将机器学习与机理模型相结合预测高熵合金的屈服强度
材料科学
2022-09-28 v1
摘要
加速设计具有目标性质的材料是材料信息学的关键任务之一。最常见的方法采用数据驱动的动机，其中底层知识以领域启发的输入特征形式被纳入。随后构建机器学习(ML)模型以建立输入-输出关系。另一种方法涉及利用机理模型，其中领域知识以预定义的函数形式被纳入。这些机理模型通过观测精心构建以验证特定假设，并包含了数据驱动ML方法所缺失的因果要素。在本工作中，我们展示了一种将机理模型与唯象及ML模型相集成的计算方法，以快速预测形成单相面心立方(FCC)结构的高熵合金(HEAs)的温度相关屈服强度。我们的主要贡献在于建立HEA成分与温度相关弹性常数之间的定量关系。这使我们能够改进机理模型中弹性常数失配对固溶强化效应的处理，而该处理对于可靠预测单相FCC基HEA中屈服强度随温度的变化至关重要。我们通过将贝叶斯推断与集成ML方法相结合来实现这一点。其结果是一个弹性常数的概率分布，当该分布通过机理模型传播时，可给出温度相关屈服强度的预测及其不确定性。预测的屈服强度与已发表的实验数据表现出良好的一致性，使我们有信心将所开发的方法应用于快速搜索在各种温度下具有优异屈服强度的新型FCC基HEA。
引用
@article{arxiv.2206.09944,
title = {Integrating Machine Learning with Mechanistic Models for Predicting the Yield Strength of High Entropy Alloys},
author = {Shunshun Liu and Kyungtae Lee and Prasanna V. Balachandran},
journal= {arXiv preprint arXiv:2206.09944},
year = {2022}
}
备注
31 pages, 8 figures