-
公开(公告)号：CN114898821B
公开(公告)日：2024-11-05
申请号：CN202210520442.3
申请日：2022-05-13
申请人： 宁波博威合金材料股份有限公司 , 宁波博威新材料有限公司 , 宁波博威合金板带有限公司
IPC分类号： G16C20/30 , G16C20/70 , G06N5/01 , G06N20/20 , G06F18/214 , G06F18/23213 , G06F18/25
摘要： 本发明公开了一种基于机器学习模型融合的合金性能预测方法，通过数据挖掘合金成分‑加工工艺‑性能的历史数据，将机器学习中的boosting融合和stacking融合协同，其中boosting融合可以提升模型的准确度、减少偏差，stacking融合可以使模型更稳健，通过这两种模型协同，可以达到不同模型取长补短的效果，通过训练过程融合到训练结果融合，进而构建“成分‑加工工艺‑性能”之间的关系，实现根据成分、加工工艺预测合金性能的目的。本发明解决了单一机器学习模型准确率低、泛化能力弱的问题，综合个体学习机器的优势，降低模型的预测误差，优化整体模型的性能，与单一的数据融合方法相比，具有更优的模型表现。
-
公开(公告)号：CN114898821A
公开(公告)日：2022-08-12
申请号：CN202210520442.3
申请日：2022-05-13
申请人： 宁波博威合金材料股份有限公司 , 宁波博威新材料有限公司 , 宁波博威合金板带有限公司
摘要： 本发明公开了一种基于机器学习模型融合的合金性能预测方法，通过数据挖掘合金成分‑加工工艺‑性能的历史数据，将机器学习中的boosting融合和stacking融合协同，其中boosting融合可以提升模型的准确度、减少偏差，stacking融合可以使模型更稳健，通过这两种模型协同，可以达到不同模型取长补短的效果，通过训练过程融合到训练结果融合，进而构建“成分‑加工工艺‑性能”之间的关系，实现根据成分、加工工艺预测合金性能的目的。本发明解决了单一机器学习模型准确率低、泛化能力弱的问题，综合个体学习机器的优势，降低模型的预测误差，优化整体模型的性能，与单一的数据融合方法相比，具有更优的模型表现。
-
公开(公告)号：CN116287847A
公开(公告)日：2023-06-23
申请号：CN202310198006.3
申请日：2023-02-24
申请人： 宁波博威合金材料股份有限公司 , 宁波博威新材料有限公司
摘要： 本发明公开的高强高导铜合金线材的合金组成为：0.7～1.3wt％的Cr、0.15～0.6wt％的Fe、0.1～0.4wt％的Ti、0.01～0.12wt％的Si，余量为Cu和不可避免的杂质，其主要由富Cr相、Laves Fe2Ti第二相两相复合强化，其中，富Cr相由粒子尺寸为5～100nm的富Cr第二相及粒子尺寸大于200nm的富Cr结晶物组成，Laves Fe2Ti第二相由粒子尺寸为5～100nm的颗粒组成。该线材可应用于脉冲强磁场线圈，具有700MPa以上的抗拉强度，65％IACS以上的导电率；经280℃烘烤1h后，其强度降低率在10％以内；在最大应力700Mpa、最小应力50MPa、循环周次超过6000次的疲劳试验中不断线。
-
-
搜索结果
3 条记录 (耗时 0.076 秒)
