基于机器学习的金属玻璃形成能力研究.pdf

摘要

摘要

由于无序结构和独特的玻璃化转变机制，金属玻璃（MetallicGlasses，MGs）

呈现出优异的机械性能，如极高的强度和硬度、高耐磨性和耐腐蚀性等。这些

优异的机械性能使MGs有被应用于多个领域的潜力。然而，有限的玻璃形成能

力（GlassFormingAbility，GFA）是限制其广泛应用的挑战之一。大多数报道称

MGs的临界尺寸小于10mm，这成为大型零部件工业制造的主要限制因素。因

此，开发具有高GFA的潜在MGs是其实际应用的关键研究之一。

本文收集整理了规范完善的MGs数据集，基于机器学习算法对MGs的玻

璃化转变温度T、临界直径D和临界冷却速率R进行预测研究。基于元素

gmaxc

属性和先验知识建立了广泛的特征空间，通过方差过滤、相关性过滤和递归特

征消除三步特征选择法进行特征降维。建立的T高精确预测模型LGB（Light

g

2

GradientBoostingMachine）在训练集交叉验证和测试集的决定系数R分别为

0.9849和0.9813。建立的XGBoost（eXtremeGradientBoosting）D预测模型

max

2

交叉验证R为0.7571，新构建的热导率差异和密度混合熵两个特征在D预

max

测中表现了重要作用。基于D模型的特征深入分析，建立了一个新的GFA规

max

则：热导率差异在0.60至1.32之间，密度混合熵高于1.05的组分倾向于有较

高的GFA。利用D模型筛选出了数据集中没有实验测量值的高GFA组分。

max

本文在T和D模型分析的重要特征基础上建立了两个参数的经验公式，

gmax

2

T公式的拟合系数r和决定系数R分别为0.9387和0.8738，最优D公式的

gmax

2

拟合系数r和决定系数R分别为0.687和0.472。基于D数据集，首次将迁

max

2

移学习应用于R小数据集的预测，决定系数R从0.70提高到0.80。首次将深

c

度生成模型应用于MGs组分生成，筛选出了18个潜在的具有高GFA的新型

MGs组分，并利用本文建立的模型给出了18个组分的T、D、R预测值。

gmaxc

本文建立的经验公式与GFA规则为MGs研究提供了新的见解，迁移学习

与深度生成模型的应用为今后的研究提供了新的思路，预测的高GFA组分

为进一步的实验研究提供了机遇。

关键词：金属玻璃；