本发明涉及金属基复合材料，特别是涉及一种基于机器学习的高模量镁基复合材料的设计方法。
背景技术：
1、镁及其合金具有密度低、比强度高、导热性好等优点，因此在汽车、医疗设备、航空航天和电子器件等领域具有巨大的潜力。然而，镁及其合金的应用受到一些限制，如弹性模量低、蠕变耐磨性能差、耐腐蚀性差等问。特别是弹性模量低的缺陷，对于航天卫星用大型薄壁支架具有稳定性和减重的双重迫切需求，镁合金的模量低成为该结构件性能提升的卡脖子问题。
2、弹性模量主要取决于分子间的结合力，为了提高镁的弹性模量，在镁基体中引入某种元素，这些成分可以改变相邻原子之间的相互作用。通过在镁基体中添加特定的合金元素如al、li、ge、pb、si、ag、zn等和稀土元素制备镁合金，使合金中产生高模量析出相，可以在合金中形成第二相强化，同时有效提高镁合金弹性模量。尽管合金中的第二相具有十分高的模量，不过镁合金弹性模量的提升却十分有限，这可能跟镁合金中的添加元素有关，由于所用的合金元素通常是非无限固溶体元素，它们在镁合金体系中的含量较低，从而在合金中产生较低的第二相含量。同时，镁合金中所形成的第二相的弹性模量普遍比复合材料增强体的模量要小，这也导致镁基复合材料弹性模量要由于镁合金。
3、弹性模量是镁基复合材料的重要力学性能指标之一，对其强度和刚度等综合性能有重要影响。材料基因工程技术应用越来越广泛，传统的材料设计方法通常依赖于试错实验，需要大量的试验和测试才能找到最佳的材料组合。然而，这种方法成本高、时间长，并且存在试错的不确定性。
4、机器学习旨在从海量数据中挖掘出影响材料性能的关键因素及特征，从而高效精确的设计新材料。
5、综上所述，对于镁基复合材料模量的提升的机器学习方法有待研究。
技术实现思路
1、为了克服现有技术的不足，本发明的目的是提供一种基于机器学习的高模量镁基复合材料的设计方法。
2、为实现上述目的，本发明提供了如下方案：
3、一种基于机器学习的高模量镁基复合材料的设计方法，包括：
4、对获取到的镁基复合材料的相关数据进行数据预处理，以构建机器学习的样本数据集；
5、在所述样本数据集中进行特征筛选，得到相关特征数据集；
6、基于机器学习算法，根据所述相关特征数据集构建预测模型；
7、将待测数据输入值所述预测模型中进行参数组合的迭代寻优，得到最优设计参数。
8、优选地，所述对获取到的镁基复合材料的相关数据进行数据预处理，以构建机器学习的样本数据集，包括：
9、对所述相关数据进行数据清洗、异常值删除、空缺值填补和归一化处理，得到所述样本数据集；所述归一化处理的公式：其中，x′pi为相关数据的第i个同种变量在归一化后的数值，xpi为相关数据的第i个同种变量的原始数值，min{x}为相关数据中同种变量的最小值，max{x}为相关数据中同种变量的最大值。
10、优选地，所述样本数据集包括增强体数据、制备参数和弹性模量数据。
11、优选地，所述相关特征数据集包括：增强体的含量、增强体的尺寸、搅拌速度、搅拌时间和搅拌温度。
12、优选地，所述预测模型的构建方法包括：
13、构建多目标分割的机器学习模型；
14、分别根据所述相关特征数据集对所述多目标检测的机器学习模型进行训练，得到训练好的多个分类器；所述分类器的个数与相关特征数据集中的特征种类数相同；
15、分别利用各所述分类器识别相关特征数据集，得到各个识别精度集合；
16、选择识别精度集合中精度最大的数据作为训练阈值数据，并对另外的所述识别精度集合对应的分类器进行再次训练，以使各个分类器的分类的置信度大于或等于所述训练阈值数据，最终将训练好的分类器进行级联，得到分类网络；
17、在所述分类网络后连接训练好的lstm神经网络，得到所述预测模型。
18、优选地，将待测数据输入值所述预测模型中进行参数组合的迭代寻优，得到最优设计参数，包括：
19、初始化参数组合的初始值；
20、根据当前参数组合，预测复合材料的模量并计算适应度函数值；
21、检查适应度函数值是否预设要求，若是则停止迭代，得到最优解；若否，根据算法的更新规则更新参数组合的值并返回步骤“根据当前参数组合，预测复合材料的模量并计算适应度函数值”，继续迭代直到找到最优解。
22、优选地，还包括：
23、利用决定系数，并采用平均误差和均方根误差对所述预测模型进行评估。
24、优选地，将待测数据输入值所述预测模型中进行参数组合的迭代寻优，得到最优设计参数之后，还包括：
25、利用实验过程对所述最优设计参数进行实验验证。
26、优选地，所述实验过程的步骤包括：
27、将氧化铝颗粒进行球磨预处理；
28、将氧化铝颗粒与mg粉进行混合并进行预处理；
29、在co2+sf6气氛下将镁合金基体在720℃下完全熔化；
30、降到580-630℃加入al2o3预制块后进行半固态搅拌；搅拌速度为500-100rpm，搅拌时间为5-20min；
31、将熔体加热到700℃进行超声分散处理，并加热到720℃并保持5min，并将复合材料进行浇铸；
32、在镁合金金属块上喷洒rj-2精炼剂，整个熔炼过程在co2+sf6比例99：1气氛下进行。
33、根据本发明提供的具体实施例，本发明公开了以下技术效果：
34、本发明提供了一种基于机器学习的高模量镁基复合材料的设计方法，包括：对获取到的镁基复合材料的相关数据进行数据预处理，以构建机器学习的样本数据集；在所述样本数据集中进行特征筛选，得到相关特征数据集；基于机器学习算法，根据所述相关特征数据集构建预测模型；将待测数据输入值所述预测模型中进行参数组合的迭代寻优，得到最优设计参数。本发明通过构建模型和算法，机器学习可以提供高效的计算实验方法，这样不仅可以减少试错实验的成本和时间，还能够更精确地预测材料性能和行为，并为材料设计提供宝贵的参考和指导。
1.一种基于机器学习的高模量镁基复合材料的设计方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，所述对获取到的镁基复合材料的相关数据进行数据预处理，以构建机器学习的样本数据集，包括：
3.根据权利要求1所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，所述样本数据集包括增强体数据、制备参数和弹性模量数据。
4.根据权利要求1所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，所述相关特征数据集包括：增强体的含量、增强体的尺寸、搅拌速度、搅拌时间和搅拌温度。
5.根据权利要求1所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，所述预测模型的构建方法包括：
6.根据权利要求1所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，将待测数据输入值所述预测模型中进行参数组合的迭代寻优，得到最优设计参数，包括：
7.根据权利要求1所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，还包括：
8.根据权利要求1所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，将待测数据输入值所述预测模型中进行参数组合的迭代寻优，得到最优设计参数之后，还包括：
9.根据权利要求8所述的基于机器学习的高模量镁基复合材料的设计方法，其特征在于，所述实验过程的步骤包括：
