基于机器学习的Al-Zn-Mg-Cu合金快速设计

• Published in: 中国有色金属学报（英文版） Vol. 34; no. 3; pp. 709 - 723
• Main Authors: 隽永飞, 牛国帅, 杨旸, 徐子涵, 杨健, 唐文奇, 姜海涛, 韩延峰, 戴永兵, 张佼, 孙宝德
• Format: Journal Article
• Language: Chinese
• Published: 上海交通大学先进船舶和深海勘探协同创新中心,上海 200240 2024; 上海交通大学材料科学与工程学院上海市先进高温材料及其精密成形重点实验室和金属基复合材料国家重点实验室,上海 200240%上海交通大学计算机科学与工程系,上海 200240%上海交通大学材料科学与工程学院上海市先进高温材料及其精密成形重点实验室和金属基复合材料国家重点实验室,上海 200240
• Subjects: 力学性能; 机器学习; alloy rapid design system; Al-Zn-Mg-Cu合金; 合金快速设计系统; machine learning; mechanical properties; Al-Zn-Mg-Cu alloy
• ISSN: 1003-6326
• DOI: 10.1016/S1003-6326(23)66429-5

提出一种基于机器学习的合金快速设计系统(ARDS),以定制所需性能的合金制备策略或预测制备策略所对应的合金性能.为此,分别对3种回归算法:线性回归(LR)、支持向量回归(SVR)和人工神经网络(BPNN)进行建模和比较以训练多性能预测模型.其中,应用SVR构建的机器学习模型被证明是最佳的.然后,基于生成对抗网络(GAN)模型原理,构建Al-Zn-Mg-Cu系铝合金快速设计系统(ARDS).对ARDS的预测可靠性进行验证.结果表明,为了能够获得准确的制备策略,系统中极限抗拉强度(UTS)、屈服强度(YS)和伸长率(EL)的输入上限分别约为790 MPa、730 MPa和28％.此外,基于ARDS预测结果,制备了一种性能优异的新型铝合金材料,其UTS 为 764 MPa、YS 为 732 MPa、EL 为 10.1％,进一步验证了 ARDS 的可靠性.