基于機器學(xué)習(xí)的鋁及其合金晶粒細(xì)化研究

溫麗濤，陳 勇

（南華大學(xué) 機械工程學(xué)院，湖南 衡陽421000）

0 引 言

大數(shù)據(jù)與人工智能的結(jié)合被稱為“科學(xué)的第四范式”，機器學(xué)習(xí)被譽為材料研發(fā)的新方法。數(shù)據(jù)可以從實驗、模擬計算、各大材料數(shù)據(jù)庫等獲取，再利用機器學(xué)習(xí)進(jìn)行數(shù)據(jù)挖掘，對材料進(jìn)行研究［1］。機器學(xué)習(xí)的出現(xiàn)為廣大科研人員的科學(xué)研究給予了極大的便利，可以加速材料的研究，節(jié)約研發(fā)成本。目前，已有許多研究人員使用機器學(xué)習(xí)模型并獲得成果。如：胡建軍等［2］利用多種機器學(xué)習(xí)模型，對材料彈性性能進(jìn)行了歸納和預(yù)測；Zhang等［3］利用支持向量機回歸算法，從一系列合金元素中找到恰當(dāng)合金元素，顯著提高銅合金的極限抗拉強度和電導(dǎo)率；Shen等［4］利用基于不同機器學(xué)習(xí)算法，結(jié)合物理冶金預(yù)測材料的強度，成功設(shè)計出了超高強度不銹鋼。如此等等，都是利用機器學(xué)習(xí)來對目前產(chǎn)生的大量材料數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，利用已有數(shù)據(jù)對材料性能進(jìn)行預(yù)測，不僅能充分利用材料數(shù)據(jù)，而且能對實驗研究進(jìn)行系統(tǒng)性的指導(dǎo)。

晶粒細(xì)化是提高鋁合金性能的重要手段，所以細(xì)化劑在工業(yè)界被廣泛應(yīng)用［5］。由于晶粒尺寸能很好的表征晶粒細(xì)化的結(jié)果，因此本文利用機器學(xué)習(xí)，實現(xiàn)晶粒尺寸的預(yù)測。機器學(xué)習(xí)的晶粒尺寸性能預(yù)測模型工作流程如圖1所示。

圖1 機器學(xué)習(xí)的材料性能預(yù)測工作流程Fig.1 Workflow of performance prediction model via machine learning

本研究首先從文獻(xiàn)中收集篩選出需要的數(shù)據(jù)樣本、選擇特征、進(jìn)行數(shù)據(jù)預(yù)處理；然后分別采用Xgboost［6］、RF［7］以及AdaBoost［8］3種機器學(xué)習(xí)模型預(yù)測晶粒尺寸；……