CN114566229B 数据驱动的高熵合金相成分预测方法及装置 （南京航空航天大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114566229B(45)授权公告日2025.07.01

(21)申请号202210153047.6

(22)申请日2022.02.18

(65)同一申请的已公布的文献号申请公布号CN114566229A

(43)申请公布日2022.05.31

(73)专利权人南京航空航天大学

地址210016江苏省南京市御道街29号

(72)发明人韩琦男鲁章伦崔海涛陈云天

张宏建

(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201

专利代理师吴婷

(51)Int.CI.

G16C20/20(2019.01)

G16C20/30(2019.01)

G16C20/70(2019.01)

(56)对比文件

CN112216356A,2021.01.12

张猛，等.基于机器学习的高熵合金生成相预测研究.《材料导报》.2021,第35卷(第Z1期),第331-335页.

审查员邓洁

权利要求书2页说明书10页附图5页

(54)发明名称

数据驱动的高熵合金相成分预测方法及装置

(57)摘要

CN114566229B本申请公开了一种数据驱动的高熵合金相成分预测方法及装置，其中，方法包括：获取待测高熵合金的至少一个相成分特征；由至少一个相成分特征筛选待测高熵合金的最优特征组合；基于最优特征组合，利用预先训练的相成分预测模型，预测得到待测高熵合金的相成分结果，其中，相成分结果包括固溶相、金属间化合物和非晶态中的一种。由此，解决了相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，耗时耗力，且难以保证预测的

CN114566229B

S101

S101

获取待测高熵合金的至少一个相成分特征

S102

由至少一个相成分特征筛选待测高熵合金的最优特征组合

S103

基于最优特征组合，利用预先训练的相成分

预测模型，预测得到待测高熵合金的相成分

结果，其中，相成分结果包括固溶相、金属

间化合物和非晶态中的一种

CN114566229B权利要求书1/2页

2

1.一种数据驱动的高熵合金相成分预测方法，其特征在于，包括以下步骤：

获取待测高熵合金的至少一个相成分特征；

由所述至少一个相成分特征筛选所述待测高熵合金的最优特征组合，包括：

获取高熵合金的相成分训练数据集；

由所述相成分训练数据集计算所述高熵合金的至少一个特征；

计算特征之间的皮尔逊相关系数，并根据所述特征之间的皮尔逊相关系数生成最优特征组合；

利用所述最优特征组合训练机器学习模型，并基于目标准确条件确定所述相成分预测模型；

将分别代表高熵合金几何特征和热力学特征的参数△Hmix、γ作为特征空间分布的参考坐标，并在特征空间中进行网格划分，得到所述相成分预测模型的决策边界，然后绘制决策空间中验证集数据的分布图；以及

基于所述最优特征组合，利用预先训练的相成分预测模型，预测得到所述待测高熵合金的相成分结果，其中，所述相成分结果包括固溶相、金属间化合物和非晶态中的一种。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括K-邻近模型、支持向量机模型、决策树模型、随机森林模型和极端梯度增强算法模型中的至少一种。

3.根据权利要求1-2任一项所述的方法，其特征在于，所述至少一个包括构型熵，混合焓，平均价电子浓度，价电子浓度差，平均电负性，电负性差，原子半径差，熔点差，Ω参数，λ参数，局部原子畸变参数，γ参数，δHm;无因次混合焓方差，无因次混合焓方差，δHmx无因次混合焓方差和δHm-x无因次混合焓方差中的至少一项。

4.一种数据驱动的高熵合金相成分预测装置，其特征在于，包括：

特征获取模块，用于获取待测高熵合金的至少一个相成分特征；

筛选模块，用于由所述至少一个相成分特征筛选所述待测高熵合金的最优特征组合；以及

预测模块，用于基于所述最优特征组合，利用预先训练的相成分预测模型，预测得到所述待测高熵合金的相成分结果，其中，所述相成分结果包括固溶相、金属间化合物和非晶态中的一种；

所述预测模块，包括：

获取单元，用于获取高熵合金的相成分训练数据集；

计算单元，用于由所述相成分训练数据集计算所述高熵合金的至少一个特征；

生成单元，用于计算特征之间的皮尔逊相关系数，并根据所述特征之间的皮尔逊相关系数生成最优特征组合；

训练单元，用于利用所述最优特