金属学报

作者：赵婉辰, 郑晨, 肖斌, 刘行, 刘璐, 余童昕, 刘艳洁, 董自强, 刘轶, 周策, 吴洪盛, 路宝坤

单位：1.上海大学 材料基因组工程研究院 上海 200444；2.上海大学 钱伟长学院 上海 200444；3.福建省南平铝业股份有限公司 南平 353099

关键词：机器学习,Bayesian优化,高通量实验,6061铝合金,成分精细优化,

基金：国家重点研发计划项目(2017YFB0702901)

结合高通量材料制备实验与基于Bayesian优化采样策略的主动学习方法，开发了有效的机器学习模型来描述合金元素组成与硬度之间的关系，并分析关键微量元素含量对硬度的影响。研究发现，经过3轮迭代64个铝合金样品建模后，Bayesian取样策略方法的预测硬度误差为4.49 HV (7.23%)，远低于应用人工经验采样法的机器学习模型误差9.73 HV (15.68%)，且当铝合金中的Mg和Si比值Mg/Si在1.37~1.72时，具有较高的合金硬度。通过在6061铝合金标准名义成分范围内进行成分精细优化以及性能调控，为工业上提高产品质量提供了可实现的策略.

来源：2021年第6期

《金属学报》期刊编辑部

查看金属学报杂志2021年第6期