专家知识增强的机器学习建模在高强高导铜合金开发中的应用

作者：苗海宾; 向朝建; 刘胜楠; 黄东男; 娄花芬^*

来源：工程科学学报, 2023, 45(11): 1908-1917.

DOI：10.13374/j.issn2095-9389.2022.09.19.002

• 专家知识
• 高强高导
• 机器学习
• 铜合金
• 多目标优化

材料领域数据具有小样本、噪声大、维度高、关系复杂、专家知识丰富的特点.利用专家知识增强机器学习建模效果具有必要性和可行性.本文通过计算自变量与因变量之间的秩相关系数，来定量描述成分状态因素与性能之间单调关系的强弱.在模型训练过程中，将秩相关系数加入到神经网络损失函数，实时评估模型输出与专家知识的相符程度，得到了专家知识增强的机器学习模型.对训练过程分析后发现，模型输出的合理性有显著提升，模型的输入输出规律与专家知识的相符程度达到了0.98以上（1.0为完全相符）.基于所建模型，采用遗传算法进行了关于强度和导电率的多目标优化，找到了满足帕累托最优的高强高导铜合金成分并开展了实验验证.实验结果表明，强度在高达637 MPa的同时，导电率仍能保持在77.5%IACS（国际退火铜标准）的水平；导电率高达80.2%IACS的同时，强度仍能保持在600 MPa的水平.强度和导电率的预测值与实际值误差在5%以内.

• 单位
  中国信息通信研究院