针对变压器铁芯用Fe基软磁非晶/纳米晶合金材料中饱和磁感应强度（B_s）、矫顽力（H_c）与热稳定性难以兼顾，且现有数据驱动研究多偏向单一性能优化或直接给出少量候选成分、难以从较大的设计空间中识别不同类型高价值候选材料的问题，本文围绕B_s，H_c，第一晶化起始温度（T_x1）和第二晶化起始温度（T_x2）四个关键性质开展并行建模与预测筛选研究。首先，基于整理后的多源实验数据，构建成分—退火工艺—性能数据集，分别建立B_s，H_c，T_x1和T_x2的机器学习预测模型，其测试集R²分别达到0.882、0.767、0.910和0.895，表明模型能够较好表征Fe基软磁非晶/纳米晶合金中成分、工艺参数与关键性能之间的对应关系。其次，在四个性质模型基础上，对23295个成分—退火工艺组合进行预测与联合评分，从中筛选出适用于变压器铁芯材料进一步验证的高价值候选区域。进一步地，通过无监督聚类将高分候选归纳为4类具有不同性能侧重和成分特征的候选材料，分别表现出以高Si低H_c，高P宽晶化温度间隔（ΔT_x），富B高B_s以及综合平衡为特征的分布规律。其中，优选候选的预测性能达到B_s=1.8616T，H_c=4.1A/m，ΔT_x=133.6K。最后，引入带材厚度相关指标（RT）与晶粒尺寸（GS）作为后验辅助变量，对候选家族的可制造性与潜在组织合理性进行分析预测，并为后续组织演化研究中的候选分区与代表成分选取提供依据。结果表明，该方法能够在较大设计空间内实现对变压器铁芯候选软磁合金的高通量筛选与分类识别，可为后续实验优选、成分微调及工艺窗口评估提供参考。
 

Fe基软磁非晶/纳米晶合金,变压器铁芯,机器学习,高通量筛选