机器学习辅助的硬质合金硬度预测

作     者：宋睿 刘雪梅 王海滨 吕皓 宋晓艳 

作者机构：北京工业大学材料科学与工程学院新型功能材料教育部重点实验室 

出 版 物：《物理学报》 (Acta Physica Sinica)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(52271085 92163107 52171061) 

主　　题：硬质合金 硬度 机器学习 高通量预测 

摘      要：硬度是硬质合金材料的一项典型代表性能，受多种因素的影响且各因素间常存在关联关系。本文旨在获得WC-Co硬质合金硬度的关键影响因素并实现硬度的高通量预测。建立了以硬质合金硬度为目标变量，以原料成分、烧结工艺和烧结体表征信息为特征的数据集；通过对特征的皮尔逊相关系数和SHAP分析，发现WC晶粒尺寸和Co含量对硬质合金硬度的影响最为显著。基于机器学习的支持向量机、多项式回归、梯度提升决策树、随机森林等算法，分别构建了硬质合金硬度预测模型。采用10折交叉验证方法对模型进行定量评估，结果表明梯度提升决策树算法模型具有最高的精度和较强的泛化能力，是最适合硬质合金硬度预测的机器学习方法。基于优选模型的高通量预测数据，采用多项式回归算法确定了硬质合金硬度与Co含量和WC晶粒尺寸之间的定量关系，预测准确率达到0.946。本研究为硬质合金性能的准确高效预测提供了数据驱动方法， 可为高性能硬质合金材料的设计研发提供重要参考。