圖1.9Cr數(shù)據(jù)集中的特征9Cr數(shù)據(jù)分析中考慮的合金特征。1/2組是原始實(shí)驗(yàn)數(shù)據(jù)，3/4組是計(jì)算的合成合金特征。該數(shù)據(jù)集涵蓋了從室溫到800°C的數(shù)據(jù)，溫度旁邊的括號(hào)中的值表示每個(gè)溫度下的數(shù)據(jù)點(diǎn)數(shù)

圖2.基于相關(guān)性分析的機(jī)器學(xué)習(xí)準(zhǔn)確性。以原始實(shí)驗(yàn)數(shù)據(jù)（成分，處理和測試條件以及PAGS）為函數(shù)的五個(gè)訓(xùn)練過的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機(jī)森林；SVM支持向量機(jī)）的準(zhǔn)確性 整個(gè)9Cr數(shù)據(jù)集中排名最高的要素的數(shù)量。每個(gè)模型的超參數(shù)最多可進(jìn)行150次迭代以獲得最佳參數(shù)。每個(gè)模型接受十次訓(xùn)練以確定平均準(zhǔn)確度及其標(biāo)準(zhǔn)偏差。

圖3.不同溫度下子集數(shù)據(jù)的相關(guān)性分析。所有特征（組成，加工和測試條件，微觀結(jié)構(gòu)和相變溫度，請(qǐng)參見表1）與選定代表溫度下的屈服強(qiáng)度之間的相關(guān)性分析結(jié)果。給出了200°C（低溫），550°C和650°C（中至高溫）以及750°C（高于使用溫度）的45個(gè)特征中前10個(gè)和后10個(gè)特征的相關(guān)系數(shù)。

圖4.各個(gè)溫度子數(shù)據(jù)集的ML性能。根據(jù)MIC和b PCC分析得出的經(jīng)過訓(xùn)練的ML模型（以隨機(jī)森林為例）的精度與溫度和頂級(jí)特征數(shù)的關(guān)系。對(duì)模型進(jìn)行了十次訓(xùn)練，以確定平均準(zhǔn)確度及其標(biāo)準(zhǔn)偏差（誤差線）。每個(gè)模型的超參數(shù)最多可進(jìn)行150次迭代以獲得最佳參數(shù)。垂直虛線指示從哪里開始出現(xiàn)數(shù)據(jù)不足和相關(guān)功能的問題。

圖5.截?cái)啵?le;650°C）數(shù)據(jù)集中所有合金特征與屈服強(qiáng)度之間的相關(guān)性分析。a來自MIC的排名前20位的特征和| PCC |來自的相應(yīng)特征，以及b來自PCC分析的前10名和后10名特征。

圖6. ML性能與排名最高的功能數(shù)量的關(guān)系。五個(gè)經(jīng)過訓(xùn)練的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機(jī)森林；SVM支持向量機(jī)回歸）在預(yù)測屈服強(qiáng)度方面的準(zhǔn)確性。這些模型接受了高通量計(jì)算中合成的合成特征的訓(xùn)練，這些特征是截?cái)嗟臄?shù)據(jù)集（≤650°C）中排名最高的特征的數(shù)量的函數(shù)。每個(gè)模型的超參數(shù)最多可進(jìn)行150次迭代以獲得最佳參數(shù)。每個(gè)模型經(jīng)過十次訓(xùn)練，以確定平均準(zhǔn)確度及其標(biāo)準(zhǔn)偏差（誤差線）。

圖7.具有MIC和PCC分析的前10個(gè)特征的具有隨機(jī)森林（RF）的9Cr鋼的實(shí)驗(yàn)屈服強(qiáng)度與預(yù)測屈服強(qiáng)度。  MAE代表平均絕對(duì)誤差（MAE）。

圖8.實(shí)驗(yàn)和預(yù)測的具有隨機(jī)森林（RF）的9Cr鋼的PAGS，具有MIC和PCC分析的前10個(gè)特征。MAE代表平均絕對(duì)誤差（MAE）。