(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111620462.X (22)申请日 2021.12.27 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市金鸡 路1号桂林电子科技大 学 (72)发明人 唐成颖　唐一川　王中奇　廖勇强　 韩佳妮　马贵桃　万媛　张聪　 (74)专利代理 机构 成都知棋知识产权代理事务 所(普通合伙) 51325 代理人 马超前 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) C22C 33/00(2006.01) C22C 45/02(2006.01)G06F 119/02(2020.01) (54)发明名称 一种设计高非晶形成能力的合金方法 (57)摘要 本发明提供一种设计高非晶形成能力的合 金方法， 该方法采用Fine  kNN分类器来预测材料 的非晶合金形成能力。 本发明提供的方法， 由于 采用Fine  kNN模型来预测材料的非晶形成能力， Fine kNN模型精准度高达9 5.5％， 真阳性率高达 96％， 假阳性率低至 7％， 说明此模型在具有高预 测能力的同时具有高泛化能力， 能够极其准确的 预测新型合金的非晶形成能力， 大大的提高了非 晶合金的研发效率， 节省了人力物力资源。 权利要求书1页 说明书6页 附图3页 CN 114386254 A 2022.04.22 CN 114386254 A 1.一种设计高非晶形成能力的合金方法， 其特征在于， 采用Fine  kNN分类器来预测材 料的非晶合金 形成能力。 2.根据权利要求1所述的方法， 其特征在于， 所述Fine  kNN分类器的数据库包含55种元 素、 6652个数据。 3.根据权利要求1所述的方法， 其特征在于， 所述Fine  kNN分类器的精准度为95.5％， 真阳性率为96％， 假阳性 率为7％。 4.根据权利要求1所述的方法， 其特征在于， 所述Fine  kNN分类器预测类为 “真”时， AUC ＝0.95； 该预测类为 “假”时， AUC＝0.95； 其中AUC代表ROC曲线围成的面积， AUC值越大， 分类 器预测能力越强。 5.根据权利要求1所述的方法， 其特 征在于， 所述非晶合金的制备 方法， 包括以下步骤： 步骤1) 母合金的 制备 ， 按照化学组成为Fe8 1 .6Si0 .2B1 4Nb0 .5P2 .2C1 .5、 Fe81.8Si0.2B13Nb0.5P2C2.5和Fe80.4Si0.6B14.5P2Cu2Nb0.5， 首先采用电子 天平称量原 料， 在抽真空 并充入高纯氩气作为保护气体的气氛下， 采用真空非自耗电弧熔炼炉对原料进行熔炼， 制 备成分均匀的母合金； 步骤2)铁基纳米晶软磁合金的制备， 将步骤1所得母合金破碎为小块， 放入无水乙醇中 进行超声清洗， 清洗后干燥， 放入石英玻璃管中， 固定于铜 辊线圈中央； 在抽真空后充入氩 气作为保护气体的气氛下， 将甩带机中的母合金加热到熔融状态， 通过喷嘴吹气喷射到高 速旋转的铜辊上进行 快速冷却， 制备 出合金薄带。 6.根据权利要求5所述的方法， 其特征在于， 所述非晶合金采用单辊旋淬甩带法制备合 金薄带， 使用XRD测试薄带表面结构。 7.根据权利要求5所述的方法， 其特征在于， 所述步骤1)抽真空的条件为真空度低于5* 10‑3Pa， 所述熔炼次数为 4次以上。 8.根据权利 要求5所述的方法， 其特征在于， 所述步骤2)甩带的速度为40m/s， 所述真空 的条件为真空度低于 5*10‑3Pa。权　利　要　求　书 1/1 页 2 CN 114386254 A 2一种设计高非晶形成能力的合金方 法 技术领域 [0001]本发明涉及材 料技术领域， 尤其涉及一种设计高非晶形成能力的合金 方法。 背景技术 [0002]在非晶合金研究领域， 如何设计并开发出具有良好玻璃形成能力的合金， 是相关 科研人员一直追求的目标， 例如2006年北京航空航天大学的Men等人制备出 Cu46.25Zr46.25Al7.5非晶合金， 探究Zr元素的加入对其非晶形成能力的影响；  2015年Yang等 人通过掺少量的Cu 元素来提高铁基合金的非晶形成能力。 虽然他们都成功的制备出了相关 非晶合金， 但是依靠这种传统的 “试错法”来设计具有高非晶形成能力的合金， 研发效率得 不到很好的保证。 即研究过去非晶合金材料新体系的探索主要依据经验性判据的指导， 由 于其准确性与通用性的 限制， 非晶新材料的研发速度非常缓慢。 如何提高材料设计的效率， 寻找具有更优性能的材料， 是非晶材料领域非常具有挑战性的问题。 机器学习作为解决很 多人工智能问题的主流方法， 正在作为一个独立的方向处于高速发展之中。 机器学习算法 分为回归和分类两种。 2019年， Wang等人利用了5种机器学习回归模 型来预测铁基非晶的软 磁性能， 旨在加速高性能软磁材料的设计， 但是Wang等人提出的模型只能预测材料的软磁 性能， 不能设计高非晶形成能力的材料； 2018  年， Ward等人使用了随机森林分类算法预测 材料的非晶形成能力， 然 而， 该模型的精确度只有89％。 发明内容 [0003]本发明的目的在于解决上述现有技术存在的缺陷， 提供一种预测精度高 的设计高 非晶形成能力的合金 方法。 [0004]一种设计高非晶形成能力的合金方法， 采用Fine  kNN分类器来预测材料的非晶合 金形成能力。 [0005]进一步地， 如上所述的方法， 所述Fine  kNN分类器的数据库包含55种元素、 6652个 数据。 [0006]进一步地， 如上所述的方法， 所述Fine  kNN分类器的精准度为95.5％， 真阳性率为 96％， 假阳性 率为7％。 [0007]进一步地， 如上所述的方法， 所述Fine  kNN分类器预测 类为“真”时， AUC ＝0.95； 该预测类为 “假”时， AUC＝0.95； 其中AUC代表ROC曲线围成的面积，  AUC值越大， 分类器预测 能力越强。 [0008]进一步地， 如上所述的方法， 所述非晶合金的制备 方法， 包括以下步骤： [0009]步骤1)母合金的制备， 按照化学组成为Fe81 .6Si0 .2B1 4Nb0 .5P2 .2C1 .5、  Fe81.8Si0.2B13Nb0.5P2C2.5和Fe80.4Si0.6B14.5P2Cu2Nb0.5， 首先采用电子 天平称量原 料， 在抽真空 并充入高纯氩气作为保护气体的气氛下， 采用真空非自耗电弧熔炼炉对原料进行熔炼， 制 备成分均匀的母合金； [0010]步骤2)铁基纳 米晶软磁合金的制备， 将步骤1所得母合金破碎为小块， 放入无水乙说　明　书 1/6 页 3 CN 114386254 A 3