基于物理信息驱动的近β钛合金多性能预测方法

本发明提供一种基于物理信息驱动的近β钛合金多性能预测方法，涉及材料信息学技术领域。检索近β钛合金的相关文献，建立原始数据集；对数据集中成分和工艺特征进行转换，将元素物理属性、相变动力学嵌入特征工程，进行数据预处理及标准化，使用分层抽样划分测试集与训练集；采用Optuna超参数优化框架结合5折交叉验证对XGBoost模型进行参数调优，使用训练集和测试集对模型进行训练和验证，构建基于物理信息驱动的回归预测机器学习模型；将新材料成分的物理特征参数输入优化后的学习模型进行预测，输出抗拉强度和延伸率的预测结果。通过物理特征协同优化多目标性能，并支持工艺参数外推，为近β钛合金设计提供高精度、低数据依赖的解决方案。