在机械工程中,工程材料的热导率和弹性模量对产品设计与质量起着重要的作用。但是,由于材料加工过程中会引起材料特性的变化,通过大量实验观察数据,凭直觉提出假设、验证假设,基于理论研究、实验分析以及计算仿真的传统方法已无法满足现代制造业的智能化发展需求。当前,利用机器学习框架搭建材料研究设计平台对材料大数据资源进行分析与预测已成为开发新材料的重要手段。因此,探寻新的研究方法来辅助加快机械工程材料热导率和弹性模量的研发具有重要意义。针对上述问题,本文提出了一种基于机器学习对机械工程材料热导率和弹性模量的预测研究方式,重点是对以实验为主的传统材料学科进行补充和挖掘,通过计算所得数据从微观和宏观尺度对材料性能进行多层次的研究与分析,以帮助研究人员快速筛选出理想的机械工程材料。本文的研究内容主要体现在以下两个方面:(1)本文借助Pymatgen从Materials Project数据库最终获取了一组232条材料数据组成的热导率数据集和一组1108条材料数据组成的弹性模量数据集作为本实验的原始数据,通过特征工程选取Magpie、Atom2Vec和One-hot编码这三种基于分子式的材料表征方法构建的特征向量作为描述符输入,结合常用的机器学习算法模型(KRR、SVR、RF)对材料热导率和弹性模量进行模型训练集评估。(2)为了缩小预测误差,提高模型预测能力,选用Magpie生成的132维特征向量作为特征输入,选取激活函数来建立FCNN预测模型。绘制散点图,实现数据可视化,将FCNN模型的预测结果与KRR、SVR、RF进行对比,验证该方法的有效性。