基于机器学习的合金钢拉伸性能预测及SHAP特征分析

摘要

利用数据驱动的机器学习方法，将成形工艺和化学成分作为输入特征，对材料的屈服强度、抗拉强度和伸长率进行预测.采用局部离群因子(LOF)法对样本进行有效的异常值检测剔除，建立支持向量机回归、随机森林、极限梯度提升和多层感知机4种机器学习算法，并对算法进行网格搜索超参数及5折交叉验证.结果表明，除支持向量机回归外的3种算法均表现出较好的拟合效果.结合沙普利可加性模型解释(SHAP)方法和特征重要性分析，为机器学习算法的预测过程增加可解释性，分析样本特征对合金钢拉伸性能的影响.

关键词

机器学习 / 合金钢 / 拉伸性能 / SHAP

基金资助

国家自然科学基金面上项目(U1460107)