پیش بینی فاز و ساختار کریستالی آلیاژهای آنتروپی بالا (HEA) توسط ویژگی های ترمودینامیکی و پیکربندی به کمک مدلهای یادگیری ماشین

پیش بینی خواص و ساختار آلیاژهای انتروپی بالا (HEA)، که ترمودینامیک چندجزئی چندفازی دارند، باروشهای رایج محاسبات ترمودینامیکی فازها مشکل است. در این مطالعه، عملکرد ۸ مدل یادگیری ماشین برایپیش بینی فاز و ساختار بلوری آلیاژهای آنترو پی بالا آزموده شد. مجموعه داده شامل ۹۲۹ نمونه (برا ی فاز) و ۵۵۵نمونه )برای ساختار بلوری( با پنج ویژگی آنتالپی مخلوط (ΔH(Mix، آنتروپی مخلوط (ΔS(Mix، غلظت الکترون ظرفیت VEC، اختلاف اندازه اتمی δ و اختلاف الکترونگاتیویته (Δ(X گردآوری و پردازش شد. مدل جنگل تصادفی (RF) با صحت ۸۰/۹۸% پیش بینی فاز و ۸۰/۷۳% پیشبینی ساختار بلور بهترین عملکرد را داشت. پس از تنظیم ابرپارامترها، مدل ماشین بردار پشتیبان (SVM) صحت ۸۳/۱۵% برای پیش بینی فاز و ۸۰/۷۴% برای پیش بینی ساختار کریستالی را نشان داد. ویژگی δ و VEC به ترتیب بیشترین تاثیر را در پیش بینی فاز و ساختار کریستالی داشتند. مدلهای یادگیری ماشین عملکرد خوبی نشان دادند و می توانند به بهبود دقت و سرعت پیش بینی فاز و ساختار کریستالی آلیاژهای آنتروپی بالا کمک کنند.