基于深度学习的利用成分预测高熵合金相形成的方法

1.本发明涉及高熵合金相形成预测技术领域，具体是一种基于深度学习的利用成分预测高熵合金相形成的方法。


背景技术：

2.传统合金是将微量元素加入到一种或两种主要元素中以提升合金性能。而高熵合金打破传统合金的设计理念，由五种及五种以上摩尔分数在5％～35％之间的元素组成，每种元素均为主元素。与传统合金不同，高熵合金可以形成单相固溶体结构。随着研究的深入，研究学者发现通过调控成分可以促使高熵合金发生相转变或者析出第二相以改善合金性能。由于高熵合金独特的微观结构直接影响其优异的性能，因此相形成成为其首要研究的问题。
3.通过传统实验来研究高熵合金的相形成耗时且耗材。虽然高通量实验和表征缩短了高熵合金研发周期，但在高熵合金巨大的成分空间内探索微观结构的形成依然是费时的。第一性原理等计算方法可以加快高熵合金的成分设计及相形成预测，但这样的计算过于昂贵，且无法准确预测合金中第二相形成。而随着人工智能的发展，机器学习与深度学习开始广泛应用于搜索高性能材料，这为预测高熵合金的相形成提供了思路。
[0004][0005]
因此，有必要设计一种基于深度学习的利用成分预测高熵合金相形成的方法，以解决现有高熵合金相形成预测方法成本高、过程繁琐、预测结果准确性较差的问题。


技术实现要素：

[0006]
本发明为了解决现有高熵合金相形成预测方法成本高、过程繁琐、预测结果准确性较差的问题，提供了一种基于深度学习的利用成分预测高熵合金相形成的方法。
[0007]
本发明是采用如下技术方案实现的：
[0008]
一种基于深度学习的利用成分预测高熵合金相形成的方法，所述方法包括如下步骤：
[0009]
步骤s1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和相形成数据；
[0010]
步骤s2：构建卷积神经网络模型；
[0011]
步骤s3：利用所述数据集对所述卷积神经网络模型进行训练，得到优化后的卷积神经网络模型；
[0012]
步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的卷积神经网络模型，进行高熵合金相形成的预测。
[0013]
进一步地，步骤s1中，所述若干种高熵合金均为通过熔炼工艺得到的高熵合金；所述成分数据包括高熵合金的成分以及各个成分在该高熵合金中的原子百分比；所述相形成数据包括高熵合金所形成的相的种类，所述相的种类包括固溶体相ss、金属间化合物相im、
非晶相am中任意的一种或几种。
[0014]
上述若干种高熵合金均为通过熔炼工艺得到的高熵合金，这是由于不同的合成工艺会影响高熵合金的相形成，通过若干种高熵合金均为通过熔炼工艺得到的高熵合金的设置，可以排除合成工艺对高熵合金相形成的影响。
[0015]
当成分数据中各个成分在该高熵合金中的百分比为质量百分比时，在构建数据集时，需要将质量百分比换算为原子百分比，也可以换算为摩尔分数。
[0016]
进一步地，步骤s1中，当高熵合金所形成的相为b2相、l21相或laves相时，相形成数据记录为金属间化合物相；当高熵合金所形成的相为固溶体相与金属间化合物相的混合相(ss+im)时，相形成数据记录为固溶体相或金属间化合物相。
[0017]
上述b2相、l21相或laves相均为第二相，第二相可视为金属间化合物相。
[0018]
进一步地，步骤s1中，所述成分数据的形式为伪二维元素周期表，所述相形成数据为伪二维元素周期表的相位标签；所述伪二维元素周期表的构建方法为：首先构建9
×
18的网格用于表示二维元素周期表，然后根据所对应元素在元素周期表中的位置，将所述成分数据映射至所述二维元素周期表的对应子格内，由此得到包含高熵合金成分数据的伪二维元素周期表。
[0019]
通过上述方法，每种高熵合金可以对应生成一个伪二维元素周期表。在形成高熵合金的伪二维元素周期表后，将相形成数据作为相位标签，放入对应的伪二维元素周期表。可以理解的是，上述高熵合金的伪二维元素周期表及其相位标签即为步骤s1中该高熵合金的数据。
[0020]
进一步地，步骤s2中，所述卷积神经网络模型的结构包括三个二维卷积层、三个二维池化层和一个全连接层。
[0021]
进一步地，步骤s2包括：
[0022]
步骤s2.1：构建二维卷积层i和二维池化层i；所述二维卷积层i的维度与所述伪二维元素周期表的维度相同；所述二维卷积层i的通道数为8、卷积核尺寸为3
×
3；所述二维池化层i的池化尺寸为2
×
2；
[0023]
上述二维卷积层i的维度与所述伪二维元素周期表的维度相同，方便数据集以伪二维元素周期表的形式输入数据。
[0024]
步骤s2.2：构建二维卷积层ii和二维池化层ii；所述二维卷积层ii的通道数为16、卷积核尺寸为3
×
3；所述二维池化层ii的池化尺寸为2
×
2；
[0025]
步骤s2.3：构建二维卷积层iii和二维池化层iii；所述二维卷积层iii的通道数为32、卷积核尺寸为3
×
3；所述二维池化层iii的池化尺寸为2
×
2；
[0026]
步骤s2.4：构建展平层，所述展平层用于对经过三层卷积和三层池化得到的结果进行展平操作；所述三层卷积是利用二维卷积层i、二维卷积层ii、二维卷积层iii来实现的；所述三层池化是利用二维池化层i、二维池化层ii、二维池化层iii来实现的；
[0027]
步骤s2.5：构建全连接层，所述全连接层用于对展平层展平操作后的结果进行分类。
[0028]
进一步地，步骤s3中，利用所述数据集对所述卷积神经网络模型进行训练，得到优化后的卷积神经网络模型；包括如下内容：
[0029]
以所述成分数据为输入、所述相形成数据中的固溶体相数据为输出，得到卷积神
经网络模型中的固溶体相预测子模型，对所述固溶体相预测子模型进行优化、训练，得到优化后的固溶体相预测子模型；上述固溶体相预测子模型即为合金成分
→
固溶体(ss)相的卷积神经网络模型。
[0030]
以所述成分数据为输入、所述相形成数据中的金属间化合物相数据为输出，得到卷积神经网络模型中的金属间化合物相预测子模型，对所述金属间化合物相预测子模型进行优化、训练，得到优化后的金属间化合物相预测子模型；上述金属间化合物相预测子模型即为合金成分
→
金属间化合物(im)相的卷积神经网络模型。
[0031]
以所述成分数据作为输入、所述相形成数据中的非晶相数据作为输出，得到卷积神经网络模型中的非晶相预测子模型，对所述非晶相预测子模型进行优化、训练，得到优化后的非晶相预测子模型。上述非晶相预测子模型即为合金成分
→
非晶相(am)的卷积神经网络模型。
[0032]
上述对固溶体相预测子模型、金属间化合物相预测子模型、非晶相预测子模型优化、训练的方法例如为：进行10次交叉验证训练，并保存每次训练模型。上述优化后的固溶体相预测子模型为固溶体相预测子模型的10次交叉验证训练中，精确度最高的验证训练所对应的训练模型。上述优化后的金属间化合物相预测子模型为金属间化合物相预测子模型的10次交叉验证训练中，精确度最高的验证训练所对应的训练模型。上述优化后的非晶相预测子模型为非晶相预测子模型的10次交叉验证训练中，精确度最高的验证训练所对应的训练模型。
[0033]
进一步地，步骤s4中高熵合金相形成的预测，包括如下内容：
[0034]
以待预测的高熵合金的成分数据为输入，利用优化后的固溶体相预测子模型预测是否形成固溶体相；
[0035]
以待预测的高熵合金的成分数据为输入，利用优化后的金属间化合物相预测子模型预测是否形成金属间化合物相；
[0036]
以待预测的高熵合金的成分数据为输入，利用优化后的非晶相预测子模型预测是否形成非晶相；
[0037]
对固溶体相、金属间化合物相、非晶相的预测结果进行综合判定。综合判定过程如下：如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)相预测结果为[0,1]，非晶相(am)预测结果为[0,1]，则可以形成固溶体(ss)相；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)相预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成金属间化合物(im)；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)相预测结果为[0,1]，非晶相(am)预测结果为[1,0]，则可以形成非晶相(am)；如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)相预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成混合相(ss+im)。
[0038]
进一步地，在步骤s4后，还包括步骤s5，利用实验研究确定待预测的高熵合金的相形成，并将实验结果与步骤s4的预测结果进行比较。
[0039]
本发明是一种全新的高熵合金相形成的预测方法，与现有技术相比较，本发明具有如下有益效果：(1)本发明基于现有研究数据通过卷积神经网络建立成分预测相形成的快速预测模型，克服了传统实验与计算模拟中“炒菜式”的方法。(2)本发明仅以高熵合金成分作为输入，摒弃了特征计算和选择流程，简化了预测过程并提升准确性。(3)本发明大幅
缩短科研时间，节约资源，仅需将数据导入模型，等待数秒就可以得到结果。(4)本发明可以提前预知待预测的高熵合金相形成，可以提高实验效率，指导实验研究。
附图说明
[0040]
图1是本发明所述方法的流程框图；
[0041]
图2是本发明实施例1所述方法的预测过程示意图；
[0042]
图3是本发明实施例1所述方法中步骤1.3的映射示意图。
具体实施方式
[0043]
实施例1
[0044]
一种基于深度学习的利用成分预测高熵合金相形成的方法，如附图1、附图2所示，所述方法包括如下步骤：
[0045]
步骤s1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和相形成数据；
[0046]
步骤s1.1：获取用来预测高熵合金相形成的数据集；
[0047]
通过收集、整理公开发表的文献资料，获得实验中所明确得到的高熵合金成分及组织相。高熵合金系统包括但不限于以下几种体系：al-co-cr-(cu)-fe-ni、co-cr-fe-mn-ni、hf-nb-ta-ti-zr-w、al-co-cr-fe-ni-ti。
[0048]
步骤s1.2：数据预处理；
[0049]
将步骤s1.1收集到的高熵合金成分转化为原子百分比形式。同时只保留通过真空电弧熔炼得到的高熵合金体系。因为不同的合成工艺会影响高熵合金的相形成，如alcrcunifeco通过热压烧结得到的相组成为fcc+bcc，通过真空电弧熔炼得到fcc1+fcc2+bcc；
[0050]
根据高熵合金的相组织进行分类，单相固溶体(fcc、bcc和hcp)及多相固溶体(fcc+bcc、fcc+hcp等)划分为固溶体(ss)相；非晶高熵合金为非晶相(am)；b2相、l21相及laves相等第二相视为金属间化合物(im)；固溶体与金属间化合物的混合相(ss+im)既可作为固溶体(ss)相也可作为金属间化合物(im)。部分高熵合金的成分与相分类结果如表1所示：
[0051]
表1.部分高熵合金的成分与相分类结果
[0052]
高熵合金化学式包含的相相分类结果al
0.5
nb1ta1ti
1v1
bccssal1mo
0.5
nb1ta
0.5
ti1zr1bcc1+bcc2ssal1cr1nb1ti
1v1
bcc+lavesss+imal1cr1fe1cu1ni
0.6
bcc+fcc+alfe0.23ni0.77ss+imal
40
cu
15
cr
15
fe
15
si
15
al13fe4+fe3al2si3+fesiimzr
57
ti5al
10
cu
20
ni8amam
[0053]
步骤s1.3：将高熵合金成分映射到伪二维元素周期表中；
[0054]
如附图3所示，构建9
×
18的网格用于表述二维元素周期表，读取数据集中成分并转换为摩尔分数，按照合金中各元素在元素周期表中所占位置将其成分映射到对应的9
×
18网格中，构建成包含高熵合金成分数据的伪二维元素周期表，每种高熵合金对应生成一
个伪二维元素周期表；
[0055]
步骤s2：构建卷积神经网络模型；该卷积神经网络模型即为深度学习模型。
[0056]
首先构建一个具有与输入维度相同、通道数为8、卷积核尺寸为3
×
3的二维卷积层i以及池化尺寸为2
×
2的二维池化层i；其次构建通道数为16、卷积核尺寸为3
×
3的二维卷积层ii以及池化尺寸为2
×
2的二维池化层ii；再构建通道数为32、卷积核尺寸为3
×
3的二维卷积层iii以及池化尺寸为2
×
2的二维池化层iii；对经过三层卷积和三层池化得到的结果进行展平操作，最后通过全连接层进行分类。
[0057]
步骤s3：利用所述数据集对所述卷积神经网络模型进行训练，得到优化后的卷积神经网络模型；
[0058]
数据集分为训练集和测试集。训练集用于训练深度学习模型；测试集用于测试深度学习模型的精度。通过10次交叉验证进行模型训练并保存每次训练结果和模型。
[0059]
步骤s3.1：通过成分预测固溶体(ss)相形成；
[0060]
将数据集中的成分数据作为输入，经步骤s1.3生成伪二维元素周期表，以固溶体(ss)相作为标签进行输出，通过步骤s2建立合金成分
→
固溶体(ss)相的卷积神经网络模型，进行10次交叉验证训练并保存每次训练模型；
[0061]
步骤s3.2：通过成分预测非晶相(am)形成；
[0062]
将数据集中的成分数据作为输入，经步骤s1.3生成伪二维元素周期表，以非晶相(am)作为标签进行输出，通过步骤s2建立合金成分
→
非晶相(am)相的卷积神经网络模型，进行10次交叉验证训练并保存每次训练模型；
[0063]
步骤s3.3：通过成分预测金属间化合物(im)形成；
[0064]
将数据集中的成分数据作为输入，经步骤s1.3生成伪二维元素周期表，以金属间化合物(im)作为标签进行输出，通过步骤s2建立合金成分
→
金属间化合物(im)相的卷积神经网络模型，进行10次交叉验证训练并保存每次训练模型；
[0065]
步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的卷积神经网络模型，进行高熵合金相形成的预测。
[0066]
步骤s4.1：将待预测的高熵合金的数据以步骤s1.3的方式映射为伪二维元素周期表。
[0067]
步骤s4.2：确定待预测的高熵合金中固溶体(ss)相形成；
[0068]
将待预测的高熵合金成分作为输入，通过步骤s3.1中得到的10次结果中精确度最高的作为最佳模型预测固溶体(ss)相形成，当结果为[1,0]时表示可以形成ss相，结果为[0,1]表示形不成ss相。
[0069]
步骤s4.3：确定待预测的高熵合金中金属间化合物(im)形成；
[0070]
将待预测的高熵合金成分作为输入，通过步骤s3.2中得到的10次结果中精确度最高的作为最佳模型预测金属间化合物(im)形成，当结果为[1,0]时表示可以形成im相，结果为[0,1]表示形不成im相。
[0071]
步骤s4.4：确定待预测的高熵合金中非晶相(am)形成；
[0072]
将待预测的高熵合金成分作为输入，通过步骤s3.3中得到的10次结果中精确度最高的作为最佳模型预测非晶相(am)形成，当结果为[1,0]时表示可以形成am相，结果为[0,1]表示形不成am相。
[0073]
步骤s4.5：确定待预测的高熵合金中存在的相位；
[0074]
将步骤s4.2、步骤s4.3和步骤s4.4中得到的结果进行综合分析，最终确定高熵合金中的相形成。如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)为预测结果为[0,1]，非晶相(am)预测结果为[0,1]，则可以形成固溶体(ss)相；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)为预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成金属间化合物(im)；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)为预测结果为[0,1]，非晶相(am)预测结果为[1,0]，则可以形成非晶相(am)；如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)为预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成混合相(ss+im)。
[0075]
实施例2
[0076]
本实施例利用实施例1所述的种基于深度学习的利用成分预测高熵合金相形成的方法对12种高熵合金的相形成进行预测，预测过程包括如下步骤：
[0077]
本实施例中的步骤s1-步骤s3与实施例1中的步骤s1-步骤s3相同，此处不再赘述。步骤s4包括如下步骤：
[0078]
步骤s4.1：将未在数据集中列出的12种高熵合金的数据以实施例1中步骤s1.3的方式映射为伪二维元素周期表。
[0079]
步骤s4.2：确定12种高熵合金中固溶体(ss)形成；
[0080]
将12种高熵合金成分作为输入，通过实施例1的步骤s3.1中得到的10次结果中精确度最高的作为最佳模型预测新高熵合金中固溶体(ss)相形成，当结果为[1,0]时表示可以形成ss相，结果为[0,1]表示形不成ss相。
[0081]
步骤s4.3：确定12种高熵合金中金属间化合物(im)形成；
[0082]
将12种高熵合金成分作为输入，通过实施例1的步骤s3.2中得到的10次结果中精确度最高的作为最佳模型预测金属间化合物(im)形成，当结果为[1,0]时表示可以形成im相，结果为[0,1]表示形不成im相。
[0083]
步骤s4.4：确定12种高熵合金中非晶相(am)形成；
[0084]
将12种高熵合金成分作为输入，通过实施例1的步骤s3.3中得到的10次结果中精确度最高的作为最佳模型预测非晶相(am)形成，当结果为[1,0]时表示可以形成am相，结果为[0,1]表示形不成am相。
[0085]
步骤s4.5：确定12种高熵合金中存在的相位；
[0086]
将步骤s4.2、步骤s4.3和步骤s4.4中得到的结果进行综合分析，最终确定高熵合金中的相形成。如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)为预测结果为[0,1]，非晶相(am)预测结果为[0,1]，则可以形成固溶体(ss)相；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)为预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成金属间化合物(im)；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)为预测结果为[0,1]，非晶相(am)预测结果为[1,0]，则可以形成非晶相(am)；如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)为预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成混合相(ss+im)。预测结果如表2所示。表2中还列出了12种高熵合金实验研究得到的相形成结果，以对预测结果的准确性进行判断。
[0087]
表2 12种高熵合金中的相形成预测结果
[0088][0089][0090]
通过表2中数据可知，应用实施例1所提供的方法，可以成功预测未在数据集中列出的12种高熵合金的相形成，准确率达到91.67％。
[0091]
实施例3
[0092]
利用实施例1所述的种基于深度学习的利用成分预测高熵合金相形成的方法对3种高熵合金的相形成进行预测，3种高熵合金为al
x
fecrni(x＝0,0.5,1.0)；预测过程包括如下步骤：
[0093]
本实施例中的步骤s1-步骤s3与实施例1中的步骤s1-步骤s3相同，此处不再赘述。步骤s4包括如下步骤：
[0094]
步骤s4.1：将未在数据集中列出的3种高熵合金的数据以实施例1中步骤s1.3的方式映射为伪二维元素周期表。
[0095]
步骤s4.2：确定3种高熵合金中固溶体(ss)形成；
[0096]
将3种高熵合金成分作为输入，通过实施例1的步骤s3.1中得到的10次结果中精确度最高的作为最佳模型预测新高熵合金中固溶体(ss)相形成，当结果为[1,0]时表示可以形成ss相，结果为[0,1]表示形不成ss相。
[0097]
步骤s4.3：确定3种高熵合金中金属间化合物(im)形成；
[0098]
将3种高熵合金成分作为输入，通过实施例1的步骤s3.2中得到的10次结果中精确度最高的作为最佳模型预测金属间化合物(im)形成，当结果为[1,0]时表示可以形成im相，结果为[0,1]表示形不成im相。
[0099]
步骤s4.4：确定3种高熵合金中非晶相(am)形成；
[0100]
将3种高熵合金成分作为输入，通过实施例1的步骤s3.3中得到的10次结果中精确度最高的作为最佳模型预测非晶相(am)形成，当结果为[1,0]时表示可以形成am相，结果为[0,1]表示形不成am相。
[0101]
步骤s4.5：确定3种高熵合金中存在的相位；
[0102]
将步骤s4.2、步骤s4.3和步骤s4.4中得到的结果进行综合分析，最终确定高熵合金中的相形成。如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)为预测结果为[0,1]，非晶相(am)预测结果为[0,1]，则可以形成固溶体(ss)相；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)为预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成金属间化合物(im)；如果固溶体(ss)相预测结果为[0,1]，金属间化合物(im)为预测结果为[0,1]，非晶相(am)预测结果为[1,0]，则可以形成非晶相(am)；如果固溶体(ss)相预测结果为[1,0]，金属间化合物(im)为预测结果为[1,0]，非晶相(am)预测结果为[0,1]，则可以形成混合相(ss+im)。预测结果如表3所示。表3中还列出了3种高熵合金实验研究得到的相形成结果，以对预测结果的准确性进行判断。
[0103]
表3 al
x
fecrni(x＝0,0.5,1.0)高熵合金相形成预测结果
[0104]
高熵合金化学式预测结果实验结果fecrnissss(fcc)al
0.5
fecrniss+imss+im(fcc+bcc+b2)alfecrniss+imss+im(bcc+b2)
[0105]
通过表3中数据可知，应用实施例1所提供的方法，可以成功预测al
x
fecrni(x＝0,0.5,1.0)高熵合金的相形成。
[0106]
应当说明，以上对本发明的具体实施是为了展示本发明的技术路线和特点，但并非每一个步骤都是按流程图所示的顺序。应当说明凡是在本发明权利要求的范围内做出的改进或修饰，都应涵盖在本发明的保护范围内。

技术特征：
1.一种基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：所述方法包括如下步骤：步骤s1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和相形成数据；步骤s2：构建卷积神经网络模型；步骤s3：利用所述数据集对所述卷积神经网络模型进行训练，得到优化后的卷积神经网络模型；步骤s4：将待预测的高熵合金的成分数据输入至所述优化后的卷积神经网络模型，进行高熵合金相形成的预测。2.根据权利要求1所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：步骤s1中，所述若干种高熵合金均为通过熔炼工艺得到的高熵合金；所述成分数据包括高熵合金的成分以及各个成分在该高熵合金中的原子百分比；所述相形成数据包括高熵合金所形成的相的种类，所述相的种类包括固溶体相、金属间化合物相、非晶相中任意的一种或几种。3.根据权利要求2所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：步骤s1中，当高熵合金所形成的相为b2相、l21相或laves相时，相形成数据记录为金属间化合物相；当高熵合金所形成的相为固溶体相与金属间化合物相的混合相时，相形成数据记录为固溶体相或金属间化合物相。4.根据权利要求2所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：步骤s1中，所述成分数据的形式为伪二维元素周期表，所述相形成数据为伪二维元素周期表的相位标签；所述伪二维元素周期表的构建方法为：首先构建9
×
18的网格用于表示二维元素周期表，然后根据所对应元素在元素周期表中的位置，将所述成分数据映射至所述二维元素周期表的对应子格内，由此得到包含高熵合金成分数据的伪二维元素周期表。5.根据权利要求4所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：步骤s2中，所述卷积神经网络模型的结构包括三个二维卷积层、三个二维池化层和一个全连接层。6.根据权利要求5所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：步骤s2包括：步骤s2.1：构建二维卷积层i和二维池化层i；所述二维卷积层i的维度与所述伪二维元素周期表的维度相同；所述二维卷积层i的通道数为8、卷积核尺寸为3
×
3；所述二维池化层i的池化尺寸为2
×
2；步骤s2.2：构建二维卷积层ii和二维池化层ii；所述二维卷积层ii的通道数为16、卷积核尺寸为3
×
3；所述二维池化层ii的池化尺寸为2
×
2；步骤s2.3：构建二维卷积层iii和二维池化层iii；所述二维卷积层iii的通道数为32、卷积核尺寸为3
×
3；所述二维池化层iii的池化尺寸为2
×
2；步骤s2.4：构建展平层，所述展平层用于对经过三层卷积和三层池化得到的结果进行展平操作；所述三层卷积是利用二维卷积层i、二维卷积层ii、二维卷积层iii来实现的；所述三层池化是利用二维池化层i、二维池化层ii、二维池化层iii来实现的；
步骤s2.5：构建全连接层，所述全连接层用于对展平层展平操作后的结果进行分类。7.根据权利要求1所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：步骤s3中，利用所述数据集对所述卷积神经网络模型进行训练，得到优化后的卷积神经网络模型；包括如下内容：以所述成分数据为输入、所述相形成数据中的固溶体相数据为输出，得到卷积神经网络模型中的固溶体相预测子模型，对所述固溶体相预测子模型进行优化、训练，得到优化后的固溶体相预测子模型；以所述成分数据为输入、所述相形成数据中的金属间化合物相数据为输出，得到卷积神经网络模型中的金属间化合物相预测子模型，对所述金属间化合物相预测子模型进行优化、训练，得到优化后的金属间化合物相预测子模型；以所述成分数据作为输入、所述相形成数据中的非晶相数据作为输出，得到卷积神经网络模型中的非晶相预测子模型，对所述非晶相预测子模型进行优化、训练，得到优化后的非晶相预测子模型。8.根据权利要求7所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：步骤s4中高熵合金相形成的预测，包括如下内容：以待预测的高熵合金的成分数据为输入，利用优化后的固溶体相预测子模型预测是否形成固溶体相；以待预测的高熵合金的成分数据为输入，利用优化后的金属间化合物相预测子模型预测是否形成金属间化合物相；以待预测的高熵合金的成分数据为输入，利用优化后的非晶相预测子模型预测是否形成非晶相；对固溶体相、金属间化合物相、非晶相的预测结果进行综合判定。9.根据权利要求1所述的基于深度学习的利用成分预测高熵合金相形成的方法，其特征在于：在步骤s4后，还包括步骤s5，利用实验研究确定待预测的高熵合金的相形成，并将实验结果与步骤s4的预测结果进行比较。

技术总结
本发明具体是一种基于深度学习的利用成分预测高熵合金相形成的方法，解决了现有高熵合金相形成预测方法成本高、过程繁琐、预测结果准确性较差的问题。一种基于深度学习的利用成分预测高熵合金相形成的方法，所述方法包括如下步骤：步骤S1：构建包括若干种高熵合金的特征数据的数据集；所述特征数据包括成分数据和相形成数据；步骤S2：构建卷积神经网络模型；步骤S3：利用所述数据集对所述卷积神经网络模型进行训练，得到优化后的卷积神经网络模型；步骤S4：将待预测的高熵合金的成分数据输入至所述优化后的卷积神经网络模型，进行高熵合金相形成的预测。本发明仅以高熵合金成分作为输入，摒弃了特征计算和选择流程，简化了预测过程并提升准确性。程并提升准确性。程并提升准确性。


技术研发人员：赵宇宏 郭庆伟 裴小龙 薛哲 侯华
受保护的技术使用者：中北大学
技术研发日：2023.04.12
技术公布日：2023/7/13