一种用于金属玻璃和高熵合金硬度预测的统一机器学习模型
《Journal of Non-Crystalline Solids》:A unified machine learning model for hardness prediction of metallic glasses and high entropy alloys
【字体:
大
中
小
】
时间:2026年09月22日
来源:Journal of Non-Crystalline Solids 3.6
编辑推荐:
•统一的机器学习框架沟通了MGs与HEAs的硬度预测。•统一模型在严格的留一合金族交叉验证下,R2 达到 0.89。•原子尺寸失配(Δr)被识别为硬度主导因素。章节摘要MGs与HEAs硬度预测的统一ML工作流程本研究所提出的统一机器学习框架,用于预测HEAs与MGs的硬度,其
- •
统一的机器学习框架沟通了MGs与HEAs的硬度预测。
- •
统一模型在严格的留一合金族交叉验证下,R2 达到 0.89。
- •
原子尺寸失配(Δr)被识别为硬度主导因素。
章节摘要
MGs与HEAs硬度预测的统一ML工作流程
本研究所提出的统一机器学习框架,用于预测HEAs与MGs的硬度,其设计策略如图1所示。该工作流程由四个顺序互连的模块组成:数据收集、特征工程、模型构建以及基于SHAP的模型解释。首先,从已发表文献中收集的1440条铸态合金条目出发,我们筛选出最终包含940个合金样本(532个HEAs与408个MGs)的数据集,这些数据具有实验测得的维氏
独立HEA模型、独立MG模型与统一HEA+MG模型之间预测性能的比较
为了定量比较统一建模策略与传统独立建模范式在不同合金体系上的预测性能,我们构建了三个采用默认超参数、相同12个特征描述符以及相同交叉验证协议的ET模型:一个仅在HEAs样本上训练的独立HEA模型,一个仅在MGs样本上训练的独立MG模型,以及一个在覆盖两类合金的全数据集上训练的统一HEA+MG模型。所有模型均采用
结论与展望
综上所述,本研究建立了一个统一的机器学习框架,用于在结构无序的MGs与化学无序的HEAs之间进行维氏硬度预测,克服了传统针对单一体系的独立建模范式。采用三阶段特征选择策略,从12个初始候选特征中筛选出5个核心物理描述符,并基于此从13个候选机器学习算法中选择了ET模型。该模型展现出稳健的跨合金族
CRediT作者贡献声明
马辰博(Chen-Bo Ma):撰写—初稿、可视化、验证、软件、方法学、调查、形式化分析、概念化。王东鹏(Dong-Peng Wang):资源、形式化分析。徐龙(Long Xu):资源、资金获取、形式化分析。吴宜承(Yi-Cheng Wu):撰写—审阅与编辑、指导、项目管理、资金获取、形式化分析、概念化。
利益冲突声明
作者声明不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。
致谢
本工作得到国家自然科学基金(基金号:52201182)与先进核能材料国家重点实验室(基金号:SKLMANE 2025–16)的支持。
马辰博(Chen-Bo Ma)|王东鹏(Dong-Peng Wang)|徐龙(Long Xu)|吴宜承(Yi-Cheng Wu)
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号