2、高熵合金屈服强度预测的新数据转换与重采样方法

高熵合金屈服强度预测的新数据转换与重采样方法

1. 引言

高熵合金（HEAs）通常由四种或更多主要元素以接近相等的原子浓度（通常在 5% 到 35% 之间）混合而成，这与传统合金只有一种主要元素且其他元素原子浓度低得多的情况不同。HEAs 具有高强度、出色的耐腐蚀和耐磨性能以及良好的热稳定性。

屈服强度是 HEAs 的重要力学性能，它代表了 HEA 在开始永久变形之前所能承受的应力。由于 HEAs 的成分众多，材料科学家设计具有所需性能（包括屈服强度）的 HEAs 具有很大难度。因此，构建预测模型以缩小可能具有所需性能的 HEAs 的搜索空间受到了广泛关注。预测模型主要分为三类：第一性原理计算、机器学习以及两者的结合。

以往的研究主要集中在特定类型的 HEAs，且直接使用常见预测因子（如价电子浓度、电负性差异等）和屈服强度，未应用数据转换或重采样技术。本文提出了一种不同的方法，在使用相同物理量作为预测因子的基础上，对 HEA 数据集进行转换和重采样，然后构建多元线性回归模型和机器学习模型进行预测，这些模型在转换和重采样后的数据集上表现更好。

2. 数据描述

从 Gorsse 等人的论文及其勘误中收集了两个 HEAs 屈服强度数据集。本文仅使用第一个数据集，该数据集以表格形式呈现，包含 377 个在室温下测量的 HEAs 屈服强度和/或相的观测值，涉及 328 种 HEAs。其中，有 199 个观测值来自 177 种 HEAs，这些观测值的屈服强度和相值均不为空，将这 199 个观测值组成的集合记为 YS1 数据集。

YS1 数据集的列（或变量）包含 HEA 成分（或化学式）、出版物参考、相、密度、硬度值、测试类型、屈