一种多组元高强导电铜合金的设计方法

技术领域

本发明涉及多元合金设计技术领域，尤其涉及一种集成机器学习和计算相图进行多组元高强导电铜合金体系和成分的设计方法。

背景技术

纯铜因其多方面的品质而备受推崇，例如出色的导热性和导电性(EC)以及卓越的延展性，已在电缆和电子器件等产业中得到广泛应用。为了增强其机械性能，合金化是一种关键方法。其中，多组元高强导电铜合金由于成分多样，设计和实验复杂。因此，如何高效且快速地设计新型多组元铜合金是目前一个主要的技术难题。

目前，机器学习作为大数据驱动的科学研究方法已应用于各种材料的设计领域，机器学习是识别目标属性与实验变量之间关系的有效方法。作为最先进的计算机技术，机器学习可以深入挖掘数据之间的内在关系，而不是依赖固有的理论公式或经验，从而捕捉高度复杂的非线性输入/输出关系。

然而，大多数机器学习方法在传统的合金设计过程中并没有利用合金相组织的信息。在合金设计过程中，仅仅使用机器学习方法挖掘出隐藏在数据中的规律是不够的。在机器学习方法出现之前，许多材料科学理论被认为对合金设计有效，比如计算相图这一合金设计方法。

基于热力学和动力学参数的计算相图，通过预测设计合金的相组成和含量，就可以指导探索合金中的相组成信息。然而，相图的区块化性质难以在同一相中识别出最佳合金元素含量的匹配以获得最优的综合性能。所以，基于相图的多元合金设计仍需要大量的实验验证。

所以，利用机器学习模型来预测和验证特定成分合金性能的数据挖掘方法可以部分解决前面提到的相图设计的缺点。但数据不足和不准确可能会导致合金候选者的性能实验值和预测值之间存在显著偏差，尤其是对于不在训练数据库中的新合金体系。

因此，提出一种能够在机器学习过程中使用相图等经典理论来指导合金设计的思路能够为多元高强导电铜合金的设计开辟一条新的路径。机器学习模型可以预测成分-性能等高线图，而且它们可以与相图相结合，以设计和验证具有卓越性能的潜在候选合金。

基于这种机器学习-相图-机器学习的迭代方法，我们提出了一种结合相图和机器学习模型的双驱动多组元铜合金的设计方法。在双驱动模型中，机器学习模型可以利用相图计算出的各种相信息数据来预测新铜合金的性能。同时，机器学习预测与成分-性能关系的相应匹配有助于新型铜合金的优化设计。

发明内容

基于此，本发明提供了一种集成机器学习和计算相图进行多组元高强导电铜合金体系和成分设计的方法，通过大量数据挖掘出合金成分、相信息和铜合金元素物化特征与性能之间的关系，利用机器学习模型的初代预测和计算相图的二次设计，实现更优性能的合金体系及成分设计。本发明技术方案如下。

本发明提供了一种多组元高强导电铜合金体系和成分的设计方法，所述设计方法集成机器学习和计算相图的双工具进行多元铜合金的设计。包括如下步骤：

1.收集并处理历史数据，形成初始数据集：

通过收集历史数据、开放数据等，并经过一定数据处理，形成初始数据集。其中初始数据集由合金基础信息数据、合金特征数据以及合金性能数据三者共同组成。

合金基础信息数据为：合金成分和工艺数据。具体的，合金成分数据为：

合金中各种合金元素的含量；合金工艺数据包含温度及时间两组工艺参数。

合金性能数据包括合金的硬度或者抗拉强度，和导电率。

进一步地，合金基础信息数据、合金性能数据来源于公开的文献、或已有的实验数据。

合金特征数据包含三类特征数据集：其中第一类特征数据集为相图特征数据集，包括合金中第二相和铜基体的各自比例，各种合金元素在铜基体中的含量及各种合金元素在第二相中的含量；该相图特征数据集通过计算相图获得。合金特征数据包含的第二类特征数据集为交叉特征数据集，包括(a)各合金元素与铜基体相关联的物化特征系数因子，如合金元素在铜基体中的扩散系数因子、溶解度系数因子等，均为合金元素与铜基体相关联的物化特征系数因子、(b)合金中各合金元素单质特征因子，例如熔点、相对原子质量和热导率等；该交叉特征数据集通过收集合金中各元素的物化特性数据，以这些物化特性数据和上述合金基础信息数据为源数据，采用交叉计算获得。合金特征数据包含的第三类特征数据集为合金体系化合物形成能数据集；该特征数据集包括合金中各合金元素化合形成金属间化合物及与铜形成金属间化合物的能力因子；其中，能力因子指：合金中各合金元素化合形成金属间化合物或与铜形成金属间化合物的形成能取平均则为所述能力因子；该第三类特征数据集通过在开放数据库中获取原始数据源，然后通过计算获得。

进一步地，所述相图特征数据集，通过相图计算软件Pandat获得。在相图计算软件Pandat中选择构成待设计的合金体系中的金属元素，得到相图计算结果，从该计算结果中获得所述合金体系的各种相种类及每种相含量及比例，得到各合金中第二相和铜基体的各自比例，以及各种合金元素在铜基体中的含量及各种合金元素在第二相中的含量。

进一步地，所述第二类特征数据集即交叉特征数据集的获取步骤为：首先，通过开源数据库收集待设计的合金体系中各金属元素的物化特性数据；更具体的，通过开源数据库WebElements(www.webelements.com)或/和The KnowledgeDoor(www.knowledgedoor.com)，收集各金属元素的物化特性数据；然后，利用所收集的物化特性数据、以及合金基础信息数据进行交叉计算，得到所述的各合金元素与铜基体相关联的物化特征系数因子、以及各合金元素的单质特征因子。

更进一步地，其中获取所述物化特征系数因子、以及单质特征因子的交叉计算公式分别为：

采用公式(a)计算各合金元素与铜基体相关联的物化特征系数因子，采用公式(b)计算各合金元素的单质特征因子。上面公式中，D

进一步地，获取第三类特征数据集为合金体系化合物形成能数据集，通过在开放数据库中获取各合金元素之间及与铜形成的金属间化合物的形成能的源数据，然后各形成能取平均，得到所述能力因子。更具体的，在开放数据库OQMD(The Open QuantumMaterials Database,www.oqmd.org)中获取待设计的合金体系中的各种金属间化合物的邢成能。

进一步地，所述初始数据集中的合金基础信息数据和合金特征数据，均进行了数据归一化处理，每列合金基础信息数据和合金特征数据均转变为0-1之间的数值。

2.利用初始数据集训练出成熟的机器学习模型；

所述机器学习模型使用支持向量机、高斯过程回归和神经网络等多种主流的监督学习算法，选择算法依据模型误差最小的算法作为核心算法。模型误差以测试集样本误差为准，测试集占数据库所有样本数量的20％，其余80％为训练集；样本误差＝sqrt((每个样本的预测性能-实际性能)的平方和/样本总数)。数据样本取样采用重复20次的五折交叉验证。训练所述机器学习模型时，合金基础信息数据、合金特征数据作为模型的输入，即为自变量，合金性能数据作为模型的输出，即因变量或目标变量。

进一步地，所述机器学习模型以Python语言为基础，在Spyder软件上编写，调用Sklearn机器学习工具包进行建模。

更进一步地，所述机器学习模型包括如下主程序：

(1)初始数据集输入模块：完成初始数据集的输入，获取合金基础信息数据、合金特征数据为自变量，合金性能数据为因变量即目标变量。

(2)算法选择模块：提供多种sklearn机器学习库中的监督学习算法的选择，挑选出所述模型误差最小的算法作为核心算法。

(3)评估模型误差模块：反馈评估性指标如模型拟合时间、训练误差和测试误差、模型误差，完成机器学习模型的构建。训练误差和测试误差指：训练集和测试集中每个样本的目标变量实验真实值与模型预测值的偏差。

(4)合金特征的筛选模块：利用皮尔逊相关性筛选、自上而下的迭代筛选和穷举筛选剔除冗杂的特征并构建起成熟的机器学习模型,剔除的标准是模型的均方误差是否减小。3.建立合金体系和合金成分空间，并利用机器学习模型预测，得到合金的预测性能，根据预测性能优劣进行排序。

进一步地，建立合金体系指：根据初始数据集中收集的合金含有的金属元素，建立包含这些金属元素中的一种或者多种的多组元铜合金体系。例如，在本发明实施例2中，初始数据集中收集的数据涉及到的金属元素包括Co、Si、Ti、Fe、Cr、Zr六种合金元素，则建立的合金体系可以是这6种金属元素中的一种或任意几种与铜基体形成的多组元铜合金体系，比如三元的Cu-Co-Si合金，再如四元合金Cu-Co-Ti-Fe等等。

进一步地，建立的合金成分空间指：指针对所建立的合金体系，进行合金成分空间的设定，呈梯度分布设置每种合金体系中合金元素的含量和时效温度、时效时间。更进一步地，成分空间建立中的合金元素的含量梯度设置为0.1wt.％、合金元素的含量范围：0至初始数据集中该合金元素含量上限值；时效温度为400-600℃，梯度为50℃；时效时间为15、30、60、120、240、480、960min。

进一步地，利用机器学习模型预测所建立的合金的预测性能：利用机器学习模型预测上述建立的各合金体系中不同的成分空间在不同工艺(时效温度和时效时间)下的性能，得到预测性能。

进一步地，根据预测性能排序指：根据对合金的设计需求，设定排序的性能指标，根据该指标值进行排序。比如硬度最大值优先原则、硬度与导电率的乘积最大值优先等等。

4.确立候选合金：再次利用相图软件，比如本发明中使用Pandat软件，将上述排序在前的合金体系以及其具体合金成分，计算出对应的合金相图、并利用最大相信息化的原则第二次进行合金成分二次设计即在相图中选取多个相组成不同的区域内的不同合金成分作为候选合金。

5.判定候选合金的预测性能与实际性能值的误差是否符合预设精度，若是，则设计完成，若否，则将候选合金实际性能值放入初始数据集并重新训练机器学习模型，即重复步骤1-5。其中，候选合金的实际性能值来源于公开文献或实验数据。其中，所述预设精度为：候选合金的预测性能与实际性能值之间的均方误差是否已达到10％以内。

本发明的有益效果如下：与现有技术相比，本发明提供的高强导电铜合金设计方法可实现数据和知识的双重驱动，即集成机器学习和计算相图进行多组元高强导电铜合金体系和成分设计，利用大量数据挖掘出合金成分、相信息和铜合金元素物化特征与性能之间的关系，利用机器学习模型的初代预测和计算相图的二次设计，实现更优性能的高强导电铜合金体系和成分设计，提高新型高强导电铜合金尤其沉淀强化型合金的研发效率，为丰富高强导电铜合金体系、进一步提升铜合金性能，提供了广阔的空间和更大的可能。

附图说明

图1为本发明各实施例基于相图与机器学习耦合的双驱动模型对高强导电铜合金进行成分设计的实施过程。

图2为本发明实施例1中利用图计算软件Pandat中选择合金体系Cu-Co-Si得到相图计算结果的示例图。

图3为本发明实施例1中获取第三类特征数据集中的Co-Si金属间化合物形成能数据-OQMD开源数据库界面图。

图4为本发明各实施例中构建机器学习模型的程序框架图。

图5为本发明实施例2中利用训练成熟的机器学习模型对合金成分空间的最后一轮预测结果。

图6为本发明实施例2中步骤(6)中的候选合金Cu-Ti-Si在500℃下的相图。

具体实施方式

现在将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明中的一部分实施例，而不是全部的实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。实施例能够以多种方式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明更加全面和完整，并将示例实施方式全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其他的方法、组元、步骤等。在其他情况下，不详细示出或描述公知方法、实现或者操作以避免模糊本发明的各方面。

下面以具体的实施例对本发明做进一步地说明。

如图1所示为本发明各实施例中集成机器学习和计算相图对高强导电铜合金进行合金体系和成分设计的流程图。从图1中可以看到，本发明的集成机器学习和计算相图对高强高导电铜合金的设计包含两条路径，一条路径如图1中的方案1，该方案的设计内容包括合金体系的设计以及合金成分的设计；另一路径如图1中的方案2，该方案的设计内容为单一合金体系中的合金成分的设计。在实际运用中，根据设计需要，选择不同的路径进行高强高导电铜合金的设计。下面以具体实施例对本发明的高强高导电铜合金设计方法做更为详尽的阐述。

实施例1：

本实施例应用本发明的多组元高强高导电铜合金的设计方法，采用如图1中方案二的设计路径，集成机器学习和计算相图，设计出单一合金体系即Cu-Co-Si合金体系中最具综合潜力的几种铜合金成分及工艺条件。下面结合图1进行具体说明。

1.收集并处理数据，形成初始数据集：

通过收集历史数据、开放数据等，并经过一定数据处理，形成初始数据集。其中初始数据集由合金基础信息数据、合金特征数据以及合金性能数据三者共同组成。

其中，合金基础信息数据为：合金成分和工艺数据。具体的，合金成分数据为：合金中各种合金元素的含量；合金工艺数据包含温度及时间两组工艺参数。

合金性能数据包括合金的硬度或者抗拉强度，和导电率。

合金特征数据包含三类特征数据集，其中第一类特征数据集为相图特征数据集，包括合金中第二相和铜基体的各自比例，各种合金元素在铜基体中的含量及各种合金元素在第二相中的含量。该相图特征数据集通过计算相图获得。

合金特征数据包含的第二类特征数据集为交叉特征数据集，包括(a)各合金元素与铜基体相关联的物化特征系数因子，如合金元素在铜基体中的扩散系数因子、溶解度系数因子等，均为合金元素与铜基体相关联的物化特征系数因子、(b)合金中各合金元素单质特征因子，例如熔点、相对原子质量和热导率等。该交叉特征数据集通过收集合金中各元素的物化特性数据，以这些物化特性数据和上述合金基础信息数据为源数据，采用交叉计算获得。

合金特征数据包含的第三类特征数据集为合金体系化合物形成能数据集。该特征数据集与合金体系相关、合金中的具体成分的含量无关；该特征数据集包括合金中各合金元素化合形成金属间化合物及与铜形成金属间化合物的能力因子。其中，能力因子指：合金中各合金元素化合形成金属间化合物或与铜形成金属间化合物的形成能取平均则为所述能力因子。该第三类特征数据集通过在开放数据库中获取原始数据源，然后通过计算获得。

在本实施例中，旨在设计出单一合金体系即Cu-Co-Si合金体系中最具综合潜力的几种铜合金成分及工艺条件，因此构建的初始数据集包括含纯Cu、二元Cu-Co、Cu-Si和部分已有的Cu-Co-Si合金的基础信息数据、合金特征数据以及合金性能数据。在本实施例中，这些数据获取的具体方法如下所述。

1.1合金基础信息数据获取，即获取合金体系的合金成分和工艺数据，在本实施例中，包括Cu-Co-Si合金体系合金成分、时效温度和时效时间，这些数据来源于课题组多年的实验。本实施例中收集到的具体Cu-Co-Si合金体系的合金成分及工艺数据参见下面表1。

表1：实施例1的合金基础信息数据及合金性能数据表

1.2合金性能数据获取，即获取合金的硬度或者抗拉强度、和导电率，在本实施例中，包括Cu-Co-Si合金体系中的合金硬度和导电率，这些数据也来源于课题组多年的实验。本实施例中收集到的具体合金性能数据参见上面表1。

1.3合金特征数据获取：

1.3.1第一类特征数据集即相图特征数据集的获取，即获取合金中第二相和铜基体的各自比例、各种合金元素在铜基体中的含量及各种合金元素在第二相中的含量。本实施例中的相图特征数据集，通过相图计算软件Pandat获得。在相图计算软件Pandat中选择构成本实施例合金体系的合金元素Cu、Co、Si(如附图2所示)，得到相图计算结果，从该计算结果中获得该Cu-Co-Si合金体系的各种相种类及每种相含量及比例，得到各合金中第二相和铜基体的各自比例，以及各种合金元素在铜基体中的含量及各种合金元素在第二相中的含量。

1.3.2第二类特征数据集即交叉特征数据集的获取，即包括：(a)各合金元素Co、Si与铜基体相关联的物化特征系数因子，例如合金元素Co和Si在铜基体中的扩散系数因子、溶解度系数因子；(b)合金中各合金元素即Co和Si的单质特征因子，例如Si和Co的熔点、相对原子质量和热导率。具体获取方式如下。

本实施例中，首先，通过开源数据库收集合金中各元素Cu、Co和Si的物化特性数据，具体的，本实施例通过开源数据库WebElements(

表2：实施例1中的Cu-Co-Si合金体系中各金属元素的基础物化特性数据

接着，利用上面表2中的物化特性数据以及步骤1.1中获取的合金基础信息数据进行交叉计算，交叉计算数据包含：各合金元素Co、Si与铜基体相关联的物化特征系数因子、以及合金中各合金元素即Co和Si的单质特征因子。它们的计算公式分别为：

其中，采用公式(a)计算各合金元素与铜基体相关联的物化特征系数因子，采用公式(b)计算各合金元素的单质特征因子。

上面公式中，D

在本实施例中，更为具体的，比如：在上面所述的各合金元素与铜基体相关联的物化特征系数因子中，典型的代表为合金元素在铜中的扩散系数因子，其交叉计算采用上面公式(a)，这时公式(a)中：D

1.3.3第三类特征数据集即合金体系化合物形成能数据集的获取。获取数据包括合金中各合金元素化合形成金属间化合物及与铜形成金属间化合物的能力因子，即：合金中各合金元素化合形成金属间化合物及与铜形成金属间化合物的形成能取平均。

首先，通过在开放数据库中获取各合金元素形成金属间化合物的形成能的源数据。本实施例中，在开放数据库OQMD(The Open Quantum Materials Database,www.oqmd.org)中获取Cu-Co-Si合金体系中Cu-Co、Cu-Si、Co-Si形成各种金属间化合物的邢成能。如图3为在OQMD中获取Co-Si可形成的所有金属间化合物以及其对应的邢成能的界面图。

然后，对所获取的Cu-Co、Cu-Si、Co-Si形成各金属间化合物的邢成能取平均，得到能力因子。

1.4数据归一化处理

数据归一化的目的是消除不同合金基础信息数据和特征数据之间数量级差异导致的模型预测偏差。通过数据归一化处理将每列合金基础信息数据和合金特征数据转变为0-1之间的数值。

2.构建并训练机器学习模型

建立机器学习模型，并利用步骤1中的初始数据集训练出成熟的机器学习模型。构建机器模型时，可以通过软件编写构建或者选择现有的机器学习模型，总之机器学习模型在现有技术中能够以多种方式获得并实施，本发明的范例不应被理解是对本发明的技术方案的限制。训练机器学习模型时，其中初始数据集中的合金基础信息数据和合金特征数据作为机器学习模型的输入，合金性能数据作为机器学习模型的输出，通过选择机器学习模型中的算法和超参数设定确定了函数关系。

在本实施例中，发明人建构的机器学习模型，以Python语言为基础，在Spyder软件上编写，调用Sklearn机器学习工具包进行建模，模型使用支持向量机、高斯过程回归和神经网络等多种主流的监督学习算法。训练数据样本取样采用重复20次的5折交叉验证，模型超参数根据模型预测结果的均方误差进行优化。具体的，本实施例中，发明人构建的机器学习模型的程序框架如图4所示,主控程序主要包括:

b_data.py和b_features.py:完成初始数据集的输入；本实施例中步骤1获取的合金基础信息数据、合金特征数据为自变量，合金性能数据即硬度和导电率为因变量即目标变量。

b_algorithm.py：完成算法选择，利用自变量和因变量完成模型训练。这部分模型提供多种sklearn机器学习库中的监督学习算法的选择，挑选出模型误差最小的算法做为核心算法，如支持向量机、高斯过程回归或神经网络，用户可根据实际模型对各项的值进行设定和更改，创建重复N次实验的K折交叉验证，本实施例发明人设定了重复20次的5折交叉验证。

b_model.py：评估模型误差。在这部分程序中反馈模型拟合时间、训练误差和测试误差等评估性指标、完成机器学习模型的构建。训练集和测试集中每个样本的目标变量(本实施例为硬度或者导电率)实验真实值与模型预测值的偏差。模型误差以测试集样本误差为准，在本实施例中，测试集占数据库总样本量的20％，其余80％作为训练集。样本误差＝sqrt((每个样本的预测性能-实际性能)的平方和/样本总数)。

b_screening.py：完成合金特征的筛选。利用皮尔逊相关性筛选、自上而下的迭代筛选和穷举筛选剔除冗杂的特征并构建起成熟的机器学习模型,剔除的标准是模型的均方误差是否减小。

b_plt.py：该部分定义了画图大类，提供各种合金设计者所需要的机器学习模型构建过程中及构建后的数据可视化绘图工具。比如在b_model.py评估模型误差主程序执行时：绘制模型误差折线图，绘制目标变量的测试集真实值、测试集预测值、训练集真实值、训练集预测值，模型测试集误差、训练集误差和模型拟合时间对比图等。

3.建立三元合金体系Cu-Co-Si的合金成分空间。

本实施例中，设定Cu-Co-Si合金体系的合金成分空间为：Co和Si含量从0-2w.t％，梯度为0.1wt.％；时效温度为400-600℃，梯度为50℃；时效时间分别为15、30、60、120、240、480、960min。

4.利用成熟的机器学习模型预测合金的性能，并按照性能优劣进行排序。

利用成熟的机器学习模型预测上述设定的成分空间中的不同成分的合金在不同热处理条件(时效温度和时效时间)下的性能，利用多种评估方案进行排序。评估方案可以是某个性能最大值优先比如硬度最大值优先、导电率最大值优先，或者多个性能值综合评估最优比如硬度与导电率的乘积最大值优先、硬度与导电率是否达到设计目标等。

本实施例中利用上述步骤训练成熟的机器学习模型，预测了合金体系Cu-Co-Si成分空间中各合金不同工艺下(时效温度和时效时间)的性能，并利用硬度与导电率的乘积最大值优先原则进行排序。例如：A1合金的导电率为60％IACS，硬度为180HV,则该合金性能系数为60*180＝10800；A2合金的导电率为50％IACS，硬度为210HV,性能系数则为10500，综合来看前者更具挖掘潜力。

5.根据Cu-Co-Si合金计算相图，利用最大相信息化的原则第二次进行合金成分的细化设计。本实施例采用Pandat软件计算相图，将步骤4中排序在前的合金的具体成分，按照最大相信息化的原则即在相图中选取多个区域(相组成不同)内的不同合金成分作为候选合金。

6.通过文献数据求证或者实验验证获得候选合金的实际性能值，判定步骤5中的候选合金的预测性能与实际性能值(即文献数据或者实验验证数据)的误差是否符合预设精度，若是，则设计完成；若否，则将候选合金实际性能值放入步骤1中的初始数据集并重新训练机器学习模型，即重复步骤1-6。

其中，本实施例设定的预设精度为：候选合金的预测性能与文献或实验结果获得的实际性能值之间的均方误差是否已达到10％以内。

在本实施例中，设计结束后，得到3种最具综合潜力Cu-Co-Si合金成分和工艺条件，如下表3所示。

表3：实施例1中Cu-Co-Si合金体系合金成分设计完成获得的最具综合潜力的三种铜合金成分及工艺条件

实施例2：

本实施例应用本发明的多组元高强高导电铜合金的设计方法，采用如图1中方案一的设计路径，结合机器学习和计算相图，设计出多种三元合金体系中最具综合潜力的几种铜合金成分及工艺条件。下面结合图1进行具体说明。

(1)收集并整理含纯Cu、二元(如Cu-Cr)、三元(如Cu-Co-Si、Cu-Fe-Ti)及更多元的沉淀强化型铜合金的性能数据和合金基础信息数据(包含各种合金元素的质量百分数以及换算后的原子百分数、温度及时间两组工艺参数，以及这些合金的导电率和硬度两种性能数据)，具体合金成分、工艺及性能数据参见下面表4。这些数据主要来源于本实验室已有的铜合金实验数据及公开的文献数据。从数据表4可以看到，本实施例设计的合金体系涉及到的金属元素包括Co、Si、Ti、Fe、Cr、Zr六种合金元素构成的铜合金体系。

表:4：实施例2中收集各铜合金的合金基础数据和性能数据表

(2)收集并利用交叉计算获得合金特征数据，并完成合金基础信息数据和合金特征数据的归一化。具体实施方法与实施例1中步骤1中相应的步骤一样，在此不再赘述。

(3)利用初始数据集训练出成熟的机器学习模型。本实施例与实施例1一样，建构的机器学习模型以Python语言为基础，在Spyder软件上编写，调用Sklearn机器学习工具包进行建模，模型使用支持向量机、高斯过程回归和神经网络等多种主流的监督学习算法。训练机器学习模型时，合金基础信息数据、合金特征数据为自变量，合金性能数据即硬度和导电率为因变量即目标变量。数据样本取样采用重复20次的五折交叉验证，模型超参数根据模型预测结果的均方误差进行优化。

(4)与实施例1中在单一的合金体系中进行成分设计不同，本实施例还涉及到合金体系的设计，因此，本步骤中，首先需要建立合金体系、再进行各合金体系的成分空间设定。

如初始数据集所体现的，本实施例设计的合金体系涉及到的金属元素包括Co、Si、Ti、Fe、Cr、Zr六种合金元素构成的铜合金体系，因此，可以设计建立的合金体系是基于这6种合金元素与铜基体形成的二元、三元、四元等多元合金体系。在本实施例中，仅针对三元合金体系，建立了Co、Si、Ti、Fe、Cr、Zr六种合金元素与铜构成的所有三元铜基合金体系以及它们的成分空间。其中成分空间的构建为：每种三元合金中除了Cu之外的合金元素含量从0-初始数据基中该元素含量上限值，梯度为0.1wt.％；时效温度为400-600℃，梯度为50℃；时效时间分别为15、30、60、120、240、480、960min。

(5)利用步骤(3)训练成熟的机器学习模型预测各三元合金体系中不同的成分空间在不同工艺(时效温度和时效时间)下的性能，并利用硬度最大值优先原则进行这些三元合金的排序。例如：A1系列合金的硬度峰值为180HV,A2系列合金的硬度峰值为210HV,则A2系列合金排序在前。

如图5为本实施例利用训练成熟的机器学习模型对合金体系及所对应的成分空间的进行最后一轮预测的预测结果，其中箱型图的箱体上下边缘分别是1/4分位线(即数据按照大小排列后排在第1/4和第3/4位置的数据)，箱型线的最上和最下两条线代表着数据的最大和最小值。箱体中横线代表中位线，小正方形代表平均值线。由预测结果可知导电率潜力最大的两种合金体系为：Cu-Co-Si和Cu-Co-Ti，硬度潜力最大的两种合金体系为：Cu-Ti-Si和Cu-Co-Si。

(6)再次利用相图计算软件即Pandat软件，选择上述排序在前的合金体系以及其具体合金成分，计算出对应的合金相图、并利用最大相信息化的原则第二次进行合金成分二次设计，即在相图中选取多个区域(相组成不同)内的不同合金成分作为候选合金。例如，步骤(5)中预测出Cu-0.4Ti-0.2Si在500℃的时效温度下的硬度峰值最大，因此在该候选合金的同一相图中，我们以该成分为核心探索不同相组成的合金成分，例如参考在图6的Cu-Ti-Si在500℃下的相图中：合金成分包含不同相组成区域，Cu-0.4Ti-0.3Si为CuSiTi和Fcc两相，Cu-0.4Ti-0.2Si为CuSiTi、Fcc和Si4Ti5三种相，Cu-0.4Ti-0.1Si和Cu-0.7Ti-0.2Si都是Fcc和Si4Ti5两种相，Cu-1.0Ti-0.2Si为Cu4Ti、Fcc和Si4Ti5三种相，则在该相图(图6中)中的Cu-0.4Ti-0.3Si、Cu-0.4Ti-0.2Si、Cu-0.4Ti-0.1Si、Cu-0.7Ti-0.2Si以及Cu-1.0Ti-0.2Si均作为候选合金。

(7)根据公开文献的数据或者实验验证数据，判定候选合金的预测性能与实际性能值的误差是否符合预设精度，若是，则设计完成；若否，则将候选合金实际性能放入初始数据集并重新训练机器学习模型即重复步骤(1)-(7)。其中预设精度为10％以内。

在本实施例中，设计结束后，得到3种具备硬度潜力的三元铜合金成分和工艺条件如下面表5中所示，

表5：实施例2设计获得的最佳硬度潜力的Cu-Ti-Si合金成分及工艺数据