基于机器学习元素特征量分析的析出强化铜合金的理性设计

摘要

高端制造用析出强化型铜合金的力学和导电性能相互制约，综合性能提升一直是一个重大挑战.本文采用机器学习方法进行元素特征量筛选，挖掘影响合金性能的关键物理化学特征，实现多元复杂合金的高性能设计.结合相关性筛选、递归消除和穷举法筛选，筛选得到影响时效析出强化型铜合金硬度的5个关键合金因子和影响导电率的5个关键合金因子，以关键合金因子为输入，分别构建了误差小于6%的硬度预测模型和误差小于5%的导电率预测模型.应用预测模型，设计了新型合金Cu–2.92Ni–0.92Co–0.74Si.参照Cu–Ni–Co–Si系合金的工业化生产流程和条件进行实验验证，新合金的抗拉强度和导电率分别达到868 MPa和45.6%IACS(国际退火铜标准)，实现了相互制约的合金力电性能的同步提升.

关键词

数据驱动 / 机器学习 / 特征量分析 / 铜合金 / 成分设计

基金资助

国家科技重大专项资助项目（2024ZD0608100）; 国家自然科学基金资助项目（52404387,52374379,U24A2029,52425409）; 北京科技大学青年教师学科交叉研究项目（中央高校基本科研业务费专项资金）资助项目（FRF-IDRY-23-002）