基于机器学习的合金钢拉伸性能预测及SHAP特征分析.pdfVIP

第２４卷第４期材料与冶金学报Ｖｏｌ２４Ｎｏ４

２０２５年７月ＪｏｕｒｎａｌｏｆＭａｔｅｒｉａｌｓａｎｄＭｅｔａｌｌｕｒｇｙＪｕｌｙ２０２５

－

ｄｏｉ:１０１４１８６/ｊｃｎｋｉ１６７１６６２０２０２５０４０１１

基于机器学习的合金钢拉伸性能预测

及ＳＨＡＰ特征分析

曹健ꎬ刘立忠ꎬ李耀威ꎬ刘双

(东北大学１.材料科学与工程学院ꎻ２.辽宁省轻量化用关键金属结构材料重点实验室ꎬ沈阳１１０８１９)

摘要:利用数据驱动的机器学习方法ꎬ将成形工艺和化学成分作为输入特征ꎬ对材料的屈服强度、抗拉强度

和伸长率进行预测.采用局部离群因子(ＬＯＦ)法对样本进行有效的异常值检测剔除ꎬ建立支持向量机回归、随

机森林、极限梯度提升和多层感知机４种机器学习算法ꎬ并对算法进行网格搜索超参数及５折交叉验证.结果

表明ꎬ除支持向量机回归外的３种算法均表现出较好的拟合效果.结合沙普利可加性模型解释(ＳＨＡＰ)方法和

特征重要性分析ꎬ为机器学习算法的预测过程增加可解释性ꎬ分析样本特征对合金钢拉伸性能的影响.

关键词:机器学习ꎻ合金钢ꎻ拉伸性能ꎻＳＨＡＰ

中图分类号:ＴＧ１４２１ꎻＴＰ１８文献标志码:Ａ文章编号:１６７１￣６６２０(２０２５)０４￣０３９３￣１０

Ｐｒｅｄｉｃｔｉｏｎｏｆｔｅｎｓｉｌｅｐｒｏｐｅｒｔｉｅｓｏｆａｌｌｏｙｓｔｅｅｌｂａｓｅｄｏｎ

ｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｎｄＳＨＡＰｆｅａｔｕｒｅａｎａｌｙｓｉｓ

ＣａｏＪｉａｎꎬＬｉｕＬｉｚｈｏｎｇꎬＬｉＹａｏｗｅｉꎬＬｉｕＳｈｕａｎｇ

(ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ１.ＳｃｈｏｏｌｏｆＭａｔｅｒｉａｌｓＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎻ

２.ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＬｉｇｈｔｗｅｉｇｈｔＳｔｒｕｃｔｕｒａｌＭａｔｅｒｉａｌｓꎬＳｈｅｎｙａｎｇ１１０８１９ꎬＣｈｉｎａ)

Ａｂｓｔｒａｃｔ:Ａｄａｔａ￣ｄｒｉｖｅｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｉｓｕｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｙｉｅｌｄｓｔｒｅｎｇｔｈꎬｔｅｎｓｉｌｅｓｔｒｅｎｇｔｈꎬａｎｄ

ｅｌｏｎｇａｔｉｏｎｏｆｍａｔｅｒｉａｌｓｕｓｉｎｇｔｈｅｆｏｒｍｉｎｇｐｒｏｃｅｓｓａｎｄｃｈｅｍｉｃａｌｃｏｍｐｏｓｉｔｉｏｎａｓｉｎｐｕｔｆｅａｔｕｒｅｓ.Ｔｈｅｌｏｃａｌｏｕｔｌｉｅｒｆａｃｔｏｒ

(ＬＯＦ)ｍｅｔｈｏｄｉｓｅｍｐｌｏｙｅｄｆｏｒｅｆｆｅｃｔｉｖｅｏｕｔｌｉｅｒｄｅｔｅｃｔｉｏｎａｎｄｒｅｍｏｖａｌｉｎｔｈｅｄａｔａｓｅｔｆｒｏｍｓａｍｐｌｅｓ.Ｆｏｕｒｍａｃｈｉｎｅ

ｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓꎬｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｒｅｇｒｅｓｓｉｏｎꎬｒａｎｄｏｍｆｏｒｅｓｔꎬｅｘｔｒｅｍｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇꎬａｎｄｍｕｌｔｉｌａｙｅｒ

ｐｅｒｃｅｐｔｒｏｎꎬａｒｅｅｓｔａｂｌｉｓｈｅｄꎬｗｉｔｈｇｒｉｄｓｅａｒｃｈｈｙｐｅｒｐａｒａｍｅｔｅｒｔｕｎｉｎｇａｎｄ５￣ｆｏｌｄｃｒｏｓｓ￣ｖａｌｉｄａｔｉｏｎｐｅｒｆｏｒｍｅｄｆｏｒｅ