在由上海有色网（SMM）和山东恒邦冶炼股份有限公司联合举办的2024（第十九届）SMM铜业大会暨铜产业博览会——铜棒产业发展论坛上，郑州大学材料与工程学院郭春文教授分享了基于机器学习的棒线材用铜合金多目标优化设计等方面的技术信息。
研究背景
研究背景
高强高导铜合金线材及制品应用于牵引电机、高端连接器、半导体引线框架、铁路承力索和接触线等领域，市场空间广阔。
研究现状
随着高端电子行业、高铁等领域的飞速发展，对高性能铜合金的性能指标提出更高要求。
中强高导Cu-Ni-Si系合金具有优异的综合性能，应用前景广阔！
Cu-Ni-Si系合金添加元素种类多、强化机制复杂，亟需高效短流程的合金成分设计方法！
基于数据的材料研发
基于数据驱动的机器学习方法为高强高导铜合金材料开发提供了经济高效的新思路！
机器学习 +实验迭代：主动学习策略
反向设计：多目标性能优化
领域知识约束下进行多层筛选策略；策略帕累托前沿推进策略；多目标优化的主动学习……
其总结解决目标性能之间的相互冲突，实现材料多种性能的协同优化⇒Cu-Ni-Si合金成分设计：领域知识约束+主动学习+多目标协同优化？
研究技术路线
其对Cu-Ni-Si合金多目标优化设计框架和实验测试与表征流程等进行了详细的介绍。
成分设计
其对数据库与合金因子进行了解读。
特征工程——皮尔逊相关系数：经皮尔逊相关分析删除相关性较大的合金因子后，输入特征从196个骤减到32个。
特征工程——递归消除：抗拉强度和导电性的关键合金因子分别降为4个和6个，且二者的关键合金因子有重合，印证了两种性能的互相关性。
其还对模型建议与评估、优化策略、主动迭代实验结果等进行了详细的论述。
强化机制
其从沉淀强化、细晶强化、位错强化等进行了介绍。
其表示：基于机器学习的高强高导铜合金多目标优化设计达到了比较优异的沉淀强化效果！
主要结论
建立了Cu-Ni-Si系物化参数-抗拉强度-导电性能的数据库。其中包含34个合金样本，每个样本包括196个物化参量特征；
结合特征工程与特征降维技术，从已建立的数据集中筛选出4组与抗拉强度相关的关键特征变量、6组与抗拉强度相关的关键特征变量；
基于高质量输入特征变量，结合适用于小样本的支持向量机模型，建立了以物化参量低维特征为输入的高精度抗拉强度及导电性能的预测模型，两个预测模型的R2值均在0.8以上；
基于多目标优化的期望函数EI评估和实验迭代的主动学习策略，实现了高强高导铜合金的合金成分高效设计，获得了抗拉强度达到787MPa，导电率达到48%IACS的Cu-Ni-Si系合金。
