基于机器学习算法的相图构建与预测方法研究

As the foundation of the materials design, phase diagram is considered as the road map for the scientists in the field of materials science. CALPHAD is the most widely used method in the study of phase diagram. Although this method has been successfully applied to the design of many kinds of materials, its shortcomings such as the limited predictive capability will hinder its application in material design. Machine learning method provides a good way of studying the phase diagram. The purpose of this project is to transfer the construction of phase diagram to a solvable machine learning problem through the unique way of phase region digitalization and the generation of the phase boundaries. By combining with the data set of Co-base superalloys, a new method of phase diagram construction and prediction could be built based on the machine learning algorithm and the phase equlibria information from CALPHAD method.

相图是材料设计的重要基础，对材料研究的各个领域都有着重要的指导作用。CALPHAD方法作为当今相图计算领域公认的研究范式，在材料设计中有着广泛的应用，然而其在预测能力等方面的不足限制了它的进一步发展。机器学习方法与CALPHAD方法具有较强的互补性，在相图计算领域拥有广阔的应用前景。目前为止机器学习方法在相图计算领域的应用并不多见，其原因在于难以将相图的构建问题转化为一个可解决的机器学习问题。本项目拟通过独特的相图标识数字化方法和相边界生成方式，将相图的构建问题转化为机器学习问题。然后利用机器学习方法本身的特点，结合CALPHAD方法提供的相平衡信息，对钴基高温合金材料数据进行学习和训练，探索出一套较为可靠的相图构建与预测方法。

相图是材料设计的重要依据，被誉为材料领域研究的“指南针”和“地图”。本项目利用CALPHAD方法所产生的高质量相平衡信息以及元素基本物化性质等数据，结合机器学习方法对相图进行了一系列探索性的研究，主要工作如下：（1）通过文献调研以及开源数据下载，CALPHAD高通量计算，第一性原理计算等方法收集和整合相关数据，建立了钴基先进材料（Co-Cu-Fe-Ni体系高温合金和Co-Nb-Sb体系高温热电材料）的数字化相图数据库；（2）经过文献调研和综述发现目前热电材料的相平衡信息较为匮乏，因此本项目对Co-Nb-Sb体系的热电材料进行了热力学计算和相平衡实验研究，补充了数据库所需的相关信息；（3）对数据库的数据进行机器学习建模，采用多种机器学习模型（如随机森林，梯度提升算法等）进行逐一的尝试和探索，选出了效果最优的模型并得到一套可使模型达到最佳性能的最优化参数；（4）基于此数据集初步探索出了一种基于机器学习算法的相图构建与预测方法，为钴基先进材料的设计拓展了新的研究思路，也为CALPHAD方法和机器学习的结合提供了一种新的策略。

内容获取失败，请点击重试