专家知识增强的机器学习建模在高强高导铜合金开发中的应用
TG146.11; 材料领域数据具有小样本、噪声大、维度高、关系复杂、专家知识丰富的特点.利用专家知识增强机器学习建模效果具有必要性和可行性.本文通过计算自变量与因变量之间的秩相关系数,来定量描述成分状态因素与性能之间单调关系的强弱.在模型训练过程中,将秩相关系数加入到神经网络损失函数,实时评估模型输出与专家知识的相符程度,得到了专家知识增强的机器学习模型.对训练过程分析后发现,模型输出的合理性有显著提升,模型的输入输出规律与专家知识的相符程度达到了0.98以上(1.0为完全相符).基于所建模型,采用遗传算法进行了关于强度和导电率的多目标优化,找到了满足帕累托最优的高强高导铜合金成分并开展了实...
Saved in:
Published in | 工程科学学报 Vol. 45; no. 11; pp. 1908 - 1917 |
---|---|
Main Authors | , , , , |
Format | Journal Article |
Language | Chinese |
Published |
中铝材料应用研究院有限公司,北京 102209%中铝科学技术研究院有限公司,北京 102209%中铝材料应用研究院有限公司,北京 102209
2023
中国信息通信研究院,北京 100045 |
Subjects | |
Online Access | Get full text |
Cover
Loading…
Summary: | TG146.11; 材料领域数据具有小样本、噪声大、维度高、关系复杂、专家知识丰富的特点.利用专家知识增强机器学习建模效果具有必要性和可行性.本文通过计算自变量与因变量之间的秩相关系数,来定量描述成分状态因素与性能之间单调关系的强弱.在模型训练过程中,将秩相关系数加入到神经网络损失函数,实时评估模型输出与专家知识的相符程度,得到了专家知识增强的机器学习模型.对训练过程分析后发现,模型输出的合理性有显著提升,模型的输入输出规律与专家知识的相符程度达到了0.98以上(1.0为完全相符).基于所建模型,采用遗传算法进行了关于强度和导电率的多目标优化,找到了满足帕累托最优的高强高导铜合金成分并开展了实验验证.实验结果表明,强度在高达637 MPa的同时,导电率仍能保持在77.5%IACS(国际退火铜标准)的水平;导电率高达80.2%IACS的同时,强度仍能保持在600 MPa的水平.强度和导电率的预测值与实际值误差在5%以内. |
---|---|
ISSN: | 2095-9389 |
DOI: | 10.13374/j.issn2095-9389 |