買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉杭州電子科技大學申請的專利基于機器學習的稀土超磁致伸縮材料篩選方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115527638B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211228194.1，技術領域涉及：G16C60/00；該發明授權基于機器學習的稀土超磁致伸縮材料篩選方法是由張正明;龔健虎;王敦輝;胡鵬強;張成亮設計研發完成，并于2022-10-09向國家知識產權局提交的專利申請。

本基于機器學習的稀土超磁致伸縮材料篩選方法在說明書摘要公布了：本發明公開了一種基于機器學習的稀土超磁致伸縮材料篩選方法，包括：獲取磁性材料飽和磁致伸縮系數，建立多組元材料成分與對應飽和磁致伸縮系數的數據集，并確定材料的特征屬性和目標屬性；同時將數據集劃分為訓練集和測試集，依據訓練集構建機器學習模型，并通過測試集進行驗證，最終得到可用于預測材料飽和磁致伸縮系數的最優模型；在多組元磁致伸縮材料中預先設計各元素的成分比例，建立虛擬磁致伸縮材料庫，基于優化后的機器學習模型預測虛擬材料庫中各成分下的飽和磁致伸縮系數，并篩選出高性能稀土磁致伸縮材料的成分區域及邊界。本發明為稀土超磁致伸縮材料的成分設計提供了必要的解決方案。

本發明授權基于機器學習的稀土超磁致伸縮材料篩選方法在權利要求書中公布了：1.一種基于機器學習的稀土超磁致伸縮材料篩選方法，其特征在于：包括： 步驟1：建立關于多組元Laves相RM2基稀土磁致伸縮材料成分與對應飽和磁致伸縮系數λs的數據集； 步驟2：將數據集劃分為訓練集和測試集，依據訓練集構建機器學習模型，并通過測試集進行驗證，最終得到可用于預測材料磁致伸縮系數的最優模型； 步驟3：在多組元Laves相RM2基稀土磁致伸縮材料中預先設計各元素的成分比例，建立虛擬稀土磁致伸縮材料庫，基于優化后的機器學習模型預測虛擬材料庫中材料的飽和磁致伸縮系數，確定高磁致伸縮系數材料成分區域及其邊界； 所述步驟2中，具體分為以下幾個步驟： 步驟2-1：將所建立的數據集劃分為訓練集和測試集兩部分，首先選取數據集中80％的數據作為訓練集，用于機器學習模型的構建與訓練；之后將數據集中剩余20％的數據作為測試集，對所構建的機器學習模型進行評估； 步驟2-2：確定模型性能評估指標，即利用決定系數R2和平均絕對誤差MAE來評估模型的準確性；其中決定系數R2為： SST＝SSE+SSR 式中，yi代表數據的真實值，代表真實值的平均值，fi代表模型的預測值，SST為總離差平方和，SSE為殘差平方和，SSR為回歸平方和；平均絕對誤差MAE為： 步驟2-3：使用訓練集對所建模型進行訓練學習，并通過網格劃分法和五折交叉驗證法對機器學習模型進行超參數調節，利用決定系數R2和平均絕對誤差MAE來評估不同超參數下的模型性能； 步驟2-4：綜合考慮不同超參數下模型的決定系數R2和平均絕對誤差MAE，選出其中最優的模型超參數； 步驟2-5：通過測試集數據對步驟2-4選出的模型進行評估，對比該模型在訓練集和測試集上的表現情況； 步驟2-6：制訂不同表現情況下的解決方案，首先明確決策樹數目、單個決策樹深度、葉節點最小樣本數和學習率等超參數，如果模型表現為過擬合，則需要調節超參數的值，特別是減少決策樹數目和深度，來實現模型擬合程度的降低，從而提升模型的泛化能力；如果模型表現為欠擬合，則通過增加決策樹數目和深度，來提高模型的擬合程度； 步驟2-7：觀察模型在訓練集和測試集上的表現情況，并應用步驟2-6中制訂的解決方案來進一步調節超參數，使模型不僅具有較高的準確性，還能夠保證模型具有較好的泛化能力，最終得到可用于預測材料飽和磁致伸縮系數的最優機器學習模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310000 浙江省杭州市下沙高教園區；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。