CN112949005B - 一种基于机器学习指导下的高强韧钢设计方法 - Google Patents

一种基于机器学习指导下的高强韧钢设计方法 Download PDF

Info

Publication number
CN112949005B
CN112949005B CN202110419561.5A CN202110419561A CN112949005B CN 112949005 B CN112949005 B CN 112949005B CN 202110419561 A CN202110419561 A CN 202110419561A CN 112949005 B CN112949005 B CN 112949005B
Authority
CN
China
Prior art keywords
strength
data
machine learning
steel
toughness steel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110419561.5A
Other languages
English (en)
Other versions
CN112949005A (zh
Inventor
岩雨
孙瑞泽
卢明星
宿彦京
乔利杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110419561.5A priority Critical patent/CN112949005B/zh
Publication of CN112949005A publication Critical patent/CN112949005A/zh
Priority to US17/386,967 priority patent/US20220335182A1/en
Application granted granted Critical
Publication of CN112949005B publication Critical patent/CN112949005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/18—Hardening; Quenching with or without subsequent tempering
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D6/00—Heat treatment of ferrous alloys
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D2211/00—Microstructure comprising significant phases
    • C21D2211/008—Martensite
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于机器学习指导下的高强韧钢设计方法，包括步骤：S1)获取数据并填补缺失部分，形成数据集；S2)选择数据集中的特征数据，形成标准数据集；S3)构建高强韧钢的两个机器学习模型；S4)两个模型评估合格，训练完成；S5)找到前沿点，画出Pareto前沿面，区分已知区域和特征空间；S6)在特征空间内，对特征数据设置步长，画出网格空间，利用模型对每个网格点进行多次的训练预测，得到两个目标的预测高斯分布；S7)应用EGO算法寻找期望提升点，得出对应特征的设计参数值。本发明提供的基于机器学习指导下的高强韧钢设计方法，可帮助设计者便捷、快速的找到特征组合，从而实现高强韧钢成分工艺的设计，完成高强钢强韧性能的优化。

Description

一种基于机器学习指导下的高强韧钢设计方法
技术领域
本发明涉及钢铁材料技术领域，特别是涉及一种基于机器学习指导下的高强韧钢设计方法。
背景技术
高强韧钢具有极高的强度、良好的焊接性能，因而被广泛应用于航空航天、车辆以及工程桥梁等领域，但与高强度伴随着的往往是低延展性，这一矛盾一直没有得到很好的解决。我们以马氏体钢为高强韧钢代表，马氏体钢常用淬火(Quenching)加回火(Tempering)的热处理工艺进行处理，即将金属工件加热到某一适当温度并保持一段时间，随即浸入淬冷介质中快速冷却，随后将淬火成马氏体的钢加热至临界点A1(加热时珠光体开始转变成奥氏体的温度)以下某个温度，保温适当时间，再冷至室温的一种热处理工艺。常用的淬冷介质有盐水、水、矿物油、空气等，马氏体钢中的基体组织马氏体为钢材提供了高强度，适量且稳定的残余奥氏体为韧性做出了贡献。
然而目前马氏体钢还没有形成标准的成分工艺体系，其强韧性能很难达到平衡，难以满足某些应用场景的需求，所以，对高强钢多性能的优化是目前研究的重点之一。随着大数据时代的来临，材料研究模式也逐步由“经验指导实验”向“理论预测和实验验证相结合”的新模式转变，而机器学习算法作为大数据时代的重要工具，在材料开发与设计上也展现出其自身独特的优势，它可以在材料数据的基础上，学习得到输入(特征)与输出(目标)之间的关系，比如成分工艺与机械性能之间的关系，构建出的模型可以对材料性能进行预测。在此基础上，将机器学习模型与一些启发式算法相结合，可以完成对未知特征组合对应性能的预测，即进行材料设计。近年来，有关学者利用机器学习模型实现了多种钢种性能的直接预测，并对各特征参数进行分析，以研究其对目标的影响，但单纯的机器学习预测并不能很好地完成特征设计，因此，结合一些优化算法来完成材料设计是一个重点研究方向。
发明内容
本发明的目的是提供一种基于机器学习指导下的高强韧钢设计方法，可帮助设计者便捷、快速的找到特征组合，从而实现高强韧钢成分和工艺的设计，完成高强钢强韧性能的优化。
为实现上述目的，本发明提供了如下方案：
一种基于机器学习指导下的高强韧钢设计方法，包括以下步骤：
S1)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，并填补数据中的缺失部分，形成数据集；
S2)选择数据集中的特征数据，形成标准数据集；
S3)对标准数据集中的特征数据进行预处理，基于预处理后的特征数据，以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型；
S4)以决定系数R2作为评估指标对两个机器学习模型进行评估；若评估不合格，则调整两个机器学习模型的设定参数，继续对两个机器学习模型进行训练；若评估合格，则两个机器学习模型训练完成；
S5)基于训练完成的两个机器学习模型，利用非支配解的概念找到前沿点，画出Pareto前沿面，区分已知区域和特征空间；
S6)在特征空间内，对成分和工艺对应的特征数据设置步长，画出网格空间，利用步骤S4)里评估合格的两个机器学习模型对每个网格点进行多次的训练预测，得到两个目标的预测高斯分布；
S7)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I，得出对应特征的设计参数值，进而反馈给设计者。
可选的，所述步骤S1)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，并填补数据中的缺失部分，形成数据集，具体包括以下步骤：
S101)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，所述高强韧钢采用马氏体钢，所述成分包括马氏体钢的组成元素及含量，所述工艺包括马氏体钢的奥氏体化温度及其时间、冷却速率、回火温度及其时间，所述冷却速率以数字表示常用淬冷介质；
S102)对数据中的缺失部分以每一维变量的均值代替进行填补，形成数据集。
可选的，所述步骤S2)中，对数据集中的特征数据进行选择的方法包括人工选择法和算法选择法；其中，所述人工选择法是由人为忽略数据量小且范围窄的特征以及受测量精度影响数据不准确的特征，所述算法选择法考察特征相对目标的重要性，选取出对目标重要且彼此之间相关性不大的特征，所述算法选择法采用斯皮尔曼相关系数算法。
可选的，所述步骤S3)对标准数据集中的特征数据进行预处理，基于预处理后的特征数据，以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型，具体包括以下步骤：
S301)对标准数据集中的特征数据进行标准化处理，规范不同维度特征数据的尺度；
S302)将预处理后的特征数据划分为K-1份的训练集和1份的测试集，进行K折交叉验证；
S303)以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型。
可选的，所述步骤S4)中，以所述决定系数R2作为评估指标，其评判标准为决定系数R2大于95％，计算所述决定系数R2的公式为：
其中，y是真实数据，yp是预测数据，yi和分别是第i个数据点的真实值和预测值，/>是真实数据y的平均值。
可选的，所述步骤S7)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I，得出对应特征的设计参数值，进而反馈给设计者，具体包括以下步骤：
S701)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I：
I＝y(xt)-fmax(x)；
其中，y(xt)为对特征空间网格上的预测点，fmax(x)为前沿面上已知区域的前沿点；
S702)计算期望提升点的期望提升值E(I)：
E(I)＝P(I)·L；
其中，P(I)为提升概率：
μ和σ分别为期望提升点目标值的预测高斯分布的均值和标准差；
L为提升大小：
L＝max{min(μ1-y1,μ2-y2),0}，
μ1和μ2分别为期望提升点两个目标值的预测高斯分布的均值，y1和y2分别为pareto前沿面上的两个目标值；
S703)根据期望提升值E(I)选出排名前列的网格点，得出对应特征的设计参数值，进而反馈给设计者。
可选的，所述方法在步骤S7)之后还包括：
S8)针对步骤S7)中选出的对应特征的设计参数值进行样品的熔炼与热处理，并加工成用于测试的拉伸样，未涉及到的特征均控制变量；
S9)对拉伸样进行慢应变速率拉伸测试，得到它的抗拉强度和断后伸长率数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于机器学习指导下的高强韧钢设计方法，应用特征工程指导下的机器学习模型(SVR模型)建立起高强韧钢的成分、工艺与抗拉强度和断后伸长率之间的关系，并借助pareto前沿面的概念区分已知区域和搜索空间，同时应用高效全局优化(EGO)算法在特征空间内寻找到可能的期望提升点，完成特征设计并达到双目标优化的效果。相比传统试错法，本方法简单高效，切实可行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图；
图2为本发明实施例的抗拉强度预测结果图；
图3为本发明实施例的断后伸长率预测结果图；
图4为本发明实施例的pareto前沿面图；
图5为本发明实施例的特征所对应目标的性能图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于机器学习指导下的高强韧钢设计方法，可帮助设计者便捷、快速的找到特征组合，从而实现高强韧钢成分和工艺的设计，完成高强钢强韧性能的优化。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供的基于机器学习指导下的高强韧钢设计方法，包括以下步骤：
S1)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，并填补数据中的缺失部分，形成数据集；
S2)选择数据集中的特征数据，形成标准数据集；
S3)对标准数据集中的特征数据进行预处理，基于预处理后的特征数据，以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型；
S4)以决定系数R2作为评估指标对两个机器学习模型进行评估；若评估不合格，则调整两个机器学习模型的设定参数，继续对两个机器学习模型进行训练，机器学习模型设定的参数指惩罚系数C和距离误差epsilon；若评估合格，则两个机器学习模型训练完成；其中，本发明实施例在所述步骤S4)中，以所述决定系数R2作为评估指标，其评判标准为决定系数R2大于95％，计算所述决定系数R2的公式为：
其中，y是真实数据，yp是预测数据，yi和分别是第i个数据点的真实值和预测值，/>是真实数据y的平均值；
亦可以选用平均绝对误差MAE、平均绝对百分误差MAPE、均方根误差RMSE等误差评估指标中的一种或几种，当然也可以与决定系数R2相结合共同作为评价指标；其中：决定系数R2的值越接近于1，表明模型的拟合度越高，模型预测越精准；而上述误差评估指标的值越接近于0，表明模型预测的偏差越小，模型预测越精准；对各评估指标的评估标准参考这两点可根据要求自行设定，下面给出计算所述平均绝对误差MAE的公式：
其他误差评估指标的公式也为的常规计算公式，这里不再给出；
如图2至3所示，本发明实施例中两个机器学习模型的决定系数R2均为97％，均大于评估标准要求的95％，两个机器学习模型训练完成；
S5)基于训练完成的两个机器学***面即为pareto前沿面，然后区分已知区域和特征空间；
S6)在特征空间内，对成分和工艺对应的特征数据设置步长，画出网格空间，利用步骤S4)里评估合格的两个机器学习模型对每个网格点进行多次的训练预测，得到两个目标的预测高斯分布；
S7)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I，得出对应特征的设计参数值，进而反馈给设计者。
所述步骤S1)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，并填补数据中的缺失部分，形成数据集，具体包括以下步骤：
S101)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，所述高强韧钢采用马氏体钢，所述成分包括马氏体钢的组成元素及含量(除Fe)，所述工艺包括马氏体钢的奥氏体化温度及其时间、冷却速率、回火温度及其时间，所述冷却速率以数字表示常用淬冷介质；本发明实施例中以数字20、80、138、250分别代表空气、油、水、盐水这四种淬冷介质；
S102)对数据中的缺失部分以每一维变量的均值代替进行填补，形成数据集，如C元素含量部分数据有缺失，则取其他C元素含量未缺失部分的平均值填补该缺失值。
所述步骤S2)中，对数据集中的特征数据进行选择的方法包括人工选择法和算法选择法。其中，人工选择法：人为忽略数据量小且范围窄的特征以及受测量精度影响数据不准确的特征，本实施例中忽略了Ti、W、V、Nb、P、S这几个特征；算法选择法：一是考察特征相对目标的重要性，这部分实施例中采用随机森林(Random Forest，简称RF)算法实现，二是考察特征与目标之间的相关性，本实施例中采用斯皮尔曼相关系数(Spearmancorrelation)实现，目标为抗拉强度(UTS)和断后伸长率(TEL)，选取出对目标重要且彼此之间相关性不大的特征，本实施例中选取了C、Si、Mn、Cr、Ni、Mo六个成分特征和奥氏体化温度(TA)、冷却速率(CR)、回火温度(Th)三个工艺特征，标准数据集中数据分布情况见表1：
表1标准数据集中数据分布情况
所述步骤S3)对标准数据集中的特征数据进行预处理，基于预处理后的特征数据，以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建SVRrbf-UTS模型和SVRrbf-δ模型两个机器学习模型，具体包括以下步骤：
S301)对标准数据集中的特征数据进行标准化处理，规范不同维度特征数据的尺度；还进行了主成分分析(Principal ComponentAnalysis，简称PCA)，其中标准化处理借助sci-kit learn库实现，标准化的计算公式如下：
其中，z是标准化数据，x是初始数据，μ是初始数据中每一维变量的均值，σ是初始数据中每一维变量的标准差；
S302)将预处理后的特征数据划分为K-1份的训练集和1份的测试集，进行K折交叉验证；本发明实施例中K＝5，即将预处理后的特征数据划分为4份的训练集和1份的测试集，4份的训练集代表75％的训练集，1份的测试集代表25％的测试集，进行五折交叉验证。
S303)以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型。
所述步骤S6)在特征空间内，对成分和工艺对应的特征数据设置步长，画出网格空间，特征空间情况见表2，本发明实施例中利用步骤S4)里评估合格的两个机器学习模型对每个网格点进行了500次的训练预测，得到两个目标的预测高斯分布。
表2特征空间情况表
所述步骤S7)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I，得出对应特征的设计参数值，进而反馈给设计者，具体包括以下步骤：
S701)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I：
I＝y(xt)-fmax(x)；
其中，y(xt)为对特征空间网格上的预测点，fmax(x)为前沿面上已知区域的前沿点；
S702)计算期望提升点的期望提升值E(I)：
E(I)＝P(I)·L；
其中，P(I)为提升概率：
μ和σ分别为期望提升点目标值的预测高斯分布的均值和标准差；
L为提升大小：
L＝max{min(μ1-y1,μ2-y2),0}，
μ1和μ2分别为期望提升点两个目标值的预测高斯分布的均值，y1和y2分别为pareto前沿面上的两个目标值；
S703)根据期望提升值E(I)选出排名前列的网格点，得出对应特征的设计参数值，进而反馈给设计者。本发明实施例选出的目标及对应的特征见表3：
表3选出的目标及对应的特征
所述方法在步骤S7)之后还包括：
S8)针对步骤S7)中选出的对应特征的设计参数值进行样品的熔炼与热处理，其实际样品的特征及目标见表4，并加工成用于测试的拉伸样，并加工成标距15mm、宽4mm、厚1.5mm的用于测试狗骨形试样，未涉及到的特征均控制变量；
表4实际样品的特征及目标
S9)对拉伸样进行慢应变速率为1×10-4/s的拉伸测试，如图5所示，得到它的抗拉强度和断后伸长率数据。
本发明提供的基于机器学习指导下的高强韧钢设计方法，应用特征工程指导下的机器学习模型(SVR模型)建立起高强韧钢的成分、工艺与抗拉强度和断后伸长率之间的关系，并借助pareto前沿面的概念区分已知区域和搜索空间，同时应用高效全局优化(EGO)算法在特征空间内寻找到可能的期望提升点，完成特征设计并达到双目标优化的效果。相比传统试错法，本方法简单高效，切实可行。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于机器学习指导下的高强韧钢设计方法，其特征在于，包括以下步骤：
S1)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，并填补数据中的缺失部分，形成数据集；
S2)选择数据集中的特征数据，形成标准数据集；
S3)对标准数据集中的特征数据进行预处理，基于预处理后的特征数据，以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型；
S4)以决定系数R2作为评估指标对两个机器学习模型进行评估；若评估不合格，则调整两个机器学习模型的设定参数，继续对两个机器学习模型进行训练；若评估合格，则两个机器学习模型训练完成；
S5)基于训练完成的两个机器学习模型，利用非支配解的概念找到前沿点，画出Pareto前沿面，区分已知区域和特征空间；
S6)在特征空间内，对成分和工艺对应的特征数据设置步长，画出网格空间，利用步骤S4)里评估合格的两个机器学习模型对每个网格点进行多次的训练预测，得到两个目标的预测高斯分布；
S7)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I，得出对应特征的设计参数值，进而反馈给设计者。
2.根据权利要求1所述的基于机器学习指导下的高强韧钢设计方法，其特征在于，所述步骤S1)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，并填补数据中的缺失部分，形成数据集，具体包括以下步骤：
S101)获取多条高强韧钢的成分、工艺及其对应的抗拉强度和断后伸长率数据，所述高强韧钢采用马氏体钢，所述成分包括马氏体钢的组成元素及含量，所述工艺包括马氏体钢的奥氏体化温度及其时间、冷却速率、回火温度及其时间，所述冷却速率以数字表示常用淬冷介质；
S102)对数据中的缺失部分以每一维变量的均值代替进行填补，形成数据集。
3.根据权利要求1所述的基于机器学习指导下的高强韧钢设计方法，其特征在于，所述步骤S2)中，对数据集中的特征数据进行选择的方法包括人工选择法和算法选择法；其中，所述人工选择法是由人为忽略数据量小且范围窄的特征以及受测量精度影响数据不准确的特征，所述算法选择法考察特征相对目标的重要性，选取出对目标重要且彼此之间相关性不大的特征，所述算法选择法采用斯皮尔曼相关系数算法。
4.根据权利要求1所述的基于机器学习指导下的高强韧钢设计方法，其特征在于，所述步骤S3)对标准数据集中的特征数据进行预处理，基于预处理后的特征数据，以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型，具体包括以下步骤：
S301)对标准数据集中的特征数据进行标准化处理，规范不同维度特征数据的尺度；
S302)将预处理后的特征数据划分为K-1份的训练集和1份的测试集，进行K折交叉验证；
S303)以高强韧钢的成分和工艺对应的特征数据作为输入变量，并分别以抗拉强度和断后伸长率作为输出变量，构建两个机器学习模型。
5.根据权利要求1所述的基于机器学习指导下的高强韧钢设计方法，其特征在于，所述步骤S4)中，以所述决定系数R2作为评估指标，其评判标准为决定系数R2大于95％，计算所述决定系数R2的公式为：
其中，y是真实数据，yp是预测数据，yi和分别是第i个数据点的真实值和预测值，/>是真实数据y的平均值。
6.根据权利要求1所述的基于机器学习指导下的高强韧钢设计方法，其特征在于，所述步骤S7)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I，得出对应特征的设计参数值，进而反馈给设计者，具体包括以下步骤：
S701)应用高效全局优化算法在目标的预测高斯分布中寻找期望提升点I：
I＝y(xt)-fmax(x)；
其中，y(xt)为对特征空间网格上的预测点，fmax(x)为前沿面上已知区域的前沿点；
S702)计算期望提升点的期望提升值E(I)：
E(I)＝P(I)·L；
其中，P(I)为提升概率：
μ和σ分别为期望提升点目标值的预测高斯分布的均值和标准差；
L为提升大小：
L＝max{min(μ1-y1,μ2-y2),0}，
μ1和μ2分别为期望提升点两个目标值的预测高斯分布的均值，y1和y2分别为pareto前沿面上的两个目标值；
S703)根据期望提升值E(I)选出排名前列的网格点，得出对应特征的设计参数值，进而反馈给设计者。
7.根据权利要求1所述的基于机器学习指导下的高强韧钢设计方法，其特征在于，所述方法在步骤S7)之后还包括：
S8)针对步骤S7)中选出的对应特征的设计参数值进行样品的熔炼与热处理，并加工成用于测试的拉伸样，未涉及到的特征均控制变量；
S9)对拉伸样进行慢应变速率拉伸测试，得到它的抗拉强度和断后伸长率数据。
CN202110419561.5A 2021-04-19 2021-04-19 一种基于机器学习指导下的高强韧钢设计方法 Active CN112949005B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110419561.5A CN112949005B (zh) 2021-04-19 2021-04-19 一种基于机器学习指导下的高强韧钢设计方法
US17/386,967 US20220335182A1 (en) 2021-04-19 2021-07-28 Machine learning-based method for designing high-strength high-toughness steel

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110419561.5A CN112949005B (zh) 2021-04-19 2021-04-19 一种基于机器学习指导下的高强韧钢设计方法

Publications (2)

Publication Number Publication Date
CN112949005A CN112949005A (zh) 2021-06-11
CN112949005B true CN112949005B (zh) 2023-08-01

Family

ID=76233022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110419561.5A Active CN112949005B (zh) 2021-04-19 2021-04-19 一种基于机器学习指导下的高强韧钢设计方法

Country Status (2)

Country Link
US (1) US20220335182A1 (zh)
CN (1) CN112949005B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092604B (zh) * 2022-12-20 2023-12-15 广东海洋大学 基于数据驱动的高强高韧难熔高熵合金及制备方法
CN116580791B (zh) * 2023-04-28 2024-06-18 贵研铂业股份有限公司 一种同时优化合金钎料润湿性和钎焊接头强度的方法
CN116694919B (zh) * 2023-06-12 2023-11-21 无锡市海峰海林精密轴承有限公司 一种轴承贝氏体热处理工艺的优化方法及***
CN117558381B (zh) * 2024-01-12 2024-03-22 四川大学 一种金属材料温度与应变速率相关塑性硬化模型计算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019029958A (ja) * 2017-08-03 2019-02-21 横浜ゴム株式会社 周波数選択板の設計方法および周波数選択板設計プログラム
CN111286599A (zh) * 2020-03-27 2020-06-16 西安交通大学 基于机器学习的合金热处理工艺优化方法
CN111549286A (zh) * 2020-06-22 2020-08-18 中南大学 一种易焊接的超高强高韧钢材及其制备方法
AU2020101453A4 (en) * 2020-07-23 2020-08-27 China Communications Construction Co., Ltd. An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3293683A1 (en) * 2016-09-09 2018-03-14 Yandex Europe AG Method and system for training a machine learning algorithm for selecting process parameters for an industrial process
US11915105B2 (en) * 2019-02-05 2024-02-27 Imagars Llc Machine learning to accelerate alloy design

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019029958A (ja) * 2017-08-03 2019-02-21 横浜ゴム株式会社 周波数選択板の設計方法および周波数選択板設計プログラム
CN111286599A (zh) * 2020-03-27 2020-06-16 西安交通大学 基于机器学习的合金热处理工艺优化方法
CN111549286A (zh) * 2020-06-22 2020-08-18 中南大学 一种易焊接的超高强高韧钢材及其制备方法
AU2020101453A4 (en) * 2020-07-23 2020-08-27 China Communications Construction Co., Ltd. An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Minimization of turning time for high-strength steel with a given surface roughness using the Edgeworth–Pareto optimization method;A. T. Abbas 等;《The International Journal of Advanced Manufacturing Technology》;第93卷;2375-2392 *
人工神经网络在高强高韧钢优化研究中的应用;耿平, 曾梅光, 钱存富, 刘宝成;东北大学学报(自然科学版)(第02期);48-50 *
基于神经网络的建筑用高性能铜合金热处理工艺优化;程伟 等;《热加工工艺》;第7卷(第14期);235-237, 241 *

Also Published As

Publication number Publication date
CN112949005A (zh) 2021-06-11
US20220335182A1 (en) 2022-10-20

Similar Documents

Publication Publication Date Title
CN112949005B (zh) 一种基于机器学习指导下的高强韧钢设计方法
CN110428876B (zh) 一种基于物理指导的机器学习算法的钢铁材料设计方法
Derogar et al. Artificial neural network modeling of forming limit diagram
CN114897227A (zh) 基于改进随机森林算法的多钢种力学性能预报方法
Quan et al. Artificial neural network modeling to evaluate the dynamic flow stress of 7050 aluminum alloy
Pietrzyk et al. Conventional and multiscale modeling of microstructure evolution during laminar cooling of DP steel strips
Taghizadeh et al. Developing a model for hardness prediction in water-quenched and tempered AISI 1045 steel through an artificial neural network
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
CN116484745A (zh) 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法
Liu et al. Machine learning for extending capability of mechanical characterization to improve springback prediction of a quenching and partitioning steel
EP3913635A1 (en) Metal material design support method and design support device
CN113033105A (zh) 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法
Li et al. Deep learning based phase transformation model for the prediction of microstructure and mechanical properties of hot-stamped parts
Chheda et al. Prediction of forming limit diagrams using machine learning
Jones et al. Comparison of hot rolled steel mechanical property prediction models using linear multiple regression, non-linear multiple regression and non-linear artificial neural networks
CN111933221B (zh) 一种预测Nb微合金钢动态再结晶分数的方法
Morchhale et al. Prediction of flow stress and forming limits for IN625 at elevated temperature using the theoretical and neural network approach
Kanca et al. Prediction of mechanical properties of cold rolled steel using genetic expression programming
CN116680976A (zh) 基于机器学习的增材制造金属材料逆向设计方法
Altamirano-Guerrero et al. Intelligent design in continuous galvanizing process for advanced ultra-high-strength dual-phase steels using back-propagation artificial neural networks and MOAMP-Squirrels search algorithm
Ghiabakloo et al. Surrogate-based Pareto optimization of annealing parameters for severely deformed steel
Szeliga et al. Accounting for the inhomogeneity of deformation in identification of microstructure evolution model
Barényi et al. Effect of deformation parameters on microstructure evolution and properties of 33NiCrMoV15 steel
Qiao et al. Machine-learning approach to predict work hardening behavior of pearlitic steel
Terčelj et al. Neural network analysis of the influence of chemical composition on surface cracking during hot rolling of AISI D2 tool steel

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant