Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于机器学习设计的超硬高熵氮化物涂层及其制备方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:武汉大学

摘要:本发明公开了一种基于机器学习设计的超硬高熵氮化物涂层及其制备方法,属于对金属材料的镀覆技术领域。本发明包括如下步骤:(1)建立用于预测高熵氮化物涂层硬度的数据集;(2)通过特征工程对数据库中的各类特征进行评估,优化特征以提升预测精度;(3)对机器学习模型进行超参数优化和十折交叉验证,选择预测性能最佳的模型;(4)将预设的预测空间输入预测性能最佳的机器学习模型,挑选预测硬度最高的高熵氮化物涂层体系;(5)根据预测硬度最高的高熵氮化物涂层,制备得到超硬高熵氮化物涂层。本发明利用机器学习高效率、低成本以及处理大规模复杂体系的优势,为开发先进保护性涂层提供了重要的科学见解和有效的设计方法。

主权项:1.一种基于机器学习设计的超硬高熵氮化物涂层的制备方法,其特征在于,包括如下步骤:(1)数据集建立:建立用于预测高熵氮化物涂层硬度的数据集,数据集中的特征包括高熵氮化物涂层的成分特征、物理描述符特征、工艺参数特征以及硬度特征;其中,成分特征包括Al、Cr、Nb、Si、Ta、Ti、V、Zr、N元素的原子百分比;物理描述符特征包括混合熵、混合焓、混合熔点、熵焓比、原子尺寸差、价电子浓度、电负性差;工艺参数特征包括衬底温度、衬底偏压、沉积气压、氩氮比;将数据集分为子集A-D;其中,子集A为成分特征和硬度特征;子集B为成分特征、物理描述符特征和硬度特征;子集C为成分特征、工艺参数特征和硬度特征;子集D为成分特征、物理描述符特征、工艺参数特征和硬度特征;(2)特征工程:通过特征工程对数据集中的特征进行评估,分析其相关性和重要性排序,优化特征以提升预测精度;(3)机器学习建模:分别以数据集的子集A-D为输入值,以预测硬度为输出值;将数据集中设定比例的子集A-D作为测试集,其余作为训练集,采用设定的算法及测试集比例对子集A-D进行机器学习建模,对所建机器学习模型进行超参数优化和十折交叉验证,评估其预测性能,得到预测性能最佳的机器学习模型;(4)成分优化:将预设的预测空间输入至预测性能最佳的机器学习模型,由各多元高熵合金体系中挑选与N形成预测硬度最高的高熵氮化物涂层;其中,多元高熵合金体系由Al、Cr、Nb、Si、Ta、Ti、V、Zr中至少五种形成的五元至八元高熵合金体系;(5)涂层制备:根据预测硬度最高的高熵氮化物涂层选择对应的多元高熵合金靶材,于对应工艺参数特征下制备得到超硬高熵氮化物涂层。

全文数据:

权利要求:

百度查询: 武汉大学 一种基于机器学习设计的超硬高熵氮化物涂层及其制备方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。