公开(公告)号：CN112216356A

公开(公告)日：2021-01-12

申请号：CN202011140018.3

申请日：2020-10-22

Applicant: 哈尔滨理工大学

Inventor： 邹瑞 ,  李述 ,  王鹏 ,  李帅 ,  杨致远

IPC: G16C60/00 ,  G16C20/30 ,  G16C20/70

Abstract: 一种基于机器学习的高熵合金硬度预测方法，属于金属材料硬度预测技术领域，用以解决传统方法预测搜索性能优异的高熵合金耗时耗力且不准确的问题。该方法包括，获取用来预测高熵合金硬度的特征数据训练集；对特征数据进行筛选，获取最优特征组合；通过十重交叉验证方法选择机器学习模型；采用选择的机器学习模型并输入最优特征组合进行模型训练；根据训练好的模型对未知的高熵合金硬度进行预测，挑选出预测硬度高且预测可信性好的高熵合金。本发明中的特征筛选方法与现有的穷举法需要排列所有特征的组合去寻找最优特征相比，在基于机器学习算法进行高熵合金硬度预测时，不仅对高熵合金性能预测较为准确，而且更为节省计算资源与时间。

公开(公告)号：CN112216356B

公开(公告)日：2025-02-21

申请号：CN202011140018.3

申请日：2020-10-22

Applicant: 哈尔滨理工大学

Inventor： 李述 ,  邹瑞 ,  王鹏 ,  李帅 ,  杨致远

IPC: G16C60/00 ,  G16C20/30 ,  G16C20/70

Abstract: 一种基于机器学习的高熵合金硬度预测方法，属于金属材料硬度预测技术领域，用以解决传统方法预测搜索性能优异的高熵合金耗时耗力且不准确的问题。该方法包括，获取用来预测高熵合金硬度的特征数据训练集；对特征数据进行筛选，获取最优特征组合；通过十重交叉验证方法选择机器学习模型；采用选择的机器学习模型并输入最优特征组合进行模型训练；根据训练好的模型对未知的高熵合金硬度进行预测，挑选出预测硬度高且预测可信性好的高熵合金。本发明中的特征筛选方法与现有的穷举法需要排列所有特征的组合去寻找最优特征相比，在基于机器学习算法进行高熵合金硬度预测时，不仅对高熵合金性能预测较为准确，而且更为节省计算资源与时间。