科研之友
微信
新浪微博
Facebook
分享链接
摘要
Laves相合金新材料的合成设计离不开生成焓的测定。近几年来，为解决生成焓测定低效的问题，机器学习预测生成焓的新模式得到了广泛的关注。本工作通过三种特征集和七种回归算法，构建了21个机器学习回归模型。基于从OQMD数据库收集的Laves相合金生成焓的实验值数据集，系统地比较了算法选择和特征选择对模型综合性能的影响。结果表明，RF模型综合性能最高，高于Miedema半经验模型的预测精度，实现了Laves相合金生成焓的快速预测。成分特征对于生成焓的影响程度远大于结构特征，其中，电子因素比尺寸因素的影响程度更大。将Laves相生成焓的DFT计算值加入到实验值数据集，组成大样本数据集，基于此建立的ML模型精度有大幅提升。该方法可用于新设计的Laves相合金材料的快速初筛，从而推动新型Laves相合金的研发进度。
-
单位轧制技术及连轧自动化国家重点实验室; 东北大学
