理论计算机器学习与AI性质预测与高通量筛选数据挖掘与机器学习建模计算目的案例参考机器学习与AI性质预测与高通量筛选当前预约服务数据挖掘与机器学习建模多源数据整合、数据清洗、去噪、缺失值处理、异常值检测、特征工程、降维、回归 / 分类模型、交叉验证、SHAP 可解释、文献数据提取、光谱 / 循环序列数据图示仅用于技术案例说明，不代表本公司项目成果或特定客户案例计算目的对实验、表征、计算和文献等多源科研数据进行清洗与特征工程，建立回归或分类模型并通过交叉验证和可解释分析，给出关键影响因素和模型适用范围案例参考与材料无关的机器学习方法实现粉末床熔融制品的高相对密度提出不依赖特定粉末种类的方法，用粉末物性和工艺条件训练 XGBoost 模型，并经 sigmoid 变换提高相对密度预测精度，以寻找激光粉末床熔融中相对密度高于 98% 的工艺窗口。用 SHAP 分析输入特征与目标量的关系，并在不锈钢 316L、AlSi10Mg 和 Fe60Co15Ni15Cr10 中熵合金粉末上实验验证了可重复性与可迁移性。查看文章微信扫码，免费咨询如果你不确定适合方案，可以把需求发给我们Email: chengyankeji2026@163.com立即咨询微信二维码返回立即下单
