基于可解释性CatBoost机器学习的超强Ni-Al-Ti-Cr-V高熵合金加速设计

《Physica B: Condensed Matter》:Accelerated design of ultra-strong Ni–Al–Ti–Cr–V high-entropy alloys via interpretable CatBoost machine learning

【字体: 大 中 小 】 时间:2026年09月28日 来源:Physica B: Condensed Matter 2.8

编辑推荐:

   •比较了六种机器学习模型来预测高熵合金的硬度和屈服强度。•CatBoost回归器在两种性能的预测准确度方面表现最高。•成分筛选指导了三种新型Ni-Al-Ti-Cr-V合金的发现。•实验测得的硬度和屈服强度显示预测误差小于3%。•合成合金表现出高达1585.40 MPa的卓越屈

  
  • •
    比较了六种机器学习模型来预测高熵合金的硬度和屈服强度。
  • •
    CatBoost回归器在两种性能的预测准确度方面表现最高。
  • •
    成分筛选指导了三种新型Ni-Al-Ti-Cr-V合金的发现。
  • •
    实验测得的硬度和屈服强度显示预测误差小于3%。
  • •
    合成合金表现出高达1585.40 MPa的卓越屈服强度值。

引言

典型的合金设计方法通常从一个(甚至两个)主要元素开始,随后加入其他合金元素以实现特定性能[1],[2],[3]。所开发合金的基本特征主要由主要元素决定。例如,铁是钢的主要成分,镍/钴是超合金的主要成分,钛是钛合金的主要成分[4],[5],[6]。高熵合金(HEAs)[7]是通过十余年前建立的合金设计方法生产的,该方法以等摩尔或近等摩尔比例混合各种元素来优化构型熵。与这些多主元合金中会产生多种金属间化合物或复杂相的预期不同,典型HEAs通常表现出非常简单的相结构,通常由面心立方(FCC)、体心立方(BCC)或两者的组合构成[8]。这种排列赋予HEAs卓越的特性,包括低温韧性、强度、极端温度下的热稳定性以及优异的耐腐蚀和耐磨性能[9],[10],[11],[12]。由于包含众多主要元素,HEAs的潜在成分数量远超传统合金[13]。广泛的成分空间为提升硬度和屈服强度等性能提供了机遇,但也带来了成分优化的巨大困难,特别是通过"试错"或直觉方法进行时[14]。因此,开发能够快速高效地找到具有目标性能特定合金的搜索算法至关重要。许多尝试专注于采用热力学建模、密度泛函理论(DFT)和分子动力学(MD)计算来指导合金设计[15],[16],[17],[18],[19]。例如,Miracle等人利用CALPHAD方法估算HEAs的相形成,发现预测的稳定相总数至少是实验结果的兩倍[20]。同时,DFT和MD计算主要依赖于HEAs的相稳定性、凝固行为和结晶动力学[21],[22],[23],[24]。此外,元素数量和微观结构的多样性导致与传统合金相比,计算量巨大且计算需求极高。然而,这些方法中很少有专注于性能设计的,特别是预测针对特定目标性能的最佳化学组成和成分。近年来,材料科学界一直在应用机器学习(ML)技术[25],[26],[27],例如有序非晶固体中结构流变缺陷的识别以及无机-有机杂化材料的发现[28],[29]。
Tancret等人[30]提出了一种预测单相固溶体HEAs生产的有效方法,通过仔细考虑相形成和基于高斯过程的统计分析。他们的设计技术预测了六十二种等摩尔合金会形成单相HEAs。Islam等人通过在一组包含118个观测数据的数据集上训练神经网络模型,研究了HEAs中单相固溶体、非晶相或金属间化合物的形成,预测准确率平均超过80%[31]。该研究侧重于预测相发展,而非预测或改进机械或功能性能。除了通过近似性能与材料特征或描述符之间关系的机器学习之外,采用效用函数确定后续实验的实验设计(DOE)对于采样搜索空间以追求全局最优也是必不可少的,因为仅靠机器学习可能会产生次优结果[32],[33]。这一点在追求具有最小热滞后的形状记忆合金(SMAs)以及表现出显著电场诱导应力的BaTiO3基压电材料的研究中得到了证实[34],[35]。
本研究介绍了一种专注于性能的合金设计策略,该策略结合了机器学习、特征工程、成分筛选、模型解释和实验验证。其目标是发现具有改进硬度和屈服强度的Ni-Al-Ti-Cr-V高熵合金。建立了一个精炼数据集,包含来自18元成分空间的423个铸造HEAs数据点,以涵盖多种合金化学组成和广泛的力学性能谱。为建立成分与性能之间的关系,训练了六种回归模型:轻量级梯度提升机(Light Gradient Boosting Machine)、梯度提升回归器(Gradient Boosting Regressor)、CatBoost回归器、随机森林回归器、极端梯度提升(Extreme Gradient Boosting)和线性回归。CatBoost回归器在它们中表现出最佳预测精度,硬度训练/测试R2为0.96/0.91,屈服强度训练/测试R2为0.98/0.95。此外,通过SHAP和并行坐标分析解释了主导的成分特征,这也助于选择可行的合金候选材料。基于CatBoost指导的成分筛选,合成了三种Ni-Al-Ti-Cr-V HEAs:Ni35Al17.5Ti17.5Cr15V15、Ni30Al15Ti15Cr20V20和Ni25Al12.5Ti12.5Cr25V25,并进行了实验验证。硬度值分别为596.25 ± 11.32、571.50 ± 7.82和609.25 ± 9.35 HV,相应的屈服强度分别为1551.31 ± 10.64、1561.88 ± 10.80和1585.40 ± 10.23 MPa。硬度预测误差范围为1.1%-2.6%,屈服强度预测误差范围为0.9%-1.2%,表明机器学习预测与实验测量之间具有良好的吻合度。这些结果表明,CatBoost指导的技术能够有效地减少试错实验并加速发现力学性能优越的HEAs。

章节摘要

设计策略

在本研究中,通过机器学习预测HEAs的硬度和屈服强度被视为一个有监督回归问题。图1展示了本研究的设计策略,该策略遵循数据构建、数据过滤、特征选择、模型选择与建立、模型训练与优化、模型解释、成分空间筛选、性能预测和实验验证的顺序工作流。为已报告的铸造HEAs建立了性能数据集,包括

机器学习模型训练结果

高熵合金中硬度和屈服强度的预测被分析为一个有监督回归问题,其中基于元素成分数据预测连续的力学性能值。训练并比较了六种回归模型:随机森林回归器(RFR)、梯度提升回归器(GBR)、CatBoost回归器(CatBoost R)、极端梯度提升回归器(XGBR)、线性回归(LR)和轻量级梯度提升机(LGBM)。预测

结论

本研究开发了一个可解释的机器学习框架,用于预测铸造高熵合金的硬度和屈服强度,并促进具有改进机械性能Ni-Al-Ti-Cr-V成分的实验识别。利用了一个精炼数据集,其中包含来自18元成分系统的423个有效数据点。Pearson相关分析和基于随机森林的递归特征消除最小化了特征冗余并确定了十二个最优

CRediT作者贡献声明

Wang Airu:方法论,数据整理。Muhammad Faisal:形式化分析。Xie Guoqiang:监督,资金获取。Ahmed Ishfaq:撰写–审查与编辑,验证,概念化。Riaz Kiran:调查研究。Haq Inzamam ul:撰写–审查与编辑,撰写–初稿,调查研究,形式化分析,概念化

未引用参考文献

[42],[43]。

利益冲突声明

? 作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

本研究得到了广东省基础与应用基础研究基金(编号:2025A1515010676);国家自然科学基金委员会(编号:52301043);深圳市自然科学基金(基础研究计划;编号:JCYJ20250604145626035和JCYJ20180507184623297);深圳市科技计划(技术创新计划;编号:KQJSCX20180328165656256);深圳市博士后研究启动经费(编号:NA25501001);深圳市的资助。
Haq Inzamam ul|Riaz Kiran|Faisal Muhammad|Wang Airu|Ahmed Ishfaq|Xie Guoqiang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号