基于领域知识辅助的机器学习方法对软磁金属玻璃性能的预测

提出一种领域知识辅助的机器学习方法,实现对软磁金属玻璃饱和磁化强度(Bs)和临界尺寸(Dmax)的预测.基于公开的实验数据,建立软磁合金数据库.提出一个通用的特征空间,适用于面向不同预测任务的机器学习模型训练.结果表明,机器学习模型的预测能力比基于物理知识的估计方法精度更高.此外,领域知识辅助的特征选择可在有效减少特征数量的同时,不显著降低模型的预测精度.最后,对软磁金属玻璃临界尺寸的二分类预测进行讨论....

Full description

Saved in:
Bibliographic Details
Published in中国有色金属学报（英文版） Vol. 33; no. 1; pp. 209 - 219
Main Authors 李鑫, 单光存, 赵鸿滨, 石燦鴻
Format Journal Article
LanguageChinese
Published 北京航空航天大学 仪器科学与光电工程学院,北京 100191 2023
香港城市大学 材料科学与工程系,香港特别行政区%有研科技集团有限公司 智能传感功能材料国家重点实验室,北京 100088%香港城市大学 材料科学与工程系,香港特别行政区
Subjects
机器学习
metallic glass
玻璃形成能力
glass forming ability
金属玻璃
soft magnetism
软磁性
machine learning
material descriptor
材料描述符
Online AccessGet full text

Cover

More Information
Summary:提出一种领域知识辅助的机器学习方法,实现对软磁金属玻璃饱和磁化强度(Bs)和临界尺寸(Dmax)的预测.基于公开的实验数据,建立软磁合金数据库.提出一个通用的特征空间,适用于面向不同预测任务的机器学习模型训练.结果表明,机器学习模型的预测能力比基于物理知识的估计方法精度更高.此外,领域知识辅助的特征选择可在有效减少特征数量的同时,不显著降低模型的预测精度.最后,对软磁金属玻璃临界尺寸的二分类预测进行讨论.
ISSN:1003-6326
DOI:10.1016/S1003-6326(22)66101-6