后，放入烘干箱烘干1小时；根据各合金元素百分含量称取烘干后的金属原料，供熔炼制备合金使用。
(2)熔炼制备
采用真空电弧炉熔炼合金，将金属原料按熔点由低至高依次放入炉内熔炼槽中，对样品室抽真空至真空度达到5×10-3Pa，通入高纯氩气保护；开通电弧炉焊机电源，引弧后熔化预置于炉膛中的海绵钛进行炉内脱氧1分钟；后移弧至合金槽熔炼合金，熔炼时进行电磁搅拌，搅拌电流25A，每次熔炼合金时长2分钟，熔炼电流为300A，每次熔炼完翻转合金，反复熔炼8次，保证整个熔炼过程合金处于液态超过15分钟，最终获得成分均匀的高熵合金铸锭。
即得到Al12V15Cr32Co11Ni21Mo9高熵合金块体材料。
8、高强度高熵合金的鉴定
(1)强度性能检测
检测方法：使用Al12V15Cr32Co11Ni21Mo9高熵合金块体材料，通过机加工制得Φ3mm×6mm的圆柱体，采用万能力学试验机以10-3/s的应变速率进行室温(25℃)压缩试验测试，得到测试结果并生成强度性能测试曲线。
强度性能测试曲线如图1中的(a)所示，结果显示Al12V15Cr32Co11Ni21Mo9高熵合金块体材料的室温屈服强度为2814MPa，表明本实施例所得Al12V15Cr32Co11Ni21Mo9高熵合金块体材料具有优异的力学强度。
(2)相结构检测
检测方法：采用X射线衍射仪，设置2θ衍射角范围20°～100°，以速度为3°/min的速率扫描测试Al12V15Cr32Co11Ni21Mo9高熵合金的物相。
相结构检测的结果如图2中的(a)所示，Al12V15Cr32Co11Ni21Mo9高熵合金块体材料的相组成主要是BCC固溶体和B2有序相。
(3)显微组织表征
表征方法：采用扫描电子显微镜，在背散射电子模式下表征Al12V15Cr32Co11Ni21Mo9高熵合金块体材料的显微组织。
如图3中的(a)所示，表征结果显示Al12V15Cr32Co11Ni21Mo9高熵合金块体材料的显微组织呈现铸态结构，其中B2相主要是Al-Ni富集的有序相。
(4)密度计算
采用成分加权平均的方法估算合金密度。
结果显示Al12V15Cr32Co11Ni21Mo9高熵合金块体材料的密度为7.12(g/cm3)。
如图4所示，与已报道的合金(DOI：10.1016/j.dib.2018.11.111，DOI：10.1016/j.dib.2020.106216，DOI：10.1016/j.dib.2018.10.071)相比，Al12V15Cr32Co11Ni21Mo9高熵合金块体材料具有更高的强度和更高的比屈服强度(395MPa/cm-3/g)，且密度低，具有优异的综合力学性能。
实施例3一种高强高熵合金的制备方法
1、数据获取
与实施例2的步骤1相同。
2、数据划分
与实施例2的步骤2相同。
3、特征组合提取
设置特征生成器内置的筛选特征数量为2个(即每个特征组合F中共有2个合金特征)，按照实施例1的步骤3处理上一步所得训练数据-搜索数据组合，直至其中每个训练数据和每个搜索数据均得到各自的(即36315)个特征组合。
4、研发效率评估
按照实施例1的步骤4处理本实施例的步骤2所得训练数据-搜索数据组合以及步骤3所得36315个特征组合，得到各特征组合Fi对应的研发效率ηi。
5、高研发效率特征组合的确定
按照实施例1的步骤5处理本实施例的步骤3所得36315个特征组合以及步骤4所得各特征组合F对应的研发效率η，设置研发效率阈值η0为85％，共有35178个特征组合被排除，1137个特征组合被保留，最终得到的高研发效率标签为：1、物化性质为原子半径(nm)，公式(2)；2、第二电离能(kJ/mol)，公式(6)。对应的高研发效率特征组合中的合金特征具体为：1、元素原子半径的差值(即δ元素原子半径，对应的物化性质为原子半径(nm)，对应的公式为公式(2))；2、第二电离能的变化范围(即Range.第二电离能，对应的物化性质为第二电离能(kJ/mol)，对应的公式为公式(6))。
6、高强度高熵合金的成分设计
按照实施例1的步骤6处理本实施例的步骤1所得包含152个高熵合金样本的高熵合金数据集，以元素原子半径差值和第二电离能变化范围为输入，以广域合金空间中的候选合金的室温屈服强度为输出，建立成分设计模型并进行参数优化，最终得到高强度高熵合金的成分为AlCrFeCoNiMo(其中Al、Cr、Fe、Co、Ni、Mo元素的摩尔百分含量依次为9％、29％、27％、13％、10％和12％，即高熵合金Al9Cr29Fe27Co13Ni10Mo12。
7、高强度高熵合金的制备
(1)原料处理
按照前述筛选的高熵合金组成元素，选用纯度高于99.9％的Al、Cr、Fe、Co、Ni、Mo金属粒料为合金制备原料，用砂纸和砂轮机打磨金属原料去除表面氧化皮，在无水乙醇中超声清洗5分钟后，放入烘干箱烘干1小时；根据各合金元素百分含量称取烘干后的金属原料，供熔炼制备合金使用。
(2)熔炼制备
采用真空电弧炉熔炼合金，将金属原料按熔点由低至高依次放入炉内熔炼槽中，对样品室抽真空至真空度达到5×10-3Pa，通入高纯氩气保护；开通电弧炉焊机电源，引弧后熔化预置于炉膛中的海绵钛进行炉内脱氧1分钟；后移弧至合金槽熔炼合金，熔炼时进行电磁搅拌，搅拌电流25A，每次熔炼合金时长2分钟，熔炼电流为300A，每次熔炼完翻转合金，反复熔炼8次，保证整个熔炼过程合金处于液态超过15分钟，最终获得成分均匀的高熵合金铸锭。
即得到Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料。
8、高强度高熵合金的鉴定
(1)强度性能检测
检测方法：使用Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料，通过机加工制得Φ3mm×6mm的圆柱体，采用万能力学试验机以10-3/s的应变速率进行室温(25℃)压缩试验测试，得到测试结果并生成强度性能测试曲线。
强度性能测试曲线如图1中的(b)所示，结果显示Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料的室温屈服强度为3000MPa，表明本实施例所得Al9Cr29Fe27Co13Ni10Mo12高熵合金具有优异的力学强度。
(2)相结构检测
检测方法：采用X射线衍射仪，设置2θ衍射角范围20°～100°，以速度为3°/min的速率扫描测试Al9Cr29Fe27Co13Ni10Mo12高熵合金的物相。
相结构检测的结果如图2中的(b)所示，Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料的相组成主要是BCC和B2相。
(3)显微组织表征
表征方法：采用扫描电子显微镜，在背散射电子模式下表征合金的显微组织。
如图3中的(b)所示，表征结果显示Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料的显微组织呈现铸态结构。
(4)密度计算
采用成分加权平均的方法估算合金密度。
结果显示Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料的密度为7.63(g/cm3)。
如图4所示，与已报道的合金相比，Al9Cr29Fe27Co13Ni10Mo12高熵合金块体材料具有更高的强度和更高的比屈服强度(393MPa/cm-3/g)，且密度低，具有优异的综合力学性能。
实施例4一种基于智能算法设计和制备高强高熵合金的系统
本发明所提供的一种利用智能算法制备高强高熵合金的系统包括：获取模块、存储模块、处理模块、制备模块、检测模块和输出模块，其运行流程如图5所示。
获取模块用于获取涉及Al、Co、Cr、Cu、Fe、Ni、Mn、Si、V、Ti、Nb、Zr、Hf、Ta、Mo和W共16种元素的高熵合金样本，从中获取数据，建立高熵合金数据集，该数据集中每一条数据对应一个高熵合金样本，每条数据包含该高熵合金样本共4个方面的信息：1、组成元素；2、元素含量(即各元素在高熵合金中的摩尔百分含量)；3、所含元素的30种物化性质(即密度(g/cm3)、熔点(℃)、沸点(℃)、结合能(J)、内聚能(J)、功函数(eV)、Pauling电负性、Allen电负性、价电子浓度(e/a)、核外自由电子浓度(e/a)、剪切模量(GPa)、弹性模量(GPa)、体积模量(GPa)、第一电离能(kJ/mol)、第二电离能(kJ/mol)、第三电离能(kJ/mol)、原子配位数、原子化焓(J/mol)、蒸发焓(J/g)、熔化焓(J/g)、化学势(J/mol)、原子体积(cm3/mol)、原子半径(nm)、价电子距离(nm)、核心电子距离(nm)、原子序数、元素周期数、元素族数、相对原子质量(1)和有效核电荷数)及各物化性质相应的数值；4、室温屈服强度值(MPa，25℃±5℃)。
存储模块存储有获取模块得到的高熵合金数据集，处理模块得到的训练数据、搜索数据、训练数据-搜索数据组合、合金特征、特征组合、强度优化期望值、循环迭代的次数、研发效率、研发效率的阈值、出现频率、平均研发效率、高强高熵合金研发效用、高研发效率特征组合、广域合金空间、强度期望提升值和高强度高熵合金的成分，检测模块得到的强度性能、相结构、显微组织和密度，以及可被所述处理模块执行的程序指令，所述程序指令将所述获取模块获取得到高熵合金数据集输入处理模块中。
处理模块包含实施例1中的数据划分器、特征生成器、效率评估器、过滤排序器和成分设计模型，执行处理模块的程序指令得到高强度高熵合金的成分。
制备模块用于根据高强度高熵合金的成分制备得到高强度高熵合金材料。
检测模块用于检测高强度高熵合金材料的强度性能、相结构、显微组织和密度。
输出模块用于输出存储模块存储的获取模块得到和高熵合金数据集，训练数据、搜索数据、训练数据-搜索数据组合、合金特征、特征组合、强度优化期望值、循环迭代的次数、研发效率、研发效率的阈值、出现频率、平均研发效率、高强高熵合金研发效用、高研发效率特征组合、高研发效率标签、广域合金空间、强度期望提升值和高强度高熵合金的成分，检测模块得到的强度性能、相结构、显微组织和密度。
最后所应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，对于本领域的普通技术人员来说，在上述说明及思路的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种设计高强度高熵合金的方法，其特征在于，包括以下步骤：
S1.获取1个高熵合金样本的数据，所述高熵合金样本的数据包括第一信息～第五信息，其中所述第一信息为组成高熵合金样本的元素，第二信息为高熵合金样本中各元素的摩尔百分含量，第三信息为高熵合金样本中各元素的N物化性质个物化性质及其数值，第四信息为高熵合金样本的屈服强度值，第五信息为高熵合金样本的特征集合；
所述特征集合由不同的特征组合组成；所述特征组合由不同的合金特征组成；所述合金特征包括合金特征值和合金特征标签，所述合金特征标签由所述合金特征值对应的物化性质和公式组成；所述特征组合中的每个合金特征的合金特征标签组成该特征组合的组合标签；
获取所述特征集合的方法包括以下步骤：
S11.合金特征值的获取：
利用所述第一信息、第二信息和第三信息中的1个物化性质及其数值，分别根据公式(1)～(9)进行运算，共得到该物化性质对应的9个运算结果，1个运算结果记为1个合金特征值；
公式(1)：
公式(2)：
公式(3)：
公式(4)：MAX.X＝max(xi)；
公式(5)：MIN.X＝min(xi)；
公式(6)：Range.X＝max(xi)-min(xi)；
公式(7)：
公式(8)：
公式(9)：
其中，X表示高熵合金样本中的n个元素i的物化性质均值；；δX表示高熵合金样本中的n个元素i的物化性质的数值与其物化性质均值的差值；D.X表示高熵合金样本中的n个元素i的物化性质与其物化性质均值的差值；MAX.X表示高熵合金样本中的元素i的物化性质的数值的最大值；MIN.X表示高熵合金样本中的元素i的物化性质的数值的最小值；Range.X表示高熵合金样本中的元素i的物化性质的变化范围；MAXC.X表示高熵合金样本中的元素i的物化性质的数值的最大值与元素i的摩尔百分含量的乘积；MINC.X表示高熵合金样本中的元素i的物化性质的数值的最小值与元素i的摩尔百分含量的乘积；RangeC.X表示高熵合金样本的元素i的物化性质的波动范围；
n表示所述组成高熵合金样本的元素i的总个数；i和j分别表示高熵合金样本中的任意2个元素；ci和cj分别表示i和j的摩尔百分含量；xi和xj分别表示i和j的物化性质的数值；max(xi)和min(xi)分别表示高熵合金样本中元素i的物化性质的最大值和最小值；ci max和ci min分别表示max(xi)和min(xi)的对应元素i的摩尔百分含量；
重复本步骤的方法得到N物化性质个物化性质的9×N物化性质个合金特征值和9×N物化性质个合金特征标签，共得到9×N物化性质个合金特征；
S12.从9×N物化性质个合金特征中，随机抽取M个合金特征组成1个特征组合；
S13.重复步骤S12直至取完M个合金特征的所有排列组合形式，每次抽取的合金特征的数量相同；所得个特征组合构成特征集合；
S2.重复步骤S1，得到若干个高熵合金样本的数据；
从所得的所有高熵合金数据样本的数据中，随机抽取若干个高熵合金样本的数据作为训练数据，其余高熵合金样本的数据作为搜索数据，记为1次随机划分，所得到的训练数据和搜索数据组成1个训练数据-搜索数据组合；
重复N随机划分次随机划分，共得到N随机划分个不同的训练数据-搜索数据组合；
S3.根据步骤S2所得的N随机划分个不同的训练数据-搜索数据组合，获得高研发效率特征组合，包括以下步骤：
S31.随机取出1个训练数据-搜索数据组合，以其中的训练数据作为第一训练集，以其中的搜索数据作为第一测试集；
从所述第一训练集中的每个高熵合金样本的数据获取1个特征组合，各特征组合的组合标签相同；以得到的特征组合中的合金特征值作为输入值，以高熵合金样本的屈服强度值作为输出值，对克里金模型进行训练，得到组合标签与屈服强度值的回归模型，记为第一回归模型；
S32.针对所述第一测试集中的每一个高熵合金样本的数据获取一个特征组合，各特征组合的组合标签相同，且与步骤S31中所述的组合标签相同；
以得到的特征组合中的合金特征值作为输入数据，输入S31中所得的第一回归模型，得到第一测试集中各高熵合金样本针对该组合标签的输出值，包括各高熵合金样本的屈服强度值均值和屈服强度值方差；
步骤S2所得所有高熵合金样本的屈服强度值的最大值记为μ*，利用μ*以及第一测试集中各高熵合金样本的屈服强度值均值和屈服强度值方差，根据公式(10)计算得到第一测试集中各高熵合金样本的强度期望提升值，
公式(10)：
其中，EI表示第一测试集中的高熵合金样本的强度期望提升值；μ表示第一测试集中的高熵合金样本的屈服强度值均值；μ*表示步骤S2所得所有高熵合金样本的屈服强度值的最大值；σ表示第一测试集中的高熵合金样本的屈服强度值方差；表示概率密度函数，Φ表示概率分布函数；
S33.在所述第一测试集中，强度期望提升值最大的高熵合金样本的屈服强度值不为μ*，则将强度期望提升值最大的高熵合金样本的数据转移至第一训练集中，得到新的第一训练集和新的第一测试集；
利用新的第一训练集，按照步骤S31重新训练得到新的第一回归模型，并按照步骤S32得到新的强度期望提升值；直至第一测试集中强度期望提升值最大的高熵合金样本的屈服强度值为μ*；统计训练得到第一回归模型的次数，作为该组合标签的循环迭代次数；
S34.针对该训练数据-搜索数据组合中的每个组合标签对应的特征组合，重复步骤S31～S33，直至获得全部组合标签对应循环迭代次数，根据公式(11)计算得到各组合标签在该训练数据-搜索数据组合中的研发效率，
公式(11)：ηi＝1-Ti/Zi；
其中，i表示第i个组合标签；η表示组合标签的研发效率；T表示组合标签在该训练数据-搜索数据组合中的循环迭代次数；Z为该训练数据-搜索数据组合中初始的搜索数据中的高熵合金样本的总个数；
S35.重复执行步骤S31～S34，直至得到个组合标签在步骤S2所得的N随机划分个训练数据-搜索数据组合中的研发效率；
S36.针对每个训练数据-搜索数据组合，将所有组合标签按照研发效率的大小进行排序，删除研发效率小于阈值的组合标签，保留研发效率在阈值以上的组合标签；所述阈值记为η0，η0∈[75％，95％]；
S37.统计步骤S2所得所有训练数据-搜索数据组合中，被保留的组合标签的出现次数，根据公式(12)～(14)计算得到各特征组合的高强高熵合金研发效用，
公式(12)：
公式(13)：Pi＝Li/N随机划分；
公式(14)：
其中，i表示第i个组合标签；ηi k表示组合标签在第k个训练数据-搜索数据组合中的研发效率；表示组合标签的平均研发效率；Li表示组合标签的出现次数；Pi表示组合标签在N随机划分个训练数据-搜索数据组合中的出现频率；Ui表示组合标签对应的高强高熵合金研发效用；
所得高强高熵合金研发效用最大的组合标签，即为高研发效率标签；
S4.以步骤S1所得的所有高熵合金数据样本的数据作为第二训练集；针对每个高熵合金样本的数据，获取1个特征组合，该特征组合的组合标签与步骤S3所得高研发效率标签相同；
将所得各合金样本的特征组合的合金特征值作为输入值，以各合金样本的高熵合金样本的屈服强度值作为输出值，训练克里金模型，得到第二回归模型；
S5.构建得到广域合金空间，包括如下步骤：
S51.从N候选个不同的元素中，随机抽取一部分元素作为M候选个候选成分，得到1个候选成分组合，重复抽取，直至抽完候选合金的所有排列组合形式，得到个候选成分组合，对每个候选成分组合中的各候选成分的摩尔百分含量进行随机赋值一次，即得到1个候选合金；重复随机赋值，得到不同的候选合金；
S52.获取步骤S51所得每一个候选合金的数据，所述候选合金的数据包括第六信息～第九信息，其中所述第六信息为组成候选合金的元素，第七信息为候选合金中各元素的摩尔百分含量，第八信息为候选合金中各元素的N物化性质个物化性质及其数值，第九信息为候选合金的特征值；
其中，获取所述候选合金的特征值的方法包括以下步骤：
利用第六信息和第七信息，以及第八信息中的物化性质及其数值，根据步骤S3所得高研发效率标签中的物化性质及对应公式，得到的计算结果，记为该候选合金的特征值；
S6.以广域合金空间作为第二测试集；针对所述第二测试集中的每个候选合金的数据，将各候选合金的特征值输入第二回归模型，得到各候选合金针对高研发效率标签的输出值，包括各候选合金的屈服强度值均值和屈服强度值方差；
S7.针对广域合金空间中的每个候选合金，利用μ*以及步骤S6所得各候选合金的屈服强度值均值和屈服强度值方差，根据公式(10)进行计算，得到各候选合金的强度期望提升值，
公式(10)：
其中，EI表示候选合金的强度期望提升值；μ表示候选合金的屈服强度值均值，μ*表示步骤S2所得所有高熵合金样本的屈服强度值的最大值，σ表示候选合金的屈服强度值方差；表示概率密度函数，Φ表示概率分布函数；
所得强度期望提升值最大的候选合金即为设计得到的高强度高熵合金。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述组成高熵合金样本的元素包括铝、钴、铬、铜、铁、镍、锰、硅、钒、钛、铌、锆、铪、钽、钼和/或钨。
3.根据权利要求1所述的方法，其特征在于，步骤S1中，所述物化性质包括密度、熔点、沸点、结合能、内聚能、功函数、Pauling电负性、Allen电负性、价电子浓度、核外自由电子浓度、剪切模量、弹性模量、体积模量、第一电离能、第二电离能、第三电离能、原子配位数、原子化焓、蒸发焓、熔化焓、化学势、原子体积、原子半径、价电子距离、核心电子距离、原子序数、元素周期数、元素族数、相对原子质量和/或有效核电荷数。
4.根据权利要求1所述的方法，其特征在于，步骤S1中，所述高熵合金样本的屈服强度值包括高熵合金样本的室温屈服强度值。
5.根据权利要求1所述的方法，其特征在于，步骤S1中，获取所述高熵合金样本的特征集合的方法中，从N物化性质个合金特征中，随机抽取2～4个合金特征组成1个特征组合。
6.根据权利要求1所述的方法，其特征在于，步骤S2中，随机按比例抽取高熵合金样本的数据作为训练数据；所述比例为90％、80％、70％、60％、50％、40％、30％、20％和10％中的任意一种。
7.根据权利要求1所述的方法，其特征在于，步骤S51中，从铝、钴、铬、铜、铁、镍、锰、硅、钒、钛、铌、锆、铪、钽、钼和钨中，随机抽取5个～6个元素组成1个候选成分组合。
8.根据权利要求1所述的方法，其特征在于，步骤S51中，所述候选成分组合中各元素的摩尔百分含量的赋值范围为8％～32％。
9.权利要求1～8任一所述方法在制备高强度高熵合金中的应用。
10.一种设计高强度高熵合金的系统，其特征在于，包括获取模块、存储模块和处理模块，所述获取模块用于获取高熵合金样本的数据；所述存储模块存储有可被所述处理模块执行的程序指令；所述处理模块用于执行所述程序指令以实现权利要求1～8任一所述的方法设计得到高强度高熵合金。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311727559.XA CN117789875B (zh) | 2023-12-14 | 2023-12-14 | 一种设计高强度高熵合金的数据驱动方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311727559.XA CN117789875B (zh) | 2023-12-14 | 2023-12-14 | 一种设计高强度高熵合金的数据驱动方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117789875A true CN117789875A (zh) | 2024-03-29 |
| CN117789875B CN117789875B (zh) | 2024-05-10 |
Family
ID=90399219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311727559.XA Active CN117789875B (zh) | 2023-12-14 | 2023-12-14 | 一种设计高强度高熵合金的数据驱动方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117789875B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111349800A (zh) * | 2020-03-25 | 2020-06-30 | 石家庄铁道大学 | 一种高熵合金双联工艺制备方法 |
| CN112216356A (zh) * | 2020-10-22 | 2021-01-12 | 哈尔滨理工大学 | 一种基于机器学习的高熵合金硬度预测方法 |
| EP3896183A1 (en) * | 2018-12-10 | 2021-10-20 | Beijing Institute Of Technology | Lightweight high-entropy alloy having high strength and high plasticity and preparation method therefor |
| CN114093440A (zh) * | 2021-11-16 | 2022-02-25 | 昆明理工大学 | 一种基于深度学习预测高熵合金硬度的方法 |
| CN115579091A (zh) * | 2022-11-09 | 2023-01-06 | 广东海洋大学 | 基于机器学习的多性能协同优化高熵合金成分设计方法 |
| US20230041431A1 (en) * | 2021-07-20 | 2023-02-09 | University Of Virginia Patent Foundation | Efficient High-Entropy Alloys Design Method Including Demonstration and Software |
| KR20230029178A (ko) * | 2021-08-24 | 2023-03-03 | 공주대학교 산학협력단 | 고강도 초내열 계층적 고엔트로피 합금 및 이의 제조방법 |
| CN116092604A (zh) * | 2022-12-20 | 2023-05-09 | 广东海洋大学 | 基于数据驱动的高强高韧难熔高熵合金及制备方法 |
| CN117037962A (zh) * | 2023-08-04 | 2023-11-10 | 北京理工大学唐山研究院 | 一种基于机器学习快速设计高强度难熔多主元合金的方法 |
-
2023
- 2023-12-14 CN CN202311727559.XA patent/CN117789875B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3896183A1 (en) * | 2018-12-10 | 2021-10-20 | Beijing Institute Of Technology | Lightweight high-entropy alloy having high strength and high plasticity and preparation method therefor |
| CN111349800A (zh) * | 2020-03-25 | 2020-06-30 | 石家庄铁道大学 | 一种高熵合金双联工艺制备方法 |
| CN112216356A (zh) * | 2020-10-22 | 2021-01-12 | 哈尔滨理工大学 | 一种基于机器学习的高熵合金硬度预测方法 |
| US20230041431A1 (en) * | 2021-07-20 | 2023-02-09 | University Of Virginia Patent Foundation | Efficient High-Entropy Alloys Design Method Including Demonstration and Software |
| KR20230029178A (ko) * | 2021-08-24 | 2023-03-03 | 공주대학교 산학협력단 | 고강도 초내열 계층적 고엔트로피 합금 및 이의 제조방법 |
| CN114093440A (zh) * | 2021-11-16 | 2022-02-25 | 昆明理工大学 | 一种基于深度学习预测高熵合金硬度的方法 |
| CN115579091A (zh) * | 2022-11-09 | 2023-01-06 | 广东海洋大学 | 基于机器学习的多性能协同优化高熵合金成分设计方法 |
| CN116092604A (zh) * | 2022-12-20 | 2023-05-09 | 广东海洋大学 | 基于数据驱动的高强高韧难熔高熵合金及制备方法 |
| CN117037962A (zh) * | 2023-08-04 | 2023-11-10 | 北京理工大学唐山研究院 | 一种基于机器学习快速设计高强度难熔多主元合金的方法 |
Non-Patent Citations (3)
| Title |
|---|
| M. AMEND;DT;J. KANG; HUAWEI;: "Multipath TCP Extension for Robust Session Establishment draft-amend-tcpm-mptcp-robe-00", IETF, 7 July 2020 (2020-07-07) * |
| 文成: "基于机器学习的高熵合金成分设计与性能优化", 中国博士学位论文全文数据库, 第4期, 15 April 2022 (2022-04-15) * |
| 赵海朝;乔玉林;梁秀兵;胡振峰;陈永雄;: "轻质高熵合金的研究进展与展望", 稀有金属材料与工程, no. 04, 15 April 2020 (2020-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117789875B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11175250B2 (en) | Methods of selecting material compositions and designing materials having a target property | |
| Ward et al. | A machine learning approach for engineering bulk metallic glass alloys | |
| Li et al. | High-throughput calculations for high-entropy alloys: a brief review | |
| Yan et al. | Accelerated discovery of single-phase refractory high entropy alloys assisted by machine learning | |
| Tripathi et al. | Multivariate analysis and classification of bulk metallic glasses using principal component analysis | |
| Li et al. | cardiGAN: A generative adversarial network model for design and discovery of multi principal element alloys | |
| CN117789875B (zh) | 一种设计高强度高熵合金的数据驱动方法及应用 | |
| Yan et al. | Overview: recent studies of machine learning in phase prediction of high entropy alloys | |
| Zadeh et al. | An interpretable boosting-based predictive model for transformation temperatures of shape memory alloys | |
| CN114678086A (zh) | 一种低活化高熵合金及其基于机器学习的设计方法 | |
| Zou et al. | Machine learning assisted design approach for developing γ′-strengthened co-ni-base superalloys | |
| Minami et al. | Artificial neural network assisted by first-principles calculations for predicting transformation temperatures in shape memory alloys | |
| Wu et al. | Machine learning-assisted efficient design of Cu-based shape memory alloy with specific phase transition temperature | |
| Wong et al. | A hybrid approach to discover Bayesian networks from databases using evolutionary programming | |
| Forrest et al. | Evolutionary design of machine-learning-predicted bulk metallic glasses | |
| Zhou et al. | Complex multiphase predicting of additive manufactured high entropy alloys based on data augmentation deep learning | |
| Kawazoe et al. | Phase diagrams and physical properties of nonequilibrium alloys | |
| Aromaa et al. | Life cycle assessment of tantalum and niobium recycling from hard metal scrap | |
| Jobbins et al. | Metashooting: a novel tool for free energy reconstruction from polymorphic phase transition mechanisms | |
| Qi et al. | Machine Learning-Based Classification, Interpretation, and Prediction of High-Entropy-Alloy Intermetallic Phases | |
| Abu-Odeh et al. | Exploration of the high entropy alloy space as a constraint satisfaction problem | |
| Poudel et al. | AlloyManufacturingNet for discovery and design of hardness-elongation synergy in multi-principal element alloys | |
| Berry et al. | Design and Selection of High Entropy Alloys for Hardmetal Matrix Applications Using a Coupled Machine Learning and Calculation of Phase Diagrams Methodology | |
| Kim et al. | Automated Data Labeling for Object Detection via Iterative Instance Segmentation | |
| Cui | Fabrication, characterization of high-entropy alloys and deep learning-based inspection in metal additive manufacturing |
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 |