(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211277619.8 (22)申请日 2022.10.19 (71)申请人 西安邮电大 学 地址 710121 陕西省西安市雁塔区长安 南 路563号 (72)发明人 任卫　张逸凡　周倩　张亚明　 李仃　顾生越　 (74)专利代理 机构 北京方圆嘉 禾知识产权代理 有限公司 1 1385 专利代理师 程华 (51)Int.Cl. G16C 20/30(2019.01) G16C 60/00(2019.01) G16C 20/70(2019.01) G16C 20/60(2019.01)G06F 17/18(2006.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种高熵合金的硬度预测方法及系统 (57)摘要 本发明涉及一种高熵合金的硬度预测方法 及系统。 该方法包括获取AlCoCr CuFeNi体系高熵 合金硬度数据相应的候选特征， 并建立数据集； 利用数据集训练Stacking集成模型； 对候选特 征， 采用皮尔逊相关系数、 XGBoost评估模型、 随 机森林、 遗传算 法、 基于XGBoost的递归消除特征 法以及穷举法进行筛选， 确定筛选后的特征； 根 据筛选后的特征， 采用主成分分析以及逻辑回归 建立分类器； 根据训练后的Stacking集成模型以 及所述分类器构建合金成分搜索空间； 根据合金 成分搜索空间进行硬度的预测。 本发 明能够提高 高熵合金的硬度预测的准确性。 权利要求书3页 说明书9页 附图3页 CN 115527625 A 2022.12.27 CN 115527625 A 1.一种高熵合金的硬度预测方法， 其特 征在于， 包括： 根据高熵合金硬度数据库中AlCoCrCuFeNi体系高熵合金硬度数据获取相应的候选特 征； 并根据候选特征与对应的AlCoCrCuFeNi体系高熵合金硬度数据构建数据集； 所述 AlCoCrCuFeNi体系高熵合金硬度数据包括： 每一体系中各元素摩尔比以及相应的硬度； 所 述候选特征包括： 价电子浓度、 混合熵、 混合焓、 原子 半径差异、 电负差、 合金的平均熔点、 局 部电负性 失配、 电子浓度、 吉布斯自由能、 剪切模量、 杨氏模量、 晶格畸变能、 剪切模量 失配、 增强模型中的能量、 凝聚能、 Peierls ‑Nabarro因子、 功函数、 局部原子半径失配、 局部模量 失配、 剪切模量差、 合金原子量的平均偏差、 合金族的平均偏差、 合金比容的平均偏差以及 合成参数； 利用所述数据集训练Stacking集成模型； 训练后的Stacking集成模型包括： 初级分类 器以及次级分类 器； 所述训练后的Stack ing集成模型用于根据候选特 征确定相应的硬度； 对AlCoCrCuFeNi体系高熵合金硬度数据对应的候选特征， 采用皮尔逊相关系数、 XGBoost评估模 型、 随机森 林、 遗传算法、 基于XGBoost的递归消除特征法以及穷举 法进行筛 选， 确定筛选后的特 征； 根据AlCoCrCuFeNi体系高熵合金硬度数据对应的筛选后的特征， 采用主成分分析以及 逻辑回归建立分类 器； 所述分类 器用于对高熵合金的硬度进行分类； 根据训练后的Stack ing集成模型以及所述分类 器构建合金成分搜索空间； 根据所述 合金成分搜索空间进行AlCoCrCuF eNi体系高熵合金的硬度的预测。 2.根据权利要求1所述的一种高熵合金的硬度 预测方法， 其特征在于， 所述利用所述数 据集训练Stack ing集成模型， 具体包括： 采用使用RandomForest、 XGBo ost以及CatBo ost方法确定初级分类 器； 利用贝叶斯回归器确定次级分类 器。 3.根据权利要求1所述的一种高熵合金的硬度预测方法， 其特征在于， 所述对 AlCoCrCuFeNi体系高熵合金硬度数据对应的候选特征， 采用皮尔逊相关系数、 XGBoost评估 模型、 随机森林、 遗传算法、 基于XGBoost的递归消除特征法以及穷举法进行筛选， 确定筛选 后的特征， 具体包括： 对AlCoCrCuFeNi体系高熵合金硬度数据对应的候选特征， 采用皮尔逊相关系数进行相 关性筛选， 并以0.9 为阈值将候选特征分为3个高相关组和1个低相关组； 将高相关组中的候 选特征加入到低相关组中， 采用XGBoost评估模型确定相应的均方误差， 将 每一高相关组中 均方误差小于均方误差阈值的候选特 征进行保留， 得到第一次筛 选后的特 征； 对第一次筛选后的特征分别采用随机森林、 遗传算法、 基于XGBoost的递归消除特征 法， 得到第二次筛 选后的特 征； 对第二次筛 选后的特 征采用穷举法， 得到 筛选后的特 征。 4.根据权利要求1所述的一种高熵合金的硬度预测方法， 其特征在于， 所述根据 AlCoCrCuFeNi体系高熵 合金硬度数据对应的筛选后的特征， 采用主成分分析以及逻辑回归 建立分类 器， 具体包括： 对AlCoCrCuF eNi体系高熵合金硬度数据对应的筛 选后的特 征进行数据归一 化； 利用主成分 分析， 将数据归一 化后的特 征进行降维； 利用逻辑回归， 根据降维后的特 征建立分类 器。权　利　要　求　书 1/3 页 2 CN 115527625 A 25.根据权利要求1所述的一种高熵合金的硬度 预测方法， 其特征在于， 所述根据 所述合 金成分搜索空间进行AlCoCrCuF eNi体系高熵合金的硬度的预测， 具体包括： 构建待预测的高熵合金的元素摩尔比数据集， 利用分类器判断元素摩尔比数据集是否 超过设定硬度； 将超过设定硬度的元素摩尔比数据集中的数据， 采用训练后的Stacking集成模型进行 硬度预测。 6.一种高熵合金的硬度预测系统， 其特 征在于， 包括： 候选特征获取模块， 用于根据高熵合金硬度数据库中AlCoCrCuFeNi体系高熵合金硬度 数据获取相应的候选特征； 并根据候选特征与对应的AlCoCrCuFeNi体系高熵 合金硬度数据 构建数据集； 所述AlCoCrCuFeNi体系高熵合金硬度数据包括： 每一体系中各元素摩尔比以 及相应的硬度； 所述候选特征包括： 价电子浓度、 混合熵、 混合焓、 原子半径差异、 电负差、 合 金的平均熔点、 局部电负性失配、 电子浓度、 吉布斯 自由能、 剪切模量、 杨氏模量、 晶格畸变 能、 剪切模量失配、 增强模 型中的能量、 凝聚能、 Peierls ‑Nabarro因子、 功函数、 局部原子半 径失配、 局部模量 失配、 剪切模量差、 合金原子量的平均偏差、 合金族的平均偏差、 合金比容 的平均偏差以及合成参数； 训练后的Stacking集成模型确定模块， 用于利用所述数据集训练Stacking集成模型； 训练后的Stacking集成模型包括： 初级分类器以及次级分类器； 所述训练后的Stacking集 成模型用于根据候选特 征确定相应的硬度； 筛选后的特征确定模块， 用于对AlCoCrCuFeNi体系高熵合金硬度数据对应的候选特 征， 采用皮尔逊相关系数、 XGBoost评估模 型、 随机森 林、 遗传算法、 基于XGBoost的递归消除 特征法以及穷举法进行筛 选， 确定筛选后的特 征； 分类器建立模块， 用于根据AlCoCrCuFeNi体系高熵合金硬度数据对应的筛选后的特 征， 采用主成分分析以及逻辑回归建立分类器； 所述分类器用于对高熵合金 的硬度进行分 类； 合金成分搜索空间构建模块， 用于根据训练后的Stacking集成模型以及 所述分类器构 建合金成分搜索空间； 硬度预测模块， 用于根据所述合金成分搜索空间进行AlCoCrCuFeNi体系高熵合金的硬 度的预测。 7.根据权利要求6所述的一种高熵合金的硬度预测系统， 其特征在于， 所述训练后的 Stacking集成模型确定模块具体包括： 初级分类器确定单元， 用于采用使用RandomForest、 XGB oost以及CatBoost方法确定初 级分类器； 次级分类 器确定单 元， 用于利用贝叶斯回归器确定次级分类 器。 8.根据权利要求6所述的一种高熵合金的硬度 预测系统， 其特征在于， 所述筛选后的特 征确定模块具体包括： 第一次筛选单元， 用于对AlCoCrCuFeNi体系高熵合金硬度数据对应的候选特征， 采用 皮尔逊相关系数进行相关性筛选， 并以0.9为阈值将候选特征分为3个高相关组和1个低相 关组； 将高相关组中的候选特征加入到低相关组中， 采用XGBoost评估模 型确定相应的均方 误差， 将每一高相关组中均方误差小于均方误差阈值的候选特征进行保留， 得到第一次筛权　利　要　求　书 2/3 页 3 CN 115527625 A 3