基于机器学习的材料弹性性能预测及可视化分析OA北大核心CSTPCD

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.