(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 202211015507.5 (22)申请日 2022.08.24 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 李述　杨佳　杨志远　李帅　 刘东戎　 (74)专利代理 机构 黑龙江立超同创知识产权代 理有限责任公司 23217 专利代理师 杨立超 (51)Int.Cl. G16C 60/00(2019.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 7/00(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习和两步法数据扩充的高 熵合金硬度预测方法及装置 (57)摘要 本发明提供一种基于机器学习和两步法数 据扩充的高熵 合金硬度预测方法及装置， 属于合 金硬度预测领域。 为解决现有技术对高熵合金硬 度进行预测时往往因数据不足而进行数据扩充， 其数据扩充方法无法保证生 成数据的质量， 不利 于提高高熵合金的硬度预测准确度的问题。 包 括： 步骤一、 构建高熵合金物理特征与硬度的原 始训练集； 步骤二、 构建GAN神经网络模型， 对原 始训练集特征进行扩充； 步骤三、 构建机器学习 模型， 将扩充特征数据集的特征生成标签， 得到 扩充训练集； 步骤四、 将扩充训练集与原始训练 集构建合并训练集； 步骤五、 采用合并训练集对 机器学习模 型进行调参并训练， 得到高熵合金硬 度模型。 通过本发明方法得到高熵 合金硬度模型 具有更高的准确性。 权利要求书3页 说明书9页 附图2页 CN 115394381 A 2022.11.25 CN 115394381 A 1.一种基于机器学习和两步法数据扩充的高熵合金硬度 预测方法， 其特征在于包括如 下步骤： 步骤一、 收集多个高熵合金的成分与硬度的数据， 并由高熵合金所包含的元素成分和 元素本身固有性质计算得出其多个物理特征， 将这些物理特征数据用作原始数据集， 并将 这些数据随机划分为原 始训练集和 测试集； 步骤二、 构建 GAN神经网络模型， 对原 始训练集特 征进行扩充； 将原始训练集中多个高熵合金物理特征作为输入特征； 将输入特征代入构建的GAN神 经网络模型， 设置生成数据量， GAN模型内部的生成器G和鉴别器D将不 断迭代训练； 当训练 得到的最优的鉴别器D无法区分真实特征和生成的特征时， GAN模型达到纳什均衡； 在此情 况下进行数据扩充， 得到扩充特 征数据集； 步骤三、 构建机器学习模型， 将扩充特 征数据集的特 征生成标签； 首先， 对物理特征进行筛选， 选择影响高熵合金硬度的最优特征组合； 然后， 采用原始 训练集的最优特征组合对机器学习模型进行调参并训练； 最后， 将扩充特征数据集输入至 训练后的机器学习模型， 将特 征生成对应的标签， 得到扩充训练集； 步骤四、 将扩充训练集与原 始训练集分别选择最优特 征组合后合并， 构建合并训练集； 步骤五、 将合并训练集输入至步骤三所述的机器学习模型算法中， 对模型进行调参并 训练， 得到高熵合金硬度模型， 并用测试集评估其 性能； 步骤六、 将待检测样本 输入至得到的高熵合金硬度模型对其的硬度进行 预测。 2.根据权利要求1所述的方法， 其特征在于： 步骤一中所述高熵合金为Al ‑Co‑Cr‑Cu‑ Fe‑Ni体系、 Al ‑Co‑Cr‑Fe‑Ni体系、 Al ‑Co‑Cr‑Cu‑Fe‑体系、 Al‑Co‑Cr‑Fe‑Ni体系、 Al ‑Co‑Cr‑ Cu‑F e体系、 Al‑Co‑Cr‑Fe‑Ni体系、 Al‑Co‑Cr‑Cu‑Fe‑Ni体系和Co ‑Cr‑Cu‑Fe体系。 3.根据权利要求1所述的方法， 其特征在于： 步骤一中所述物理特征包括： 元素间原子 半径差δr、 元素间电负性差Δχ、 价电子浓度 VEC、 混合焓ΔH、 构型熵ΔS、 元素间局部电负性 失配D. χ、 内聚 能Ec、 流动电子数 ‑Ⅰe1/a、 流动电子数 ‑Ⅱe2/a和参数Ω、 Λ、 γ； 模量失配η、 局部尺寸失配D.r、 强化模型中 的能量项A、 P eierls‑Nabarro因子F、 平均电 子功函数的六次方ω、 剪切模量G、 局部模量失配 δ G、 剪切模量差D.G和晶格畸变能 μ； e1/a表示不考虑元素d轨道电子的合金平均电子浓度， e2/a表示将过渡金属元素的电子 浓度值设置为0时的合金平均电子浓度； Ω参数是和合金内元素平均熔点以及构型熵成正 比， 与混合焓的绝对值成反比的参 数； Λ是和构型熵成正比， 与合金原子尺寸差的平方成反比的参数； γ是和合金内包含的元 素的平均半径以及最小、 最大半径相关的参数。 4.根据权利要求1所述的方法， 其特征在于： 步骤二所述GAN神经网络模型结构包括： 生 成器共有1个输入层， 3个隐藏层， 1个输出层， 其所包含的神经元个数分别为10， 128， 64， 32， 21； 鉴别器共有1个输入层， 2个隐藏层和1个输出层， 其所包含的神经元个数分别为21， 64， 32， 1； 生成器和鉴别器的输出层分别采用tanh和sigmoid函数， 隐藏层采用LeakyReLu； 在每 个隐藏层中使用批量归一化， 在反向传播中使用TensorFlow中的AdamOptimizer进行参数 调整； 训练时通过交替更新每个子网络的可训练参数， 以对抗方式联合训练生成器和鉴别 器网络。 5.根据权利要求3所述的方法， 其特征在于： 步骤三中选择影响高熵合金硬度的最优特权　利　要　求　书 1/3 页 2 CN 115394381 A 2征组合包括： 参数γ、 价电子浓度VE C、 流动电子数 ‑Ie1/a和构型熵ΔS。 6.根据权利要求1所述的方法， 其特征在于： 步骤三中所述机器学习模型为具有径向基 核函数的支持向量机回归 模型SVR‑R。 7.根据权利要求6所述的方法， 其特征在于： 步骤三中所述支持向量机回归模型SVR ‑R 的调参方法采用贝叶斯调参， 其对应的优化目标为全部原始数据集中的平均十折交叉验证 误差。 8.一种基于机器学习和两步法数据扩充的高熵合金硬度 预测装置， 其特征在于该装置 包括： 获取单元， 用于收集多个高熵合金的成分与硬度的数据， 并由高熵合金所包含的元素 成分和元素本身固有性质计算得出其多个物理特征， 将这些物理特征数据用作原始数据 集， 并将这些 数据随机划分为原 始训练集和 测试集； 扩充单元， 用于构建 GAN神经网络模型， 对原 始训练集特 征进行扩充； 将原始训练集中多个高熵合金物理特征作为输入特征； 将输入特征代入构建的GAN神 经网络模型， 设置生成数据量， GAN模型内部的生成器G和鉴别器D将不 断迭代训练； 当训练 得到的最优的鉴别器D无法区分真实特征和生成的特征时， GAN模型达到纳什均衡； 在此情 况下进行数据扩充， 得到扩充特 征数据集； 标签生成单 元， 用于构建机器学习模型， 将扩充特 征数据集的特 征生成标签； 首先， 对物理特征进行筛选， 选择影响高熵合金硬度的最优特征组合； 然后， 采用原始 训练集的最优特征组合对机器学习模型进行调参并训练； 最后， 将扩充特征数据集输入至 训练后的机器学习模型， 将特 征生成对应的标签， 得到扩充训练集； 合并训练集构建单元， 用于将扩充训练集与原始训练集分别选择最优特征组合后合 并， 构建合并训练集； 机器学习 模型训练单元， 用于将合并训练集输入至标签生成单元所述的机器学习模型 算法中， 对 模型进行调参并训练， 得到高熵合金硬度模型， 并用测试集评估其 性能； 硬度检测单元， 用于将待检测样本输入至得到的高熵合金硬度模型对其的硬度进行预 测。 9.根据权利要求8所述的装置， 其特征在于： 获取单元所述高熵合金为Al ‑Co‑Cr‑Cu‑ Fe‑Ni体系、 Al ‑Co‑Cr‑Fe‑Ni体系、 Al ‑Co‑Cr‑Cu‑Fe‑体系、 Al‑Co‑Cr‑Fe‑Ni体系、 Al ‑Co‑Cr‑ Cu‑Fe体系、 Al ‑Co‑Cr‑Fe‑Ni体系、 Al ‑Co‑Cr‑Cu‑Fe‑Ni体系和Co ‑Cr‑Cu‑Fe体系； 所述物理 特征包括： 元素间原子半径差δr、 元素间电负性差Δχ、 价电子浓度VEC、 混合焓ΔH、 构型熵 ΔS、 元素间局部电负性失配D. χ、 内聚能Ec、 流动电子数 ‑Ⅰe1/a、 流动电子数 ‑Ⅱe2/a和参数 Ω、 Λ、 γ； 模量失配η、 局部尺寸失配D.r、 强化模型中 的能量项A、 P eierls‑Nabarro因子F、 平均电 子功函数的六次方ω、 剪切模量G、 局部模量失配 δ G、 剪切模量差D.G和晶格畸变能 μ； e1/a表示不考虑元素d轨道电子的合金平均电子浓度， e2/a表示将过渡金属元素的电子 浓度值设置为0时的合金平均电子浓度； Ω参数是和合金内元素平均熔点以及构型熵成正 比， 与混合焓的绝对值成反比的参 数； Λ是和构型熵成正比， 与合金原子尺寸差的平方成反比的参数； γ是和合金内包含的元 素的平均半径以及最小、 最大半径相关的参数；权　利　要　求　书 2/3 页 3 CN 115394381 A 3