收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

高通量实验和机器学习结合加速硬质高熵合金成分优化

王炯  
【摘要】:对于多组元合金,由于存在大量的潜在成分组合,采用传统的经验与试错法使得研发过程缓慢而昂贵。为应对多组元合金成分设计的挑战,我们发展了高通量实验(HTE)结合机器学习(ML)的研发方法加速合金成分优化,并将THE-ML方法用于发展新型非等摩尔比硬质高熵合金(HEA)Co_xCr_yTi_zMo_u W_v。我们设计研发了系列高通量合金制备设备,包含了从原料配置用的多工位粉料分配系统到合金化用的多工位自动电弧熔炼系统以及后续的金相样品制备设备。我们使用高通量实验设备分两步制备潜在成分空间中约1/28的合金样本,期间利用机器学习方法指导实验方案设计。首先,我们单独调整难熔合金元素W或Mo成分,以及通过相结构的特征描述因子选定成分,共计制备111个合金样品。通过三种机器学习算法与四种特征描述因子组合构建12个机器学习方法和120个机器学习模型进行多方法和多模型统计预测。第二步高通量实验针对初始的机器学习模型按照硬度区间预测选择的27个合金成分进行。最终的机器学习模型构建使用了全部138个实验数据,预测的硬度在高(HV800)、中(HV∈(600~800))、低(HV600)硬度区域的平均误差分别为5.3%、6.3%和15.4%,相对应区域实验测量偏差分别为1.69%、1.88%、1.87%。此外,我们利用机器学习模型预测了Co_xCr_yTi_zMo_uW_v体系内潜在3876个合金的硬度,构建了全局成分范围内的“成分-硬度”与“描述因子-硬度”关系,讨论了合金成分和物理描述因子对合金硬度的影响规律。通过分析CoCrTiMoW的微观组织结构,理解该合金体系的硬度强化机制和各元素的作用。本工作证实机器学习指导下的高通量实验(ML-HTE)方法为多组元合金的成分设计提供了一种新的有效策略:通过高通量实验和机器学习的双重手段,可以更低的成本加速材料研发速度达百倍以上。


知网文化
【相似文献】
中国期刊全文数据库 前19条
1 李兵;林文钊;罗峥尹;;基于机器学习的智慧农业决策系统设计与实现[J];信息与电脑(理论版);2018年24期
2 舒娜;刘波;林伟伟;李鹏飞;;分布式机器学习平台与算法综述[J];计算机科学;2019年03期
3 刘传会;汪小亚;郭增辉;;机器学习在反洗钱领域的应用与发展[J];清华金融评论;2019年04期
4 孟雨;;机器学习让计算机更智能[J];计算机与网络;2019年14期
5 高华川;;机器学习在经济学中的应用[J];纳税;2019年24期
6 李阳;;机器学习在网络空间安全研究中的应用分析[J];电脑知识与技术;2019年24期
7 胡思润;杨晓旭;宋靖华;;基于机器学习的城市生成方法研究[J];智能建筑与智慧城市;2019年11期
8 蒋良孝;;机器学习课程教学的实践探索[J];新课程研究;2019年23期
9 ;降低机器学习门槛的六大工具[J];电脑知识与技术(经验技巧);2019年10期
10 朱辉;;机器学习在企业级场景中的实践与探讨[J];中国建设信息化;2018年03期
11 彭传意;;机器学习——我们该如何与机器竞争[J];数字通信世界;2018年01期
12 陈轶翔;埃里克·布伦乔尔森;汤姆·米切尔;;机器学习的能力范围及其对劳动力的影响[J];世界科学;2018年04期
13 赵长林;;机器学习即服务[J];网络安全和信息化;2017年10期
14 ;机器学习作用于信息安全的五大顶级案例[J];网络安全和信息化;2018年01期
15 吴承杨;;2018年来说说机器学习[J];软件和集成电路;2018年05期
16 宋雯博;;大数据下的机器学习的应用趋势[J];电脑迷;2018年09期
17 吴炜;孙强;;应用机器学习加速新材料的研发[J];中国科学:物理学 力学 天文学;2018年10期
18 宋明成;;机器学习隐私的安全隐患[J];计算机与网络;2018年16期
19 游思奇;;解读机器学习与深度学习的发展及应用[J];计算机产品与流通;2018年05期
中国重要会议论文全文数据库 前10条
1 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集(上册)[C];2001年
2 王衍鲁;张利会;张淑洁;石洁茹;王鹏;;大学新生学校适应的个体与环境因素探究:基于机器学习的考察[A];第二十届全国心理学学术会议--心理学与国民心理健康摘要集[C];2017年
3 张长水;;大数据机器学习[A];2015年中国自动化大会摘要集[C];2015年
4 何琳;侯汉清;;基于标引经验和机器学习相结合的多层自动分类[A];2005年中国索引学会年会暨学术研讨会论文集[C];2005年
5 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集(第2卷)[C];2005年
6 徐礼胜;李乃民;王宽全;张冬雨;耿斌;姜晓睿;陈超海;罗贵存;;机器学习在中医计算机诊断识别系统中的应用思考[A];第一届全国中西医结合诊断学术会议论文选集[C];2006年
7 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年
8 蔡健平;林世平;;基于机器学习的词语和句子极性分析[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
9 ;基于机器学习的大数据防诈骗能力研究与应用[A];2018中国信息通信大会论文摘要集[C];2018年
10 ;基于机器学习的影响感知无线根因问题快速定位研究[A];2018中国信息通信大会论文摘要集[C];2018年
中国博士学位论文全文数据库 前10条
1 刘浏;基于机器学习的恶意代码检测与分类技术研究[D];国防科技大学;2017年
2 薛红新;基于机器学习方法的分类与预测问题研究[D];中北大学;2019年
3 韩启迪;基于非线性成矿动力系统的机器学习方法应用研究[D];中国地质大学(北京);2019年
4 殷曦;基于机器学习及统计计算模型的膜蛋白结构预测[D];上海交通大学;2017年
5 杨静;蛋白质残基相互作用预测及其在结构建模中的应用研究[D];上海交通大学;2018年
6 王磊;基于机器学习的药物—靶标相互作用预测研究[D];中国矿业大学;2018年
7 张庆;钙钛矿型功能材料的基因组工程研究[D];上海大学;2018年
8 管月;医学肿瘤影像分类算法研究及其在肝癌上的应用[D];南京大学;2018年
9 郝小可;基于机器学习的影像遗传学分析及其应用研究[D];南京航空航天大学;2017年
10 施建明;基于机器学习的产品剩余寿命预测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年
中国硕士学位论文全文数据库 前10条
1 夏怡童;《机器学习前沿:2017雷蒙德和贝弗利·萨克勒英美科学论坛》翻译实践报告[D];重庆邮电大学;2019年
2 李逍;产品评论的方面级观点挖掘技术研究[D];重庆邮电大学;2019年
3 张辉斌;基于机器学习的机电系统部件级PHM技术研究[D];南京航空航天大学;2019年
4 卞荣臻;基于机器学习的硬件木马检测方法研究[D];南京航空航天大学;2019年
5 叶诗意;《机器学习—新型人工智能》(节选)翻译实践报告[D];湘潭大学;2019年
6 郭银娟;基于多元统计和机器学习的成绩分析及研究[D];湘潭大学;2019年
7 赵庆东;基于机器学习算法的数据分类应用研究[D];宁夏大学;2019年
8 巢泽敏;Spark自动调优系统的设计与实现[D];哈尔滨工业大学;2019年
9 胡乐;融合用户评论的新闻内容质量检测算法研究[D];哈尔滨工业大学;2019年
10 崔宇中;用于割草机平台的行人检测技术研究[D];哈尔滨工业大学;2019年
中国重要报纸全文数据库 前10条
1 CIO.com资深作家 Clint Boulton 编译 Charles;领先一步:机器学习的10个成功案例[N];计算机世界;2018年
2 Bob Violino 编译 Charles;盲目冒进:机器学习的5个失败案例[N];计算机世界;2018年
3 本报驻波士顿记者 侯丽;深入挖掘机器学习潜力[N];中国社会科学报;2019年
4 王方 编译;菌自何方 机器学习早知道[N];中国科学报;2019年
5 Matt Asay 编译 Monkey King;为什么机器学习没有捷径可循?[N];计算机世界;2019年
6 本报记者 操秀英;当量子计算遇到机器学习会碰撞出什么火花?[N];科技日报;2019年
7 彭博企业数据业务全球负责人 Gerard Francis;金融数据质量决定机器学习时代的投资回报[N];计算机世界;2019年
8 Isaac Sacolick 编译 Charles;关于机器学习的5个要点[N];计算机世界;2019年
9 记者 张梦然;全新算法助机器学习抵抗干扰[N];科技日报;2019年
10 惠赞瑾;《科学向左,科幻向右》:机器学习即将成为现实[N];中国会计报;2019年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978