基于机器学习的材料弹性性能预测及可视化分析

摘要

在工程材料的应用中，弹性模量是重要的性能参数，找到特定弹性性能的材料是新材料合成领域的热点问题，如何快速且准确的预测弹性在工程上具有重要意义.通过实际实验测量大量材料的弹性性能并不现实.因此，通过计算机模拟筛选材料数据，选出候选材料，再通过实际实验进行验证，是一种理想的新材料发现方法.目前材料性能预测的主要计算方法是基于第一性原理的高通量计算，这类方法效率低下，难以高效地完成大批量的材料筛选任务.而基于材料统计学的机器学习预测方法，可通过大数据挖掘，快速预测材料性能，成为一种有可能替代高通量计算的方案.本文将特征选择方法和机器学习模型进行组合，从中选择最有效的弹性模量预测组合方案，并设计交互界面对输入特征和材料弹性性能的关系进行可视化分析.实验表明Pearson/RFE和GBDT的组合模型性能最好，同时通过可视化分析发现每原子能量、熔点、密度等特征对于预测结果的影响较大.这些重要的特征可以从特征–目标关系中初步预测弹性模量的范围，目标属性值也可反过来估计材料的重要特征.这些研究成果可应用于探究弹性的影响因素、预测大批量材料性能和可视化分析指导材料合成.

关键词

特征选择 / 机器学习 / 弹性性能预测 / 可视化 / 数据挖掘

基金资助

国家自然科学基金青年科学基金资助项目(52104303); 安徽省高校协同创新项目(GXXT-2022-041); 安徽省科技重大专项(2023z020006)