基于机器学习的选择性激光熔化NiTi合金相变温度

本发明涉及金属材料性能预测，尤其涉及一种基于机器学习的选择性激光熔化niti合金相变温度预测方法。背景技术：1、slm（选择性激光熔化）技术制备的镍钛合金与传统制造方法有所不同，其解决了制造高自由度镍钛合金结构件的难题，并同时保留了固有的超弹性和形状记忆效应，为其在广泛领域内提供了应用前景。研究发现，slm-niti合金（选择性激光熔化技术制备的镍钛合金）所展现的性能与其特有的相变温度密切相关。niti合金中ni元素每增加1at%，niti合金的相变温度降低10k。因此，合金成分被认为是影响niti合金相变温度变化的内在因素。而目前在研究分析niti合金成分或工艺与相变温度关系时，通常采用实验试错法。2、然而相变温度受到粉末组成、工艺参数、ni元素蒸发等多种因素的制约，采用传统试错法分析niti合金的相变温度耗时且成本高昂，难以实现精确控制和调节，且难以满足高端关键金属材料高效、低成本的设计要求。因此，精确设计和调控增材制造niti合金相变温度仍然是一个巨大的挑战。3、随着机器学习的发展和数据量急剧增加，机器学习成为提取材料信息的基本工具，可以对材料进行推断，建立新的实验或模拟，通过相关算法学习和训练这些数据，从而揭示材料“成分－工艺－结构－性能”之间的非线性联系。基于此，可发明一种基于机器学习实现选区激光熔化niti合金相变温度预测的方法，可以精确控制和调节相变温度，解决采用传统试错分析slm-niti合金的相变温度费时费力且成本高昂的问题。技术实现思路1、针对以上技术问题，本发明公开了一种基于机器学习的选择性激光熔化niti合金相变温度预测方法，能够省时省力且低成本的提高选择性激光熔化技术制备niti合金相变温度难以调节问题。2、基于机器学习的选择性激光熔化niti合金相变温度预测方法，包括如下步骤：3、步骤s1：从slm-niti合金相关实验和文献中收集slm-niti合金的合金成分特征集、制备工艺特征集、粉末组成特征集和相变温度特征集，以此作为初始样本；收集到的全部初始样本集合为初始特征数据集，相变温度特征集为目标特征；4、步骤s2：对初始特征数据集进行数据预处理；对于原始数据缺失较多的初始样本选择直接删除；对初始特征数据集中缺失原始数据较少的初始样本，使用缺失特征在初始特征数据集中获取该类别特征集的均值用以代替缺失的该类别特征集，预处理后得到样本，之后将全部样本以z-score归一化进行处理，获得标准特征数据集；5、对标准特征数据集进行特征筛选，采用多种特征筛选技术分别排序得出影响slm-niti合金相变行为的多个关键特征，形成关键特征数据集；6、步骤s3：将关键特征数据集随机分成训练集和测试集，采用多种机器学习算法，将筛选得到的关键特征作为模型的输入特征，slm-niti合金的相变温度特征集作为目标特征，构建多个slm-niti合金相变预测模型，在训练集上进行训练；7、步骤s4：训练完成后对测试集进行预测，得到每个slm-niti合金相变预测模型的评估得分，验证每个slm-niti合金相变预测模型的预测能力，通过对比评估得分，对所选的多个slm-niti合金相变预测模型进行排序，获取其中最优的slm-niti合金相变预测模型；8、步骤s5：基于最优的slm-niti合金相变预测模型，以目标niti合金的合金成分特征集、制备工艺特征集和粉末组成特征集作为输入值，进行目标niti合金相变温度特征预测。9、进一步，所述步骤s1中，合金成分特征集仅包含ni元素含量特征和ti元素含量特征；制备工艺特征集包括激光功率特征、扫描速度特征、扫描间距特征、层厚特征、线性能量密度特征、表面能量密度特征、体积能量密度特征；粉末组成特征集包括粉末粒径及其分布情况特征；相变温度特征包括ms特征、mf特征、as特征和af特征。10、进一步，所述步骤s2中，所使用的特征筛选技术包括皮尔逊相关性计算、灰度关联分析、特征递归消除和特征重要性排序。11、进一步，所述步骤s2中，对标准特征数据集进行皮尔逊相关性计算，以皮尔逊相关系数绝对值大于0.9为强相关性，将特征间有强相关性的特征归为同一组；每组根据灰度关联分析筛选出与目标特征关联程度大的特征代表该组特征，进行后续的筛选。12、进一步，所述步骤s2中，对标准特征数据集进行特征筛选的具体方法为：对标准特征数据集进行皮尔逊相关性计算和灰度关联分析筛选后，对筛选出的特征分别使用rf、gbr和lasso算法进行特征递归消除，每次递归将选取特征权重最大的特征，并将通过基于其中最优的gbr算法进行特征重要性排序，最终筛选得到重要性最大的关键特征，作为提供后续训练模型使用。13、进一步，所述步骤s3中，训练集和测试集划分的样本数量比例为80%：20%。14、进一步，所述步骤s3中，机器学习算法为grnn、knn、rf、gbr、svm和mlp。15、进一步，所述步骤s4中对每个slm-niti合金相变预测模型进行评估得分时，采用决定系数r2、均方根误差rmse和平均绝对误差mae来综合分析每个slm-niti合金相变预测模型的预测性能。16、本发明的有益效果：17、本发明无需通过实验将目标niti合金加工出来，有效提高了分析目标niti合金性能的效率，同时降低了成本，从而加速新型slm-niti合金材料的开发设计；此外，该方法有望推广至其他合金材料性能的预测领域，具有普适性。技术特征：1.基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：包括如下步骤：2.根据权利要求1所述的基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：所述步骤s1中，合金成分特征集仅包含ni元素含量特征和ti元素含量特征；制备工艺特征集包括激光功率特征、扫描速度特征、扫描间距特征、层厚特征、线性能量密度特征、表面能量密度特征、体积能量密度特征；粉末组成特征集包括粉末粒径及其分布情况特征；相变温度特征包括ms特征、mf特征、as特征和af特征。3.根据权利要求2所述的基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：所述步骤s2中，所使用的特征筛选技术包括皮尔逊相关性计算、灰度关联分析、特征递归消除和特征重要性排序。4.根据权利要求3所述的基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：所述步骤s2中，对标准特征数据集进行皮尔逊相关性计算，以皮尔逊相关系数绝对值大于0.9为强相关性，将特征间有强相关性的特征归为同一组；每组根据灰度关联分析筛选出与目标特征关联程度大的特征代表该组特征，进行后续的筛选。5.根据权利要求4所述的基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：所述步骤s2中，对标准特征数据集进行特征筛选的具体方法为：对标准特征数据集进行皮尔逊相关性计算和灰度关联分析筛选后，对筛选出的特征分别使用rf、gbr和lasso算法进行特征递归消除，每次递归将选取特征权重最大的特征，并将通过基于其中最优的gbr算法进行特征重要性排序，最终筛选得到重要性最大的关键特征，作为提供后续训练模型使用。6.根据权利要求5所述的基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：所述步骤s3中，训练集和测试集划分的样本数量比例为80%：20%。7.根据权利要求6所述的基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：所述步骤s3中，机器学习算法为grnn、knn、rf、gbr、svm和mlp。8.根据权利要求7所述的基于机器学习的选择性激光熔化niti合金相变温度预测方法，其特征在于：所述步骤s4中对每个slm-niti合金相变预测模型进行评估得分时，采用决定系数r2、均方根误差rmse和平均绝对误差mae来综合分析每个slm-niti合金相变预测模型的预测性能。技术总结本发明公开了基于机器学习的选择性激光熔化NiTi合金相变温度预测方法，涉及金属材料性能预测技术领域，包括如下步骤：步骤S1：从SLM‑NiTi合金相关实验和文献中收集SLM‑NiTi合金的初始特征数据集，步骤S2：对初始特征数据集进行数据预处理；对标准特征数据集进行特征筛选，形成关键特征数据集；步骤S3：将关键特征数据集随机分成训练集和测试集，采用多种机器学习算法，将筛选得到的关键特征作为模型的输入特征，SLM‑NiTi合金的相变温度特征集作为目标特征，构建多个SLM‑NiTi合金相变预测模型，在训练集上进行训练；步骤S4：训练完成后对测试集进行预测，获取其中最优的SLM‑NiTi合金相变预测模型。技术研发人员：徐泽洲,于征磊,郭云婷,杨孔元,信仁龙,陈立新,任露泉受保护的技术使用者：吉林大学技术研发日：技术公布日：2024/8/16