[论文解读] Machine-Learning-Based Intelligent Framework for Discovering Refractory High-Entropy Alloys with Improved High-Temperature Yield Strength

Stephen A. Giles, Debasis Sengupta+2 more|arXiv (Cornell University)|Dec 5, 2021

High Entropy Alloys Studies被引用 5

一句话总结

本文提出了一种基于机器学习的框架，以加速发现具有增强高温屈服强度的难熔高熵合金（RHEAs）。通过结合稳健的、具备不确定性量化的屈服强度预测模型与优化技术，该框架能够高效地探索庞大的成分空间，并识别出针对特定高温条件而定制的新型RHEA成分。

ABSTRACT

Refractory high-entropy alloys (RHEAs) are a promising class of alloys that show elevated-temperature yield strengths and have potential to use as high-performance materials in gas turbine engines. However, exploring the vast RHEA compositional space experimentally is challenging, and only a small fraction of this space has been explored to date. The work demonstrates the development of a state-of-the-art machine learning (ML) predictive framework coupled with optimization methods to intelligently explore the vast compositional space and drive the search in a direction that improves high-temperature yield strengths. Our forward yield strength model is shown to have a significantly improved predictive accuracy relative to the state-of-the-art approach, and also provides inherent uncertainty quantification through the use of repeated k-fold cross-validation. Upon development of a robust yield strength prediction model, the coupled framework is used to discover new RHEAs with superior high temperature yield strength. We have shown that RHEA compositions can be customized to have maximum yield strength at a specific temperature.

研究动机与目标

• 解决实验探索难熔高熵合金（RHEAs）庞大成分空间的挑战。
• 克服传统试错方法在识别适用于燃气轮机应用的高性能RHEAs方面的局限性。
• 开发一种具备高预测精度和高温下屈服强度不确定性量化的机器学习模型。
• 通过集成优化技术，智能引导搜索，以找到具有优化高温屈服强度的RHEA成分。
• 实现针对特定工作温度下最大屈服强度的RHEA靶向设计。

提出的方法

• 开发前向机器学习模型，基于RHEA成分预测高温屈服强度。
• 利用重复k折交叉验证以确保模型稳健性，并在预测中提供内在的不确定性量化。
• 将训练好的屈服强度模型与优化算法集成，以高效探索成分空间。
• 应用该框架识别在用户定义的高温下屈服强度最大的RHEA成分。
• 利用模型的不确定性估计，优先选择预测置信度高的成分空间区域。
• 将模型性能与最先进方法进行对比，以证明其更高的预测精度。

实验结果

研究问题

• RQ1 与现有方法相比，机器学习模型能否在RHEAs的高温屈服强度预测中实现更高的预测精度？
• RQ2 通过重复k折交叉验证进行的不确定性量化在多大程度上能提高屈服强度预测的可靠性？
• RQ3 集成的机器学习-优化框架能否识别出具有更优高温屈服强度的新颖RHEA成分？
• RQ4 RHEA成分在多大程度上可被定制，以在特定目标温度下实现最大屈服强度？
• RQ5 该框架在多大程度上减少了RHEA研发中昂贵且耗时的实验筛选需求？

主要发现

• 所提出的机器学习模型在高温屈服强度预测方面相比最先进方法表现出显著提升的预测精度。
• 采用重复k折交叉验证提供了可靠的不确定性量化，增强了模型的可信度。
• 该框架成功识别出针对特定高温条件而定制、以实现最大屈服强度的新颖RHEA成分。
• 将机器学习预测与优化技术集成，实现了对庞大RHEA成分空间的高效探索。
• 该框架实现了针对特定工作温度下最优性能的RHEA靶向设计，减少了对全面实验筛选的依赖。
• 结果证实了采用智能、数据驱动方法可加速高性能难熔高熵合金发现的可行性。