[发明专利]一种基于机器学习模型的金属材料性能计算方法

权利要求书

1.一种基于机器学习模型的金属材料性能计算方法，其特征在于，具体包括下列步骤：

步骤一，根据已有数据的材料成分分布与工艺、经验确定实验样本的输入空间，输入空间的确定包括如下部分：

(1)输入成分的参数空间M；

(2)输入加工工艺的参数空间C；

(3)输入后处理工艺的参数空间P；

(4)确定了三个子空间后，输入空间X为M×C×P，输出空间Y；

步骤二，需要确定每个输入样本所提取的特征提取的特征包括：

(1)输入空间的参数自身；

(2)微观与介观的参数；

(3)材料组织相关的数据；

步骤三，确定输入样本所提取的特征后，进行迭代式的序列学习循环：

(1)通过算法模型在训练集/验证集上搜索模型超参数，得到在验证集上性能指标最好的模型超参数组合；

(2)根据经验及实验设置，得到最小步长下的备选测试集，在测试集上运行上一步得到的最优模型，得到各个测试数据对应的预测性能指标与对应的不确定度；

(3)根据各个测试数据的预测性能指标与对应的不确定度，计算模型优化置信度，并选择置信度最高的一个或多个测试数据进行真实实验并测量性能指标；

(4)上一步实验得到的数据性能指标如果满足要求，则循环结束，否则回到第一步继续进行迭代。

2.根据权利要求1所述的基于机器学习模型的金属材料性能计算方法，其特征在于，步骤三(1)所述的算法模型包括但不限于贝叶斯优化算法模型、随机森林算法模型、梯度提升树算法模型和深度集成算法模型中的一种或多种结合。

3.根据权利要求1所述的基于机器学习模型的金属材料性能计算方法，其特征在于，步骤三(1)所述的性能指标包括MSE和MAE。

4.根据权利要求1所述的基于机器学习模型的金属材料性能计算方法，其特征在于，骤三(3)所述模型优化置信度包括但不限于最大改善似然、最大期望改善和最大不确定度。