申请/专利权人：上海大学;云南锡业集团(控股)有限责任公司研发中心

申请日：2022-07-13

公开（公告）日：2023-02-07

公开（公告）号：CN115700574A

主分类号：G06F30/27

分类号：G06F30/27;G06N20/00;G06F18/23213;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.04.07#实质审查的生效;2023.02.07#公开

摘要：本发明公开了一种聚类筛选后自适应机器学习辅助设计无铅锡基焊料合金的方法，先收集获取无铅锡基焊料合金的材料数据建立数据集；再使用k‑means聚类方法对力学性能聚类，剔除性能较差的簇，把样本分类；将不同类别的合金成分和其特征筛选后的原子特征作为输入，其力学性能作为输出；建立单目标机器学习模型；对于每种机器学习模型采用留一交叉验证法和皮尔逊指数R作为机器学习模型精度指标，对于每种不同的力学性能，选取皮尔逊指数R最大的机器学习模型；对于收集到的无铅锡基合金成分数据做内差和正交排列组合，作为虚拟样本；最后将虚拟样本输入到机器学习模型中，得出力学性能预测值，根据预测值优选出性能优异的合金成分，实现辅助设计合金。

主权项：1.一种聚类筛选后自适应机器学习辅助设计无铅锡基焊料合金的方法，其特征在于，所述方法包括如下步骤：步骤S1:收集获取无铅锡基焊料合金的材料数据，建立基础数据集；步骤S2:使用k-means聚类方法对力学性能聚类，以不同力学性能数据的乘积作为综合目标性能数据，以每簇均值的综合性能参数作为评价该簇的力学性能指标，取其中综合性能优良的簇，剔除综合性能差的簇；再使用k-means聚类方法对合金成分聚类，把样本分为至少两个类别；步骤S3:使用合金成分构造原子特征，对原子特征进行高相关滤波和特征筛选，将不同类别样本的合金成分和筛选后的原子特征作为输入数据，其力学性能数据作为输出数据；步骤S4:使用12种不同的算法分别建立单目标机器学习模型，对于每种机器学习模型采用留一交叉验证法和皮尔逊指数R作为机器学习模型精度指标，对于每种不同的力学性能，选取皮尔逊指数R最大的机器学习模型；步骤S5:对于收集到的无铅锡基合金成分数据做内差和正交排列组合，作为虚拟样本，将虚拟样本输入到机器学习模型中，得出力学性能预测值，根据预测值进行合金成分筛选，从而实现合金参数的设计。

全文数据：

权利要求：

百度查询： 上海大学;云南锡业集团(控股)有限责任公司研发中心 聚类筛选自适应机器学习辅助设计高可靠性无铅锡基焊料合金的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD