一种基于机器学习用于A356.2系铝合金设计的方法与流程

本发明属于铝合金，尤其涉及一种基于机器学习用于a356.2系铝合金设计的方法。

背景技术：

1、a356铝合金是上世纪70年代美国所开发的一种a1-si-mg合金，与中国的zl101合金类似。a356合金因为具备优良的铸造性能、比强度高、良好的耐腐蚀和耐磨性，成本低等特点，因此深受汽车、航空、航天、航海、轨道交通等行业重用，特别是汽车轮毂等高要求的铸件，目前也逐渐应用于发动机缸体、缸盖、热交换器等关键部位。但是，现有的a356合金存在屈服强度不超过175mpa、延伸率不超过5％等缺陷，其力学性能还有较大的提升空间。通过xrd和sem技术表征后发现一个关键问题，即现有的铸态a356合金的显微组织由粗大α-a1树枝晶和分布于晶界处的针状共晶硅组成，这种组织不利于合金力学性能的提升。因此进一步优化a356合金的成分以细化这类合金组织是必要提升力学性能的关键。除此之外，现有的a356合金通常采用t6进行热处理。这种热处理方式也需要进一步探索以很大程度上细化粗大α-a1树枝晶及分布于晶界处的针状共晶硅组织，以实现提升现有a356.2合金力学性能的目的。

2、现有文献1：2008年，梁勇和刘宏磊(刘宏磊,梁勇,白雪峰,等.多次人工时效对低压铸造a356.2铝合金轮毂力学性能的影响[j].铸造,2008(10):1085-1087)研究了多次人工时效对低压铸造a356.2铝合金轮毂力学性能的影响，从热处理角度入手来提升a356.2铝合金的力学性能，发现多次时效(170℃×1h)能使a356.2铝合金轮毂的强度和硬度提高，而延伸率却有所下降。在工业生产中，多次时效处理不仅耗费时间以及金钱，可能会导致延伸率下降。

3、现有文献2：2018年，赵毅红和曹培(赵毅红,曹培,李靖等.er对a356.2铝合金微观组织和力学性能的影响[j].特种铸造及有色合金,2018,38(10):1050-1052.)通过金相组织观察和拉伸试验研究了er对a356.2铝合金微观组织和力学性能的影响。其铸态抗拉强度和延伸率分别为168.3mpa和2.71％；当合金中er含量为0.4％时，合金抗拉强度提高了21.6％，延伸率也有所提高。但是其抗拉强度依然有很大的提升空间。

4、当前关于高力学性能a356铝合金合金的设计大多是使用传统的“试错法”，即通过不断实验和消除误差，探索具有更好性质的a356.2铝合金材料。但是这种方法效率低下，浪费了大量的时间，耗材成本，且很难设计出高力学性能的材料。近些年来，通过人工智能的技术来加速材料设计的案例屡见不鲜。

5、现有技术存在的问题是，机器学习的拟合优度还是有提升的空间，且a356.2铝合金的力学性能不仅只有屈服强度这一个特征，还包含延伸率。所以，综合考虑铝合金的力学性能并且提高机器学习模型的拟合优度是亟待解决的问题。

6、为了解决上述问题，本发明通过基于jcr分区为二区及以上的期刊收集屈服强度和延伸率2类力学性能数据并建立数据库；通过机器学习，实现高预测能力a356.2铝合金材料设计的方法。相比于现有的机器学习模型，本发明所建立的机器学习具有更强的预测能力；相比于传统的“试错法”，这种方法在没有制备出样品测量力学性能的情况下，就能提前预知材料的力学性能，极大地提高了效率。

技术实现思路

1、针对上述现有技术中存在的不足，本发明的目的是公开一种基于机器学习用于a356.2铝合金设计的方法。

2、为了实现上述目的，本发明的技术方案为：

3、一种基于机器学习用于铝合金设计的方法，包含以下步骤：

4、s1，数据库的建立，选取来源于公开期刊的数据建立数据库，获得实验测量数据，简称实验测量；

5、s1中所述期刊的选择依据为jcr分区，选取jcr分区中二区及以上期刊中的数据，数据的类型为铝合金的屈服强度和延伸率；

6、进一步的，所述数据库中包含54种元素的580个屈服强度数据，以及35个元素的109个延伸率数据；

7、s2，机器学习模型的训练，使用模型确定数据间的相关性并预测材料的宏观性能，输出值定义为模型预测值，命名为模型预测数据，简称模型预测，并根据拟合优度r2和数据库结构与数量的影响确定模型对合金性能的预测精准程度；

8、进一步的，s2中所述学习模型包括高斯过程回归模型、极限梯度提升决策树模型；

9、进一步的，s2中所述训练，其条件为，

10、预测屈服强度时，所述机器学习模型随机把数据分成训练集和测试集，其中训练集和测试集的比例为8:2，并引入了10折交叉验证，高斯过程回归模型预测屈服强度的拟合优度可达0.998；

11、预测延伸率时，所述机器学习模型随机把数据分成训练集和测试集，其中训练集和测试集的比例为8:2，并引入了10折交叉验证，极限梯度提升决策树模型预测延伸率的拟合优度可达0.897；

12、根据s1-2得出的实验测量和模型预测，绘制实验测量-模型预测的散点图，以在数据库中的a356.2铝合金的测量值为横坐标，以机器学习模型的预测值为纵坐标做散点图；

13、s3，a356.2系铝合金性能的预测，根据需要选择被预测的a356.2系铝合金的化学组份，对该铝合金的屈服强度和延伸率进行预测。

14、根据本发明所述设计的方法预测得到的铝合金材料化学组份为al92.9si6.6mg0.35co0.15。

15、本发明的第二个目的在于，根据所述设计的方法进行al92.9si6.6mg0.35co0.15铝合金的制备，包括如下步骤：

16、a、按照a356.2铝合金化学组成进行配料，称量a356.2系铝合金300g、alco1010.2g、alti5b 0.3g和alsr10 0.6g，共311.1g；然后，在常温常压条件下进行感应熔炼，即可获得成分均匀的a356.2铝合金；

17、b、将上述a356.2系铝合金置于马弗炉中进行热处理，固溶温度为540℃下保温4h，接着，在70℃的水中进行淬火，然后，时效温度为180℃保温4h，得到热处理之后的a356.2系铝合金。

18、测量了所制得的a356.2系铝合金al92.9si6.6mg0.35co0.15的应力应变曲线，在拉伸速率为0.5mm/s下进行拉伸实验，其屈服强度为131.3mpa，抗拉强度为204mpa，延伸率为1.97％。

19、机器学习回归模型包括高斯过程回归模型和极限梯度提升决策树模型。但是每种算法都有其各自的特点，处理数据集的方式不同、数据集的大小、数据集特征的多少或者算法本身的参数调整例如惩罚值和训练集、和测试集的比例的改变都会影响机器学习回归模型的预测能力。

20、庞大的数据库是一个具有高精准度机器学习分类器的基础，申请人从网络上知名期刊中收集了大量与抗拉强度和延伸率有关的数据，并建立了两个数据集，且数据集里面的每一个数据都很有代表性。屈服强度的数据集包含580个数据，覆盖了51种元素包含al、cr、ti、cu、fe、mn、ni、mo、c、nb、sn、ta、co、b、w、ga、gd、y、ir、zr、v、be、mg、li、zn、sr、nd、ag、sc、pd、ca、la、er、ce、au、hf、p、dy、ho、lu、pr、tb、tm、yb、cd、pt、re、ln、ru、s、si；延伸率的数据集包含109个数据，覆盖了21种元素，包含不同的固溶温度和时效温度，所述21种元素为al、cr、ti、cu、fe、mn、ni、mo、nb、co、w、gd、y、zr、be、mg、li、zn、sr、nd、si。

21、因此，本发明技术方案获得高预测能力的机器学习回归模型加速设计铝合金的思路是：使用2种机器学习回归模型，高斯过程回归模型和极限梯度提升决策树模型对数据集进行训练，来对进行材料性能预测，再选择合金对机器学习预测值进行验证，其化学式为：al92.9si6.6mg0.35co0.15。

22、本发明与传统的“试错法”相比，极大的提高了高力学性能a356.2系铝合金的研发效率，节省了人力物力资源，同时制备出来的a356.2系铝合金拥有很高的屈服强度和延伸率。

23、有益效果

24、本发明预测屈服强度的高斯过程回归模型拟合优度高达0.998；预测延伸率的极限梯度提升决策树模型拟合优度高达0.897，说明此模型具有很强的预测能力，能够精准的预测新型铝合金的力学性能，提升了高力学性能a356.2系铝合金的研发效率，节省人力物力资源；制备化学式为al92.9si6.6mg0.35co0.15的新型a356.2系铝合金展现出良好的力学性能，屈服强度为131.3mpa，抗拉强度为204mpa，延伸率为1.97％，其性能优于现有的a356.2系铝合金。