基于特征工程和机器学习的高熵合金相结构预测

熊夏轩1，邓吨英1，文瀚庆1，仝永刚2（1.长沙理工大学材料科学与工程学院；2.长沙理工大学汽车与机械工程学院）

摘要：通过数据筛选去除不合理及冗余数据，获得788 个高熵合金数据集，总结了13 个预测相结构的特征参数并采用皮尔逊相关系数法去除冗余，采用去除特征法确定特征输入模型的顺序与数量，对比正则化、稳健标准化、极差归一化、标准差标准化4 种特征数据集标准化预处理方法，对比随机森林、支持向量机和最近邻回归3 种算法，通过交叉验证，确定最佳预处理方法和算法，建立机器学习模型，并采用该模型预测高熵合金相结构。结果表明：综合考虑模型精度与效率，选取熔点标准差、价电子浓度标准差、原子半径差、混合熵、合金组成元素熔点平均值、价电子浓度、混合焓、电负性差、平均原子半径作为特征集，并以该顺序输入模型；最佳特征数据集预处理方法为标准差标准化，最佳算法为随机森林算法，构建的模型预测金属间化合物、无定形相、面心立方相、体心立方相的精度分别为95%，89%，88%，90%，预测面心立方+体心立方复合相、体心立方相+金属间化合物混合物的精度在76%左右，精度总体较高，验证了模型的泛化能力。

关键词：机器学习；高熵合金；特征工程；相结构；随机森林；支持向量机；最近邻回归