基于机器学习的高熵合金成分优化方法

本发明属于于材料设计技术领域，具体涉及一种基于机器学习的高熵合金成分优化方法。本发明利用机器学习技术指导高熵合金的设计和优化，以寻找高硬度七元高熵合金。通过收集并整理高熵合金的成分、相结构和硬度数据，形成原始数据集；补充特征数据并进行标准化处理，使用K折交叉验证法划分训练集和验证集；基于训练集，建立合金成分与硬度的回归模型和相结构分类模型；通过正确率、ROC‑AUC曲线、均方根误差和决定系数R2评估模型的预测性能，并调整参数优化模型；基于优化后的模型搜索新型高熵合金，并进行实验验证，将结果更新到数据集中，以持续优化模型。本发明为七元高熵合金的设计提供科学的指导，有助于提高合金的性能和研发效率。