-
Patent Agency Ranking
公开(公告)号：CN112216355A
公开(公告)日：2021-01-12
申请号：CN202011140008.X
申请日：2020-10-22
Applicant: 哈尔滨理工大学
Abstract: 一种基于机器学习的多组分晶体构型能预测方法，属于材料固有属性计算领域，用以解决传统方法中单纯依赖于物理理论推导多组分晶体构型能而导致的预测计算不准确及不高效问题。本发明提出了以团簇扩展方法计算多组分晶体的构型能，通过将多体相互作用形成的团簇函数即相关函数作为输入特征值，然后利用机器学习算法进行模型训练和预测，获得多组分晶体构型能。相比于传统的严格依赖于物理理论推导的计算方法，本发明方法预测计算结果更加准确、高效，可推广到计算多组分晶体的其他标量属性。
-
公开(公告)号：CN112216355B
公开(公告)日：2024-01-26
申请号：CN202011140008.X
申请日：2020-10-22
Applicant: 哈尔滨理工大学
Abstract: 一种基于机器学习的多组分晶体构型能预测方法，属于材料固有属性计算领域，用以解决传统方法中单纯依赖于物理理论推导多组分晶体构型能而导致的预测计算不准确及不高效问题。本发明提出了以团簇扩展方法计算多组分晶体的构型能，通过将多体相互作用形成的团簇函数即相关函数作为输入特征值，然后利用机器学习算法进行模型训练和预测，获得多组分晶体构型能。相比于传统的严格依赖于物理理论推导的计算方法，本发明方法预测计算结果更加准确、高效，可推广到计算多组分晶体的其他标量属性。
-
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
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：CN114464274A
公开(公告)日：2022-05-10
申请号：CN202210043307.4
申请日：2022-01-14
Applicant: 哈尔滨理工大学
Abstract: 一种基于机器学习和改进遗传算法特征筛选的高熵合金硬度预测方法，涉及材料性能预测技术领域，本发明为了高效预测HEA的硬度、降低预测误差而提出的。技术要点：收集多个HEA的成分与硬度信息，并由高熵合金所包含的元素成分和元素本身固有性质计算得出物理特征用作原始数据集；采用带有径向基核函数的支持向量回归作为预测高熵合金硬度的ML模型；对遗传算法进行改进；将ML模型代入到改进遗传算法的适应度值计算中来计算每一个个体的适应度值，通过特征重要性来提升初始种群的质量、加强迭代过程中的搜索能力，以选择出预测效果优异的特征组合。将新开发的改进遗传算法与传统遗传算法及其它具有代表性的特征选择方法进行比较。结果表明本方法有效地降低了预测误差。
-
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
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。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
