基于多模型机器学习的合金结构钢回火力学性能研究

钢的回火力学性能曲线是回火工艺参数优选的基础,机器学习为回火工艺参数的优选提供了新的高效途径.本工作采用ANN、IBK、Bagging、Randomtree和M5Rules等多种机器学习模型算法预测合金结构钢的回火力学性能.2950组钢回火性能数据提取于国家材料科学数据共享网,以化学成分、回火温度作为输入特征,以抗拉强度、屈服强度和维氏硬度作为输出目标.采用相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)和相对误差(d)进行模型的评估与定型.结果表明:回火抗拉强度、屈服强度、维氏硬度的预测分别采用IBK、Randomtree和Bagging算法能够得到更高的预测精度,相对误差分别集中于±6％、±10％、±10％.使用最佳模型对测试集四种钢的回火力学性能预测结果良好,预测精度高于JMatPro软件和经验公式的计算结果.限于已有成分特征数据分布的不均衡,为进一步扩展模型的预测精度与泛化性,需积累更多关于微合金V、Ti、B等方面的数据.