科研之友
微信
新浪微博
Facebook
分享链接
摘要
采用k近邻(KNN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)和人工神经网络(ANN)5种机器学习(ML)方法对RHEAs中固溶体(SS)、混合固溶体和金属间化合物(SS+IM)进行了分类和预测。选择了5个输入相预测参数作为特征以及139组RHEAs数据以训练ML模型。结果表明，ANN模型的预测准确率最高，达到90.72%。9组新的四元和(TiVTa)xCr1–x体系RHEAs的实验结果显示，RF和ANN的预测精度更高，精准预测了11个SS和3个SS+IM合金的相组成。采用了SHAP(SHapley Additive exPlanations)模型来解释精度最高的ANN模型，并研究每个特征对相形成的贡献。5个特征的重要性顺序是混合焓(ΔHmix)、原子尺寸差(δ)、价电子浓度(VEC)、混合熵(ΔSmix)和电负性差(Δ_χ)，其中ΔHmix的平均SHAP值大约是Δχ的5倍，是ΔSmix的4倍。较大的ΔHmix、较小的δ和VEC可能有助于RHEA中固溶体的形成。
- 单位
