CN109142358B - 基于神经网络的金属材料力学性能测试方法 - Google Patents
基于神经网络的金属材料力学性能测试方法 Download PDFInfo
- Publication number
- CN109142358B CN109142358B CN201810963386.4A CN201810963386A CN109142358B CN 109142358 B CN109142358 B CN 109142358B CN 201810963386 A CN201810963386 A CN 201810963386A CN 109142358 B CN109142358 B CN 109142358B
- Authority
- CN
- China
- Prior art keywords
- metal material
- mechanical property
- boundary
- mechanical
- testing
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
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,…,qC‑1],以{qmean,qstdv,qmin,qmax|q0,q1,…,qC‑1}来表征待测目标金属材料的整体力学性能。
Description
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,…,pN-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,…,pN-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,…,qC-1];针对[q0,q1,…,qC-1]计算其均值qmean,标准差qstdv,最小值qmin,最大值qmax,最终以{qmean,qstdv,qmin,qmax|q0,q1,…,qC-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,…,qC-1],以{qmean,qstdv,qmin,qmax|q0,q1,…,qC-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[p0,p1,…,pN-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,…,pN-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,…,qC-1];针对[q0,q1,…,qC-1]计算其均值qmean,标准差qstdv,最小值qmin,最大值qmax,最终以{qmean,qstdv,qmin,qmax|q0,q1,…,qC-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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810963386.4A CN109142358B (zh) | 2018-08-22 | 2018-08-22 | 基于神经网络的金属材料力学性能测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810963386.4A CN109142358B (zh) | 2018-08-22 | 2018-08-22 | 基于神经网络的金属材料力学性能测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109142358A CN109142358A (zh) | 2019-01-04 |
CN109142358B true CN109142358B (zh) | 2020-09-29 |
Family
ID=64791157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810963386.4A Active CN109142358B (zh) | 2018-08-22 | 2018-08-22 | 基于神经网络的金属材料力学性能测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109142358B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110797096B (zh) * | 2019-10-30 | 2021-04-27 | 合肥通用机械研究院有限公司 | 一种基于深度学习的耐热合金高温力学性能预测方法 |
CN112101432B (zh) * | 2020-09-04 | 2022-06-07 | 西北工业大学 | 一种基于深度学习的材料显微图像与性能双向预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5384711A (en) * | 1990-11-27 | 1995-01-24 | Dainippon Screen Mfg. Co., Ltd. | Method of and apparatus for inspecting pattern on printed board |
EP3610986A1 (en) * | 2018-08-17 | 2020-02-19 | The Boeing Company | Apparatus and methods for shot peening evaluation |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893541A (zh) * | 2010-06-09 | 2010-11-24 | 哈尔滨工业大学 | 建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法 |
CN104374760B (zh) * | 2014-11-17 | 2016-09-14 | 浙江大学 | 基于激光烧蚀羽流的原子荧光光谱作物重金属和微量元素快速检测方法 |
CN104515786B (zh) * | 2015-01-08 | 2018-05-11 | 北京科技大学 | 金属铸件疲劳过程内部缺陷演化的检测与分析方法 |
CN105404902B (zh) * | 2015-10-27 | 2019-02-05 | 清华大学 | 基于脉冲神经网络的图像特征描述和记忆方法 |
CN105352918B (zh) * | 2015-11-13 | 2018-05-04 | 湖南大学 | 基于svr的激光直接金属沉积过程元素浓度实时监控方法及装置 |
US9958395B2 (en) * | 2016-02-12 | 2018-05-01 | Bwt Property, Inc. | Laser induced breakdown spectroscopy (LIBS) apparatus for the detection of mineral and metal contamination in liquid samples |
CN106338521B (zh) * | 2016-09-22 | 2019-04-12 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN107153034A (zh) * | 2017-05-05 | 2017-09-12 | 中国科学院长春光学精密机械与物理研究所 | 激光粒度仪用样品池及激光粒度仪 |
CN107300629B (zh) * | 2017-07-31 | 2019-07-09 | 清华大学 | 扫描探针标定方法 |
CN108254540B (zh) * | 2018-02-07 | 2023-08-04 | 中国林业科学研究院木材工业研究所 | 一种锯材表面质量等级划分装置及方法 |
-
2018
- 2018-08-22 CN CN201810963386.4A patent/CN109142358B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5384711A (en) * | 1990-11-27 | 1995-01-24 | Dainippon Screen Mfg. Co., Ltd. | Method of and apparatus for inspecting pattern on printed board |
EP3610986A1 (en) * | 2018-08-17 | 2020-02-19 | The Boeing Company | Apparatus and methods for shot peening evaluation |
Non-Patent Citations (1)
Title |
---|
既有钢结构耐久性研究现状;罗永峰 等;《工程建设标准化》;20161231(第10期);第60-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109142358A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021114994A1 (zh) | 一种基于纳米压痕实验的晶体塑性材料参数反演识别的实现方法 | |
CN109142358B (zh) | 基于神经网络的金属材料力学性能测试方法 | |
CN111696632B (zh) | 一种金属材料中γ′相微观组织全视场定量统计分布表征方法 | |
CN110261247B (zh) | 金属材料各向异性屈服及硬化本构参数同步表征方法 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN109255202A (zh) | 一种用于机械构件疲劳裂纹萌生寿命的预估方法 | |
CN107704920A (zh) | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 | |
CN110411837A (zh) | 一种测定材料标距效应曲线的试验与计算方法 | |
CN110068507B (zh) | 一种对传统再结晶模型进行修正的方法 | |
CN110442954B (zh) | 基于物理冶金学指导下机器学习的超高强不锈钢设计方法 | |
CN109115383A (zh) | 冷挤压强化孔的疲劳寿命预测方法 | |
CN110956004A (zh) | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 | |
CN114638164B (zh) | 一种预测电站压力管道高温蠕变寿命的方法 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
JP2021018233A (ja) | コンクリートの劣化の診断または予測方法 | |
CN114547928A (zh) | 一种基于主成分分析的缺陷形貌等效与寿命评估方法 | |
Kossakowski | Analysis of the void volume fraction for S235JR steel at failure for low initial stress triaxiality | |
CN107609223B (zh) | 一种抗拉强度1200MPa的冷轧双相钢动态变形本构模型建立方法 | |
CN114170427B (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
CN108984887A (zh) | 复合材料参数多阶段识别方法 | |
CN115691707A (zh) | 基于ga-bp神经网络算法的gtn细观损伤模型参数的优化方法 | |
CN116051465A (zh) | 基于神经网络模型的紧固件腐蚀图像自动分级方法 | |
CN109214089A (zh) | 一种桥梁结构健康监测指标的隶属度评估方法 | |
CN109238950A (zh) | 基于定性分析与定量预测的金属材料大气腐蚀预测方法 | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 |
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 |