一种基于机器学习用于A356.2系铝合金设计的方法与流程
技术特征：
1.一种基于机器学习用于铝合金设计的方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的基于机器学习用于铝合金设计的方法，其特征在于：步骤s1中，所述数据库中包含51种元素的580个屈服强度数据，以及21种元素的109个延伸率数据。
3.根据权利要求2所述的基于机器学习用于铝合金设计的方法，其特征在于：步骤s1中，所述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。
4.根据权利要求2所述的基于机器学习用于铝合金设计的方法，其特征在于：步骤s1中，所述21种元素包含al、cr、ti、cu、fe、mn、ni、mo、nb、co、w、gd、y、zr、be、mg、li、zn、sr、nd、si。
5.根据权利要求1所述的基于机器学习用于铝合金设计的方法，其特征在于：步骤s2中，所述机器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。
6.根据权利要求1所述的基于机器学习用于铝合金设计的方法，其特征在于，步骤s2中，所述训练，其条件为：
7.根据权利要求1-6任一所述设计的方法预测得到的铝合金材料，其特征在于：所述材料的化学组份为al92.9si6.6mg0.35co0.15。
8.一种制备如权利要求7所述铝合金材料al92.9si6.6mg0.35co0.15的方法，包括如下步骤：
9.根据权利要求8所述方法制备得到的铝合金材料al92.9si6.6mg0.35co0.15，其特征在于：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%。
技术总结
本发明属于铝合金技术领域，涉及一种基于机器学习用于A356.2系铝合金设计的方法，包括：S1、数据库的建立；S2、机器学习模型的训练；S3、A356.2系铝合金性能的预测。根据本发明所述方法预测得到的铝合金化学组份为Al<subgt;92.9</subgt;Si<subgt;6.6</subgt;Mg<subgt;0.35</subgt;Co<subgt;0.15</subgt;及屈服强度和延伸率，还公开了所述Al<subgt;92.9</subgt;Si<subgt;6.6</subgt;Mg<subgt;0.35</subgt;Co<subgt;0.15</subgt;的制备方法。本发明的预测方法中，高斯过程回归模型预测屈服强度的拟合优度可达0.998，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。本发明具备满足预测要求的数据集，有普遍性，拟合优度高达0.998，具备极高的预测能力，能精准预测A356.2系铝合金的力学性能，提高该系列铝合金研发效率，节省人力物力；2、所筛选的Al<subgt;92.9</subgt;Si<subgt;6.6</subgt;Mg<subgt;0.35</subgt;Co<subgt;0.15</subgt;铝合金，其力学性能超过现有A356.2系铝合金，屈服强度131.3Mpa，抗拉强度204Mpa，延伸率1.97%。
技术研发人员：宋士昌,张伟斌,裔国宇,张垠,马若楠
受保护的技术使用者：大亚车轮制造有限公司
技术研发日：
技术公布日：2024/11/18
技术研发人员：宋士昌,张伟斌,裔国宇,张垠,马若楠
技术所有人：大亚车轮制造有限公司
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除