基于机器学习的非晶金属合金弹性性质预测

杨氏模量 $E$ 是决定固体抗拉伸/压缩能力的关键力学性质。本工作中，基于大量不同非晶金属合金杨氏模量的经验数据，详细研究了量 $E$ 与合金组元总摩尔质量 $M$、形成合金的组元数 $n$、屈服应力 $\sigma_{y}$ 以及玻璃转变温度 $T_{g}$ 等特征之间的关联。已确定正常条件下金属合金的杨氏模量值与屈服应力此类力学特征以及玻璃转变温度相关。研究发现，由摩尔质量 $M$ 和组元数 $n$ 决定的合金“化学式”特异性不影响材料的弹性。机器学习算法将量 $M$ 和 $n$ 均识别为决定 $E$ 的不显著因素。获得了将杨氏模量与 $T_{g}$ 和 $\sigma_{y}$ 关联的简单非线性回归模型，且该模型正确复现了不同类型金属合金的实验数据。该所得回归模型推广了先前提出的非晶金属合金经验关系 $E\simeq49.8\sigma_{y}$。