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組是原始實驗數(shù)據(jù)，3/4組是計算的合成合金特征。該數(shù)據(jù)集涵蓋了從室溫到800°C的數(shù)據(jù)，溫度旁邊的括號中的值表示每個溫度下的數(shù)據(jù)點數(shù)

圖2.基于相關(guān)性分析的機器學(xué)習(xí)準(zhǔn)確性。以原始實驗數(shù)據(jù)（成分，處理和測試條件以及PAGS）為函數(shù)的五個訓(xùn)練過的ML模型（BR貝葉斯嶺回歸；LR線性回歸；NN最近鄰；RF隨機森林；SVM支持向量機）的準(zhǔn)確性 整個9Cr數(shù)據(jù)集中排名最高的要素的數(shù)量。每個模型的超參數(shù)最多可進行150次迭代以獲得最佳參數(shù)。每個模型接受十次訓(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，請參見表1）與選定代表溫度下的屈服強度之間的相關(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個特征中前10個和后10個特征的相關(guān)系數(shù)。

圖4.各個溫度子數(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（以隨機森林為例）的精度與溫度和頂級特征數(shù)的關(guān)系。對模型進行了十次訓(xùn)練，以確定平均準(zhǔn)確度及其標(biāo)準(zhǔn)偏差（誤差線）。每個模型的超參數(shù)最多可進行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.截斷（≤650°C）數(shù)據(jù)集中所有合金特征與屈服強度之間的相關(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隨機森林；SVM支持向量機回歸）在預(yù)測屈服強度方面的準(zhǔn)確性。這些模型接受了高通量計算中合成的合成特征的訓(xùn)練，這些特征是截斷的數(shù)據(jù)集（≤650°C）中排名最高的特征的數(shù)量的函數(shù)。每個模型的超參數(shù)最多可進行150次迭代以獲得最佳參數(shù)。每個模型經(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個特征的具有隨機森林（RF）的9Cr鋼的實驗屈服強度與預(yù)測屈服強度。  MAE代表平均絕對誤差（MAE）。

圖8.實驗和預(yù)測的具有隨機森林（RF）的9Cr鋼的PAGS，具有MIC和PCC分析的前10個特征。MAE代表平均絕對誤差（MAE）。