基于成分的机器学习方法预测高热力学稳定合金的相态与强度
材料科学
2025-03-28 v1
摘要
高热力学稳定合金可在超过镍基超合金温度的范围内工作。铝作为合金元素可为多种高温合金提供多种有利特性。含铝的RHEA具有成为最佳高温材料的潜力。本研究采用机器学习(ML)技术来确定含铝RHEA的相态与屈服强度。为此，我们从已发表的[1]合成的RHEA数据中构建了Al-RHEA数据集。我们应用了多种机器学习算法于训练集，并确定CatBoost算法表现最佳。我们对该算法的超参数进行优化，并使用交叉验证方法对其进行鲁棒性测试。CatBoost模型对测试数据的屈服强度预测准确(R2=0.98)。该算法被用于估计当前数据集中不存在的合金组成的屈服强度，这些未记录合金的准确预测表明该模型已足够学习到预测屈服强度的底层规律。我们随后预测了改变铝含量对RHEA屈服强度的影响。模型预测的结果结合了关于Al-RHEA的已发表数据进行了合理化解释。我们还开发了能够准确预测给定合金组成形成相态的CatBoost分类器模型。讨论了相位预测误差的原因。
引用
@article{arxiv.2503.21146,
title = {Composition based machine learning to predict phases & strength of refractory high entropy alloys},
author = {M. Sreenidhi Iyengar and M. K Anirudh and P. H. Anantha Desik and M. P. Phaniraj},
journal= {arXiv preprint arXiv:2503.21146},
year = {2025}
}
备注
27 pages including 7 figure, 7 tables & Graphical abstract