基于机器学习的H型钢力学性能与成分优化研究

I(论文)摘 要H 型钢是一种高效节约、截面设计合理、具有良好的综合性能的结构用钢，其在各种民用和工业建筑、铁路和桥梁等建设中应用十分广泛。近年来随着制造业和经济的快速发展，新材料产品研发速度越来越滞后于新材料研发速度，主要依据研究者的科学直觉和大量重复传统的“尝试法”实验研究方法已经难以满足工程材料快速发展的需求，因此为了缩短新材料从发现到工程应用的研发周期，高通量技术和机器学习开始逐步在材料领域内发展。本工作将机器学习与 H 型钢成分优化相结合，从而达到缩短 H 型钢新产品研发周期的目标。本工作利用粒子群算法(PSO)进行超参数优化，采用支持向量回归(SVR)、随机森林(RandomForest，RF)、Bagging、XGBoost 四种机器学习算法对 H 型钢的屈服强度(YS)、抗拉强度(TS)和延伸率(EL)进行回归预测，并筛选出性能最佳的一种模型进行后续的分析和基于 PSO 算法的成分优化算法。根据本工作的研究结果，XGBoost 模型为预测 H 型钢三种性能的最佳模型，并以其为基础采用 SHAP 进行分析以及完成基于 PSO 和 XGBoost 模型的成分优化算法。由于本工作只采用了成分的质量分数和碳当量作为输入，因此预测准确度有些差强人意，但是其仍然显著优于传统的普通最小二乘法(OLS)，同时 XGBoost 模型和成分优化算法在设计时预留了加入工艺参数以及其他参数的空间，因此其可以有针对 H 型钢预测更加准确的潜力和更广泛的应用II(论文)Study on mechanical properties and composition optimization of H-beam based on machine learningAbstract H-beam is a kind of structural steel with high efficiency, reasonable section design and good comprehensive performance.It is widely used in various civil and industrial buildings, railways and bridges.In recent years, with the rapid development of manufacturing industry and economy, the effect of new material product R & D speed lagging behind the new material R & D speed is more and more significant. The traditional research methods, which are mainly based on the scientific intuition of researchers and a large number of repeated "trial method" experiments, have been difficult to meet the needs of th...