ИСПОЛЬЗОВАНИЕ ЭВОЛЮЦИОННОГО АЛГОРИТМА И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРЕДСКАЗАНИЯ ДЕФОРМАЦИИ ДО РАЗРУШЕНИЯ ВЫСОКОЭНТРОПИЙНЫХ СПЛАВОВ Объектом исследования являются высокоэнтропийные сплавы на основе системы Al-Cr-Nb-Ti-V-Zr. Цель работы: разработка моделей искусственного интеллекта (классического машинного обучения и глубокого обучения) с использованием эволюционного алгоритма для предсказания деформации до разрушения высокоэнтропийных сплавов. Задачи работы: 1).Построение и сбор базы данных о высокоэнтропийных сплавах. 2).Расчёт признаков потенциально влияющих на пластичность. 3).Определение набора признаков для определения оптимальной конфигурации, путём эволюционного поиска. 4).Построение моделей машинного обучения для прогнозирования пластичности высокоэнтропийных сплавов. 2 Актуальность темы исследования • Высокая стоимость механических испытаний • Подбор подходящих материалов методом проб и ошибок • Большое композиционное пространство составов Создание обучающего набора данных Для обучения и проверки работы методов машинного обучения использовалось 153 сплава. Выборка случайным образом была разбита на обучающую и валидационную часть в пропорции 80/20 % соответственно. Блок схема для нахождения оптимальной конфигурации признаков из возможного набора величин для прогнозирования деформации до разрушения высокоэнтропийных сплавов Выбор и расчёт признаков Набор признаков, влияющих на целевое свойство: 1. Правила Юм-Розери 2. Термодинамические параметры 3. Закон Гольдшмидта Результаты выбора признаков Тестовые сплавы Химический состав тестовых сплавов и их пластичность Al Cr Nb Ti V Zr δпр,% δ, % 15 11 6 37 20 11 1 8 11 7 25 50 14 11 - 3 14 13 23 22 26 2 12 12 12 1 22 31 20 14 10 7 Структура ИНС Архитектуры нейронной сети с 1, 2 и 3 скрытыми слоями, которые содержат одинаковое число нейронов в диапазоне от 10 до 30. В качестве функции активации для скрытых слоёв была использована ReLu функция, а выходная функция – сигмовидная функция активации. 9 Метод обучения нейронной сети 10 Корреляционные кривые 2 — слоя по 14 нейронов в каждом скрытом слое 3 3 — слоя по 12 нейронов в каждом скрытом 3 3м слое