基于机器学习的面心立方高熵合金弹性性能预测

提出预测面心立方高熵合金弹性性能的机器学习模型.数据集来源于第一性原理计算得到的186组样本.测试集体积模量(B)和剪切模量(G)预测值的拟合优度(R2)分别达到0.81和0.84.根据机器学习结果,CoNiCuMoW在等主元高熵合金(G/B≤0.57)中具有最高的B、G和弹性模量(Y)和良好的塑性.第一性原理计算结果表明,当W含量增加时,(CoNiCuMo)1?xWx合金的弹性各向异性提高,且塑性下降.差分电荷密度分析结果表明,W—W和W—Mo键存在明显的电荷聚集,表明W原子与邻近原子间存在共价键作用....

Full description

Saved in:
Bibliographic Details
Published in中国有色金属学报（英文版） Vol. 33; no. 2; pp. 518 - 530
Main Authors 王申, 李达, 熊俊
Format Journal Article
LanguageChinese
Published 西南交通大学 材料科学与工程学院 材料先进技术教育部重点实验室,成都 610031 2023
Subjects
face-centered cubic high-entropy alloys
first-principles calculations
弹性模量
机器学习
elastic modulus
第一性原理计算
machine learning
面心立方高熵合金
Online AccessGet full text
ISSN1003-6326
DOI10.1016/S1003-6326(22)66124-7

Cover

More Information
Summary:提出预测面心立方高熵合金弹性性能的机器学习模型.数据集来源于第一性原理计算得到的186组样本.测试集体积模量(B)和剪切模量(G)预测值的拟合优度(R2)分别达到0.81和0.84.根据机器学习结果,CoNiCuMoW在等主元高熵合金(G/B≤0.57)中具有最高的B、G和弹性模量(Y)和良好的塑性.第一性原理计算结果表明,当W含量增加时,(CoNiCuMo)1?xWx合金的弹性各向异性提高,且塑性下降.差分电荷密度分析结果表明,W—W和W—Mo键存在明显的电荷聚集,表明W原子与邻近原子间存在共价键作用.
ISSN:1003-6326
DOI:10.1016/S1003-6326(22)66124-7