基于集成学习算法的材料莫氏硬度预测及其影响因素分析

摘要

莫氏硬度广泛应用于地质、矿物学和材料科学领域，然而，传统测试方法易受误差影响，为提高预测精度和效率，本研究采用集成学习算法对材料莫氏硬度进行预测，并分析其影响因素。通过采用随机森林、极端梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)、类别提升算法(CatBoost)、梯度提升决策树(GBDT)以及Blending模型对数据进行训练和评估。研究发现：Blending模型的决定系数为0.74时，在当前数据集和评估场景下，对目标变量的预测能力达到最优状态，而CatBoost模型在预测精度上达到最优。通过机器学习模型的可解释方法—SHAP确定了平均离子能、平均密度、平均范德华半径、总电子数和平均电负性是影响莫氏硬度的关键因素。此外，数据预处理采用四分位距方法处理异常值，有效提高了模型的预测准确性。本研究展示了集成学习算法在材料硬度预测中的应用潜力，为新材料的开发和性能评估提供了科学依据和技术支持。

关键词

集成学习 / 莫氏硬度 / 特征重要性分析 / 模型融合 / 异常值处理