CN109142358B - 基于神经网络的金属材料力学性能测试方法 - Google Patents

Abstract

本发明提供了一种基于神经网络的金属材料力学性能测试方法，其基于神经网络建立全面考虑不同条件下金属材料的力学行为变化的金属材料物质边界与其力学性能关系模型，以金属材料物质边界形貌图像作为输入，以金属材料在N种力学性能水平上的概率分布作为输出，通过N种力学性能水平与其相应概率进行加权平均得到的值q来表征相应输入金属材料物质边界的力学性能；通过对同一金属材料多处多次采样获得多幅金属材料物质边界形貌图像，并获得其相应多个力学性能表征值[q₀,q₁,…,q_C‑1]，以{q_mean，q_stdv，q_min，q_max|q₀,q₁,…,q_C‑1}来表征待测目标金属材料的整体力学性能。

Description

基于神经网络的金属材料力学性能测试方法

技术领域

本发明涉及金属材料力学性能测试领域，尤其涉及一种基于神经网络的金属材料力学性能测试方法。

背景技术

材料力学性能是对材料力学行为的量化评价。现有的材料力学性能测试方法是通过制取标准尺寸规格的材料试样，在该试样上执行符合一定规范的力学输入，以获取相应的力学响应，所得到的材料的力学输入与力学响应的关系与数据结果即为测试所得材料的力学性能。现有的材料力学性能测试方法的问题在于：对试样的尺寸规格有严格的要求，如果材料本体不足以制备标准尺寸规格的测试试样，则无法完成该材料的力学性能测试；实际中材料各处构成并非完全均匀一致，现有方法中材料取样数量少导致不能覆盖材料整体范围，会出现以材料局部性能代替材料整体性能的情况。

发明内容

鉴于背景技术中存在的问题，本发明的目的在于提供一种基于神经网络的金属材料力学性能测试方法，其能够建立全面考虑不同条件下金属材料的力学行为变化的金属材料物质边界与力学性能关系模型，同时减小测试过程中金属材料取样尺寸，对金属材料本体多处多次采样，能够对金属材料整体力学性能进行表征。

为了实现上述目的，本发明提供了一种基于神经网络的金属材料力学性能测试方法，其包括步骤：

步骤1：建立全面考虑不同条件下金属材料的力学行为变化的金属材料物质边界与力学性能关系模型；该步骤并不直接属于金属材料力学性能测试过程，而是执行测试之前的预处理工作，对于一种金属材料的一种力学性能，该步骤只需执行一次，执行完成该步骤得到的该种金属材料物质边界与该种力学性能的关系模型可以应用于之后该种金属材料力学性能的所有测试过程，其中金属材料力学性能可以为弹性模量、屈服强度、抗拉强度、抗压强度、抗弯强度、延伸率、硬度、热膨胀系数或疲劳强度；在金属材料中，材料并非均匀一致且完全连续，而是存在多种物质边界，包括宏微观组织边界、孔洞孔隙边界、夹杂物边界以及焊接中的焊缝边界和增材制造中的熔池边界；金属材料中的这些物质边界与力学性能有着密切的关系，该步骤的目标即建立金属材料的物质边界与力学性能的关系模型，模型的输入为金属材料的物质边界形貌图像，而输出为金属材料的力学性能水平；针对一种金属材料，一种力学性能，制备M种不同制造工艺参数下的符合现有力学性能测试标准的试样，并对其执行现有力学性能测试标准，获得M个力学性能测试结果；将所有M个力学性能测试结果的上限值标记为U，下限值标记为L，在U与L之间进行N等分，即(U-L)/N，其中N≥2，M≥2×N；将M种条件的金属材料执行现有力学性能测试标准的测试结果与(L+i×(U-L)/N，L+(i+1)×(U-L)/N)进行对照，如果其执行现有力学性能测试标准的测试结果在(L+i×(U-L)/N，L+(i+1)×(U-L)/N)范围之内，那么将该种条件的金属材料标记为力学性能水平i，其中0≤i≤N-1；对N种力学性能水平的金属材料本体分别取样，取样特征尺寸大于100μm即可，对所取样进行磨、抛、腐蚀后，使用数码显微镜采集尺寸为kμm×kμm金属材料物质边界形貌图像，其中k>100；在不重复的前提下，所有N种力学性能水平下针对每种力学性能水平所采集的金属材料物质边界形貌图像数量应大于100，并且相应的根据其所属试样的力学性能水平将这些图像标记为i，其中0≤i≤N-1；使用神经网络Pe(s；ε)在以金属材料物质边界形貌图像和其力学性能水平i为数据单元构成的金属材料物质边界与力学性能水平的数据集上进行训练学习；其输入为金属材料物质边界形貌图像s，输出为该金属材料力学性能在N种力学性能水平上的概率分布，ε为训练得到的神经网络参数；以softmax互熵损失值使用随机梯度下降法训练更新Pe的网络参数ε；学习完成后得到性能评价网络Pe(s；ε)，对于任意金属材料物质边界形貌输入，通过性能评价网络Pe(s；ε)输出为该金属材料力学性能在N种力学性能水平上的概率分布[p₀,p₁,…,p_N-1]，通过N种力学性能水平与其相应概率进行加权平均得到的值q来表征相应输入金属材料的力学性能，其中q的具体计算方式如下，

步骤2：对待测金属材料从位置上进行多处随机采样，获取A个样本，其中A≥1；对所有A个样本进行磨、抛、腐蚀后，在每个样本上使用数码显微镜采集尺寸为kμm×kμm金属材料物质边界形貌图像各B幅，其中k>100，其中B≥1；因而总共获取C幅物质边界形貌图像，其中C＝A×B；

步骤3：针对从待测金属材料获取的C幅物质边界形貌图像，使用步骤1中得到的性能评价网络Pe(s；ε)以物质边界形貌图像为输入，输出其在N种力学性能水平上的概率分布[p₀,p₁,…,p_N-1]，按照步骤1中通过N种力学性能水平与其相应概率进行加权平均得到相应输入的力学性能表征值q，共得到C个q值，表示为[q₀,q₁,…,q_C-1]；针对[q₀,q₁,…,q_C-1]计算其均值q_mean，标准差q_stdv，最小值q_min，最大值q_max，最终以{q_mean，q_stdv，q_min，q_max|q₀,q₁,…,q_C-1}来表征待测目标金属材料的力学性能。

本发明的有益效果如下：

基于神经网络建立全面考虑不同条件下金属材料的力学行为变化的金属材料物质边界与其力学性能关系模型，以金属材料物质边界图像作为输入，以其在N种力学性能水平上的概率分布作为输出，通过N种力学性能水平与其相应概率进行加权平均得到的值q来表征相应输入的力学性能，而金属材料物质边界的采样对于金属材料本体的形状无要求，对于金属材料的本体的采样尺寸仅需大于100μm×100μm，因而本发明降低了金属材料力学性能测试对采样材料本体形状和尺寸的要求，提升了的该方法的采样适用范围；本发明通过对同一金属材料多处多次采样获得多幅金属材料物质边界形貌图像，并获得其相应多个力学性能表征值[q₀,q₁,…,q_C-1]，以{q_mean，q_stdv，q_min，q_max|q₀,q₁,…,q_C-1}来表征待测目标金属材料的力学性能，因而能够对金属材料的整体力学性能进行表征，避免了以局部力学性能代替整体力学性能情况的发生。

Claims (2)

1.一种基于神经网络的金属材料力学性能测试方法，其特征在于，包括步骤：

步骤1：建立全面考虑不同条件下金属材料的力学行为变化的金属材料物质边界与力学性能关系模型；该步骤并不直接属于金属材料力学性能测试过程，而是执行测试之前的预处理工作，对于一种金属材料的一种力学性能，该步骤只需执行一次，执行完成该步骤得到的该种金属材料物质边界与该种力学性能的关系模型可以应用于之后该种金属材料力学性能的所有测试过程；在金属材料中，材料并非均匀一致且完全连续，而是存在多种物质边界，包括宏微观组织边界、孔洞孔隙边界、夹杂物边界以及焊接中的焊缝边界和增材制造中的熔池边界；金属材料中的这些物质边界与力学性能有着密切的关系，该步骤的目标即建立金属材料的物质边界与力学性能的关系模型，模型的输入为金属材料的物质边界形貌图像，而输出为金属材料的力学性能水平；针对一种金属材料，一种力学性能，制备M种不同制造工艺参数下的符合现有力学性能测试标准的试样，并对其执行现有力学性能测试标准，获得M个力学性能测试结果；将所有M个力学性能测试结果的上限值标记为U，下限值标记为L，在U与L之间进行N等分，即(U-L)/N，其中N≥2，M≥2×N；将M种条件的金属材料执行现有力学性能测试标准的测试结果与(L+i×(U-L)/N，L+(i+1)×(U-L)/N)进行对照，如果其执行现有力学性能测试标准的测试结果在(L+i×(U-L)/N，L+(i+1)×(U-L)/N)范围之内，那么将该种条件的金属材料标记为力学性能水平i，其中0≤i≤N-1；对N种力学性能水平的金属材料本体分别取样，取样特征尺寸大于100μm即可，对所取样进行磨、抛、腐蚀后，使用数码显微镜采集尺寸为kμm×kμm金属材料物质边界形貌图像，其中k>100；在不重复的前提下，所有N种力学性能水平下针对每种力学性能水平所采集的金属材料物质边界形貌图像数量应大于100，并且相应的根据其所属试样的力学性能水平将这些图像标记为i，其中0≤i≤N-1；使用神经网络Pe(s；ε)在以金属材料物质边界形貌图像和其力学性能水平i为数据单元构成的金属材料物质边界与力学性能水平的数据集上进行训练学习；其输入为金属材料物质边界形貌图像s，输出为该金属材料力学性能在N种力学性能水平上的概率分布，ε为训练得到的神经网络参数；以softmax互熵损失值使用随机梯度下降法训练更新Pe的网络参数ε；学习完成后得到性能评价网络Pe(s；ε)，对于任意金属材料物质边界形貌输入，通过性能评价网络Pe(s；ε)输出为该金属材料力学性能在N种力学性能水平上的概率分布[p_0,p_1,…,p_N-1]，通过N种力学性能水平与其相应概率进行加权平均得到的值q来表征相应输入金属材料的力学性能，其中q的具体计算方式如下，

步骤2：对待测金属材料从位置上进行多处随机采样，获取A个样本，其中A≥1；对所有A个样本进行磨、抛、腐蚀后，在每个样本上使用数码显微镜采集尺寸为kμm×kμm金属材料物质边界形貌图像各B幅，其中k>100，其中B≥1；因而总共获取C幅物质边界形貌图像，其中C＝A×B；

步骤3：针对从待测金属材料获取的C幅物质边界形貌图像，使用步骤1中得到的性能评价网络Pe(s；ε)以物质边界形貌图像为输入，输出其在N种力学性能水平上的概率分布[p₀,p₁,…,p_N-1]，按照步骤1中通过N种力学性能水平与其相应概率进行加权平均得到相应输入的力学性能表征值q，共得到C个q值，表示为[q₀,q₁,…,q_C-1]；针对[q₀,q₁,…,q_C-1]计算其均值q_mean，标准差q_stdv，最小值q_min，最大值q_max，最终以{q_mean，q_stdv，q_min，q_max|q₀,q₁,…,q_C-1}来表征待测目标金属材料的力学性能。

2.根据权利要求1所述的基于神经网络的金属材料力学性能测试方法，其特征在于，金属材料力学性能为弹性模量、屈服强度、抗拉强度、抗压强度、抗弯强度、延伸率、硬度、热膨胀系数或疲劳强度。