稀土基非晶合金的磁热效应机器学习研究

作     者：李孟儒 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：付浩

授予年度：2022年

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）] 

主      题：稀土基非晶合金 机器学习 磁热效应 非晶形成能力 二元合金 

摘      要：相比于传统气体压缩技术,基于磁热效应的磁制冷技术具有绿色环保、高效节能的优势。寻找具有大磁热效应的磁性材料对推动磁制冷的工程应用非常重要。如今,在许多领域中都会使用机器学习的数据挖掘技术来解决问题,尤其在材料设计领域应用十分广泛。考虑到非晶合金所具有的独特优势以及重稀土基合金通常会具有大磁热效应的特点,本文对稀土基非晶合金体系的磁热效应进行了机器学习研究。在尝试多种机器学习算法的基础上,本文选出了表现最好的梯度提升回归树(Gradient Boosted Decision Trees,GBRT)集成算法并加入外加磁场和化学成分作为输入特征,分别对居里温度和磁熵变进行了GBRT建模并得到了比较准确的预测结果。两个模型的性能指标,拟合程度(决定系数R)分别达到了0.96和0.92。考虑到磁熵变本身存在的误差,本文又提出了一个新的标准来观察模型对于磁熵变的预测结果,发现与实际值的偏差都在误差允许范围之内。证明了两个模型均具有较好的泛化能力,可以应用到实际中指导实验合成大磁热效应的稀土基非晶合金材料。由于本文选取稀土基非晶体系作为研究对象,在对其磁热效应预测前还需要对材料的非晶形成能力(glass forming ability,GFA)进行研究。与此同时,人们不能充分理解和预测GFA仍然是限制大块金属玻璃这一优异材料在工业领域应用的一个重要问题。因此本文建立了随机森林分类模型对二元合金的GFA进行预测。与前人研究中所建立的SVM(Support Vector Machine)模型相比,此模型分析了每一个输入特征的重要性,不仅呈现出了每一个输入特征对于GFA的影响程度以及和GFA之间的关联密切性,而且有助于寻找新的输入特征组合,得到更加准确的结果。考虑到SVM模型中评价指标的局限性,本文提出了一个新的评价二元合金机器学习模型的标准化指标。最后,本文给出了随机森林模型预测出的能够通过甩带法形成金属玻璃的二元合金,希望进一步指导实验,一方面合成GFA高的金属玻璃;另一方面找出二元合金中的稀土基非晶合金体系,进而应用GBRT模型预测其磁热效应。