Rapid design of processing parameters for Zero-Sample alloys via multi-acquisition-function Bayesian optimization

doi:10.1016/j.msea.2025.148904

Rapid design of processing parameters for Zero-Sample alloys via multi-acquisition-function Bayesian optimization

2025-08-05

0

PRE

AI

DOI：10.1016/j.msea.2025.148904

原文链接

原文求助

摘要

En 中文

机器学习（ML）是克服复杂构效关系建模挑战并实现新材料快速设计的重要方法。然而，在零样本或小样本数据条件下高效构建模型和执行优化仍存在显著挑战。本文提出了一种结合正交实验与多采集函数贝叶斯优化（BO）的策略，用于零样本新合金的加工参数快速设计。首先，采用正交实验方法获取机器学习建模所需的最少实验样本数量；随后，利用多采集函数BO方法在大规模复杂数据空间中快速优化。为实验验证该策略，选用作者新设计的C70350合金（Cu-2.92Ni-0.92Co-0.74Si）进行测试，该合金旨在降低Co含量并简化合金成分。经过真空感应熔炼、均匀化、热轧及固溶处理的合金板材，在不同加工参数的多步变形与热处理后，测试其力学与电学性能。仅通过25组正交实验和5轮迭代优化，即实现了新合金加工参数的快速优化。与基于原有工业加工参数的结果相比，优化条件下新合金的极限抗拉强度与电导率乘积（UTS × EC）提升了超过10%。透射电子显微镜（TEM）结果表明，试样中高密度位错及大量细小弥散析出物的存在显著增强了其综合性能。本研究为零样本新合金复杂加工参数的快速设计提供了一种新方法。

Keyword:

machine learning

orthogonal experiments

Bayesian optimization

alloy design

processing parameters

Rapid design of processing parameters for Zero-Sample alloys via multi-acquisition-function Bayesian optimization

摘要

期刊

机构

引用论文