长沙理工大学团队在《机械工程材料》2025 年第 8 期发表《基于特征工程和机器学习的高熵合金相结构预测》，基于 788 个高熵合金数据集，经特征工程筛选 9 个核心特征，采用标准差标准化预处理与随机森林算法，构建相结构预测模型。模型预测金属间化合物、无定形相、面心立方相、体心立方相的精度分别为 95%、89%、88%、90%，复合相预测精度约 76%，总体精度优异，为高熵合金精准设计提供高效工具。

高熵合金的相结构直接决定其强度、耐腐蚀性等核心性能，是材料研发的关键。但传统 “试错法” 探索相结构不仅耗时耗力，还难以应对其庞大的成分设计空间。长沙理工大学团队在《机械工程材料》发表研究，通过特征工程与机器学习结合，构建高效相结构预测模型，将高熵合金相结构预测从 “盲目实验” 推向 “精准设计”，大幅缩短研发周期。

一、高熵合金相结构预测的 “传统困境”

高熵合金由多种主元元素组成，相结构复杂多样，主要包括面心立方（FCC）、体心立方（BCC）、金属间化合物（IM）、无定形相（AM）及多种复合相，其预测面临多重挑战：

成分组合庞大：多种元素的比例变化形成海量成分空间，传统实验无法全面覆盖；

影响因素复杂：原子半径、混合焓、价电子浓度等多个物理化学参数共同决定相结构，相互作用规律难以通过经验公式量化；

复合相预测难：单相结构相对易表征，但 FCC+BCC、BCC+IM 等复合相因数据稀缺，传统方法预测精度极低。

二、机器学习 + 特征工程：精准预测的 “双引擎”

研究团队通过系统的特征工程与算法优化，构建高精度预测模型，核心流程如下：

2.1 数据与特征工程：筛选核心影响因子

数据集构建：从文献中收集 1152 个高熵合金数据，经筛选去除不合理及冗余数据，最终保留 788 个有效数据集，涵盖 7 类相结构（FCC、BCC、IM、AM 及 3 种复合相）；

特征筛选：总结 13 个潜在特征参数（如平均原子半径、混合焓、价电子浓度等），通过皮尔逊相关系数法排除冗余，再用 “去除特征法” 确定特征重要性排序；

13个相结构预测特征的皮尔逊相关系数热力图

删除单个特征后模型的精度变化

核心特征集：综合精度与效率，最终选取 9 个关键特征，按重要性排序为：熔点标准差、价电子浓度标准差、原子半径差、混合熵、合金组成元素熔点平均值、价电子浓度、混合焓、电负性差、平均原子半径。

模型精度随输入特征数量的变化曲线

核心特征计算公式示例：

原子半径差：

其中，c_i为元素摩尔分数，r_i为元素原子半径，r为平均原子半径；

混合熵：

其中，R为气体常数；

价电子浓度：

其中，V_ECi为元素价电子浓度。

2.2 模型优化：确定最佳算法与预处理方法

预处理对比：测试正则化、稳健标准化、极差归一化、标准差标准化 4 种方法，发现标准差标准化对模型精度提升最显著；

标准差标准化 / 正则化等 4 种预处理方法下 RF/SVM/KNN 模型的精度对比

算法筛选：对比随机森林（RF）、支持向量机（SVM）、最近邻回归（KNN）3 种算法，通过 10 次 5 折交叉验证，确定随机森林算法表现最优，在标准差标准化预处理下精度超 85%；

模型构建：以 9 个核心特征为输入，经标准差标准化预处理，基于随机森林算法构建最终预测模型。

三、预测结果：单相精度超 88%，泛化能力优异

模型对 7 类相结构的预测精度柱状图

模型对不同相结构的预测精度表现亮眼：

单相结构预测：金属间化合物（IM）预测精度最高达 95%，体心立方相（BCC）90%，无定形相（AM）89%，面心立方相（FCC）88%，均展现出极高的预测可靠性；

复合相预测：面心立方 + 体心立方（FCC+BCC）、体心立方 + 金属间化合物（BCC+IM）复合相预测精度约 76%，虽略低于单相，但考虑到复合相数据集稀缺（仅 49 个、44 个样本），仍验证了模型的强泛化能力；

关键发现：数据集规模与特征质量共同影响预测精度，熔点相关特征对金属间化合物形成的预测尤为关键，这与金属间化合物的形成机理高度契合。

四、应用价值：加速高熵合金研发进程

该模型的落地将为高熵合金研发带来革命性改变：

缩短研发周期：无需大量实验，输入元素组成即可快速预测相结构，将研发周期从数年缩短至数天；

降低研发成本：减少无效实验投入，精准锁定具有目标相结构的成分范围，降低材料制备与测试成本；

拓展应用场景：可广泛应用于航空航天、生物医疗、工业制造等领域的高熵合金设计，助力开发具有特定性能的新型材料。

五、总结：AI 赋能材料研发的新范式

特征工程与随机森林结合的预测模型，核心优势在于 “精准筛选特征 + 高效算法建模”，实现了高熵合金相结构的快速精准预测。其 95% 的单相预测精度、76% 的复合相预测精度，不仅解决了传统方法的效率与精度痛点，更为材料科学领域的 “数据驱动设计” 提供了典范。未来，随着数据集的持续扩充与算法的迭代优化，有望实现更复杂相结构的精准预测，推动高熵合金在更多高端领域的应用。

---

原文链接：https://jxgccl.mat-test.com/article/doi/10.11973/jxgccl240261

长沙理工大学团队在《机械工程材料》2025 年第 8 期发表《基于特征工程和机器学习的高熵合金相结构预测》，基于 788 个高熵合金数据集，经特征工程筛选 9 个核心特征，采用标准差标准化预处理与随机森林算法，构建相结构预测模型。模型预测金属间化合物、无定形相、面心立方相、体心立方相的精度分别为 95%、89%、88%、90%，复合相预测精度约 76%，总体精度优异，为高熵合金精准设计提供高效工具。

高熵合金的相结构直接决定其强度、耐腐蚀性等核心性能，是材料研发的关键。但传统 “试错法” 探索相结构不仅耗时耗力，还难以应对其庞大的成分设计空间。长沙理工大学团队在《机械工程材料》发表研究，通过特征工程与机器学习结合，构建高效相结构预测模型，将高熵合金相结构预测从 “盲目实验” 推向 “精准设计”，大幅缩短研发周期。

一、高熵合金相结构预测的 “传统困境”

高熵合金由多种主元元素组成，相结构复杂多样，主要包括面心立方（FCC）、体心立方（BCC）、金属间化合物（IM）、无定形相（AM）及多种复合相，其预测面临多重挑战：

成分组合庞大：多种元素的比例变化形成海量成分空间，传统实验无法全面覆盖；

影响因素复杂：原子半径、混合焓、价电子浓度等多个物理化学参数共同决定相结构，相互作用规律难以通过经验公式量化；

复合相预测难：单相结构相对易表征，但 FCC+BCC、BCC+IM 等复合相因数据稀缺，传统方法预测精度极低。

二、机器学习 + 特征工程：精准预测的 “双引擎”

研究团队通过系统的特征工程与算法优化，构建高精度预测模型，核心流程如下：

2.1 数据与特征工程：筛选核心影响因子

数据集构建：从文献中收集 1152 个高熵合金数据，经筛选去除不合理及冗余数据，最终保留 788 个有效数据集，涵盖 7 类相结构（FCC、BCC、IM、AM 及 3 种复合相）；

特征筛选：总结 13 个潜在特征参数（如平均原子半径、混合焓、价电子浓度等），通过皮尔逊相关系数法排除冗余，再用 “去除特征法” 确定特征重要性排序；

13个相结构预测特征的皮尔逊相关系数热力图

删除单个特征后模型的精度变化

核心特征集：综合精度与效率，最终选取 9 个关键特征，按重要性排序为：熔点标准差、价电子浓度标准差、原子半径差、混合熵、合金组成元素熔点平均值、价电子浓度、混合焓、电负性差、平均原子半径。

模型精度随输入特征数量的变化曲线

核心特征计算公式示例：

原子半径差：

其中，c_i为元素摩尔分数，r_i为元素原子半径，r为平均原子半径；

混合熵：

其中，R为气体常数；

价电子浓度：

其中，V_ECi为元素价电子浓度。

2.2 模型优化：确定最佳算法与预处理方法

预处理对比：测试正则化、稳健标准化、极差归一化、标准差标准化 4 种方法，发现标准差标准化对模型精度提升最显著；

标准差标准化 / 正则化等 4 种预处理方法下 RF/SVM/KNN 模型的精度对比

算法筛选：对比随机森林（RF）、支持向量机（SVM）、最近邻回归（KNN）3 种算法，通过 10 次 5 折交叉验证，确定随机森林算法表现最优，在标准差标准化预处理下精度超 85%；

模型构建：以 9 个核心特征为输入，经标准差标准化预处理，基于随机森林算法构建最终预测模型。

三、预测结果：单相精度超 88%，泛化能力优异

模型对 7 类相结构的预测精度柱状图

模型对不同相结构的预测精度表现亮眼：

单相结构预测：金属间化合物（IM）预测精度最高达 95%，体心立方相（BCC）90%，无定形相（AM）89%，面心立方相（FCC）88%，均展现出极高的预测可靠性；

复合相预测：面心立方 + 体心立方（FCC+BCC）、体心立方 + 金属间化合物（BCC+IM）复合相预测精度约 76%，虽略低于单相，但考虑到复合相数据集稀缺（仅 49 个、44 个样本），仍验证了模型的强泛化能力；

关键发现：数据集规模与特征质量共同影响预测精度，熔点相关特征对金属间化合物形成的预测尤为关键，这与金属间化合物的形成机理高度契合。

四、应用价值：加速高熵合金研发进程

该模型的落地将为高熵合金研发带来革命性改变：

缩短研发周期：无需大量实验，输入元素组成即可快速预测相结构，将研发周期从数年缩短至数天；

降低研发成本：减少无效实验投入，精准锁定具有目标相结构的成分范围，降低材料制备与测试成本；

拓展应用场景：可广泛应用于航空航天、生物医疗、工业制造等领域的高熵合金设计，助力开发具有特定性能的新型材料。

五、总结：AI 赋能材料研发的新范式

特征工程与随机森林结合的预测模型，核心优势在于 “精准筛选特征 + 高效算法建模”，实现了高熵合金相结构的快速精准预测。其 95% 的单相预测精度、76% 的复合相预测精度，不仅解决了传统方法的效率与精度痛点，更为材料科学领域的 “数据驱动设计” 提供了典范。未来，随着数据集的持续扩充与算法的迭代优化，有望实现更复杂相结构的精准预测，推动高熵合金在更多高端领域的应用。

---

原文链接：https://jxgccl.mat-test.com/article/doi/10.11973/jxgccl240261