CN110797096A - 一种基于深度学习的耐热合金高温力学性能预测方法 - Google Patents
一种基于深度学习的耐热合金高温力学性能预测方法 Download PDFInfo
- Publication number
- CN110797096A CN110797096A CN201911044967.9A CN201911044967A CN110797096A CN 110797096 A CN110797096 A CN 110797096A CN 201911044967 A CN201911044967 A CN 201911044967A CN 110797096 A CN110797096 A CN 110797096A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- heat
- resistant alloy
- data
- temperature mechanical
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种基于深度学习的耐热合金高温力学性能预测方法,包括以下步骤:S1、形成原始实验数据库;S2、对原始实验数据库中的显微组织照片进行数据预处理;S3、根据耐热合金高温力学性能实验值分布情况,将原始实验数据库划分为连续的N类,并将划分的类别值作为对应图像的类别标签;将标签化后的图像数据分组;S4、并将所有组图像数据分别进行数字张量化处理;S5、构建深度学习模型,配置模型结构与模型参数,优化深度学习模型的预测效果;S6、采用优化深度学习模型,根据耐热合金显微组织图片预测其高温力学性能。本发明能够实现耐热合金从显微组织到高温力学性能的直接预测,提升耐热合金高温性能检测效率、节约耐热合金高温检测成本。
Description
技术领域
本发明涉及耐热合金材料高温性能分析领域,尤其涉及一种基于深度学习的耐热合金高温力学性能预测方法。
背景技术
材料的力学性能由其显微组织直接决定,耐热合金是金属材料的高端产品,广泛应用于石油、化工、发电、航空航天等关系国家安全和国民经济命脉的行业领域,耐热合金的发展也与这些领域的进步有非常密切的联系。伴随着世界工业化高速发展,对耐热合金的需求呈不断上升趋势。随着耐热合金在当今社会越来越广泛的应用,对耐热合金的高温力学性能检测需求的规模也随之提升。
虽然目前已经积累了大量的耐热合金组织性能实验数据,对于耐热合金高温力学性能的检测一直采用常规方法,需要对耐热合金进行长时高温测试,耗能耗时。例如对于喷气式涡轮机的设计寿命常为104小时(1年),乙烯裂解炉炉管设计寿命则为105小时(10年),而对于核反应堆耐热合金,其使用标准则长达40年。
材料力学性能的预测是材料基因组技术的重点与难点,其困难在于宏观材料由极大数量原子构成的,其力学性能则通常是多个物理机制复杂耦合的结果,很少只受单一因素影响。尽管目前的位错动力学方法、晶体塑性理论和微观力学方法试图预测耐热合金在某些特定尺度下的力学行为,但还没有一种普适且广泛采用的直接从显微组织出发预测耐热合金力学性能的方法。
另一方面,目前耐热合金领域里根据显微组织预测力学行为的方法完全依靠人工处理且仅能做定性分析。而同牌号系列耐热合金显微组织也存在细节上的差异,仅靠人工归纳需要集中大量人力耗费较长时间才能完成,且尚不能获得比较精确可靠的结果。以上问题严重制约了材料基因组技术在耐热合金中的应用。
自2011年以来世界范围内广泛发展的材料基因组技术(Materials GenomeInitiative,MGI)强调寻找和建立材料从原子排列到相的形成到显微组织形成到材料宏观性能之间的相互关系。材料基因组技术提供了一种革新材料研发方法、加速材料从研究到应用进程的新思路,以最终支撑高端材料、先进制造和高新技术的发展。材料基因组技术发展多年,材料力学性能的预测一直是其短板,原因在于力学性能涉及位错的形成及其交互作用、位错与显微组织及其他缺陷之间交互作用、缺陷和裂纹的形成与长大、材料和缺陷与环境的交互作用等从原子到微观到介观尺度不同的机制作用,因此建立材料力学性能的预测模型至今仍是一个非常复杂和困难的工作。
发明内容
本发明提出一种基于深度学习的耐热合金高温力学性能预测方法。其深度学习模型采用卷积神经网络(Convolutional Neural Networks:CNN)结构,以标准统一化后的耐热合金显微组织图像(含未服役与服役后材料)及其对应高温力学性能实验结果为数据库,构建与优化深度学习模型,以实现根据耐热合金显微组织图像预测其高温力学性能的目的。本发明能够充分利用目前已积累的大量耐热合金组织性能实验数据,挖掘其重要价值,并建立起耐热合金由显微组织到高温力学性能的定量预测方法。本发明对提升耐热合金性能检测效率,改善耐热合金性能预测方法的效率与准确性具有重要意义。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习的耐热合金高温力学性能预测方法,包括以下步骤:
S1、获得同一牌号系列耐热合金在特定检测条件下的不同显微组织照片及其对应的高温力学性能测试结果,形成原始实验数据库;
S2、对原始实验数据库中的显微组织照片进行数据预处理;
S3、根据耐热合金高温力学性能实验值分布情况,将原始实验数据库划分为连续的N类,并将划分的类别值作为对应图像的类别标签;将标签化后的图像数据分成训练组数据、验证组数据、测试组数据;
S4、读取每组图像数据,并将所有组图像数据分别进行数字张量化处理;
S5、构建深度学习模型,配置模型结构与模型参数,采用训练组数据训练深度学习模型,根据验证组数据验证与优化深度学习模型,通过测试组数据检验最终测试优化后深度学习模型的预测效果,以获得优化深度学习模型;
S6、采用优化深度学习模型,输入待测耐热合金的显微组织图片,输出其高温力学性能预测结果。
本发明的优点在于:深度学习模型可以进行自动特征提取,而不受人工主观判断干预。在深度学习模型中,每一个节点层在整合重组前一层输出的基础上学习识别一组特定的特征。随着神经网络深度增加,节点所能识别的特征也就越来越复杂。这种特征层次结构的复杂度与抽象度逐层递增,因此深度学习模型能处理大规模高维度显微组织图像数据。本发明能够实现耐热合金从显微组织到高温力学性能的直接预测,补充材料基因组技术在力学性能预测方面的短板,在提升性能预测精度基础上为耐热合金的检测减少大量时间与经费消耗。并且经过训练的深度学习模型也能通过迁移学习方法对其它材料的性能预测提供支持。
附图说明
图1为本发明的研究方法主要步骤流程示意图。
图2为一种典型的深度学习网络结构示意图。
图3为本发明具体实施例中的深度学习网络结构示意图。
图4为本发明实施例中原始深度学习网络训练与验证精度图。
图5为本发明实施例中原始深度学习网络训练与验证损失图。
图6为本发明实施例中优化后深度学习网络训练与验证精度图。
图7为本发明实施例中优化后深度学习网络训练与验证损失图。
图8为本发明具体实施例中优化深度学习网络对待测数据的处理过程及其性能预测结果图。
具体实施方式
如图1所示,一种基于深度学习的耐热合金高温力学性能预测方法,包括以下步骤:
S1、获得同一牌号系列耐热合金在特定检测条件下的不同显微组织照片及其对应的高温力学性能测试结果,形成原始实验数据库;所述显微组织照片可取自未进行高温服役耐热合金或服役后耐热合金,但同一个性能预测模型所用显微组织须为相同服役状态耐热合金。在该实施例中,材料选为乙烯裂解炉炉管用25Cr35Ni+微合金系列耐热合金,显微组织照片取自未进行高温服役耐热合金,显微组织照片为扫描电子显微镜照片,耐热合金的高温力学性能在温度1100℃与应力17MPa条件下检测获得,高温力学性能为持久性能。
S2、对原始实验数据库中的显微组织照片进行数据预处理;所述原始实验数据库中的显微组织照片拍摄时放大倍数和或尺寸不同,步骤S2中的数据预处理是先对所述显微组织照片进行缩放,使所有显微组织照片的放大倍数一致,然后经过等大小切割处理。该实施例中,以放大500倍显微组织图片为基准,通过对其它放大倍数图片的长宽等比例缩放,使其实际显微组织放大倍数等于500倍;随后对所有图片进行170×170像素切割。
S3、根据耐热合金高温力学性能实验值分布情况,将原始实验数据库划分为连续的N类,并将划分的类别值作为对应图像的类别标签;该实施例中,根据原始实验数据库中耐热合金持久性能值分布,将原始实验数据库划分为50-100小时、100-200小时、200-250小时三类,并将类别名称作为类中显微组织图像标签。
将标签化后的图像数据分成训练组数据、验证组数据、测试组数据;训练组数据数量远远高于验证组数据数量,验证组数据数量不低于测试组数据数量。在该方案中,比例为训练组数据:验证组数据:测试组数据=8:1:1。
S4、读取每组图像数据,并将所有组图像数据分别进行数字张量化处理;数字张量化处理包括以下步骤:
S41、将图像文件解码为灰度网格;
S42、将网格灰度值([0,255]范围)缩放到[0,1]区间,并将图像输入尺寸调整为150×150×3。
S5、构建深度学习模型,配置模型结构与模型参数,采用训练组数据训练深度学习模型,根据验证组数据验证与优化深度学习模型,通过测试组数据检验最终测试优化后深度学习模型的预测效果。
具体地说,如图2所示,构建深度学习模型采用卷积神经网络结构,深度学习模型由A个连续的卷积块与B个全连接层堆叠而成,每个卷积块为连续C个卷积层和D个池化层。具体计算内容如下:
输入图像特征映射的卷积运算为:
S(i,j)=(I*W)(i,j)=∑m∑nI(m,n)W(i-m,j-n) (1)
其中,I为图像特征I∈Rm×n,W为二维卷积核W∈Ri×j;
对于图像张量X∈Rm×n×D,其卷积运算为:
Yc=ReLU(Xo) (3)
其中,WD为三维卷积核(W∈Ri×j×D),公式(1)和公式(2)中m、n、i、j、D分别为张量在每个轴上维度的大小,b为偏置标量,WD,d与Xd分别为WD与XD的切片矩阵,整流线性单元函数ReLU()为激活函数,其表达式为:
ReLU(x)=max{0,x} (4)
池化层进行最大池化运算,其表达式为:
激活函数采用softmax函数,对于S个标量,其表达式为:
配置模型结构与模型参数包括损失函数、优化器和监控指标。
所述损失函数为交叉熵损失函数,其表达式为:
其中,L为样本标签分布,P为模型预测值分布,同属于N维向量;
优化器为基于随机梯度下降法的算法,算法可以为RMSProp算法、AdaGrad算法、AdaDelta算法任意一种,本方案中使用RMSProp算法。
随机梯度下降法算法为:
2)随机初始化θ;
3)重复以下步骤:
4)模型f(x;θ)在验证集V上的错误率不再下降;最后输出θ。本方案中输入输出如图3所示。
所述监控指标为训练与验证精度与损失精度和或损失。在该方案中,为训练与验证精度与损失精度和损失。
图5与图6分别为初始的深度学习模型训练与验证的精度与损失,对深度学习模型进行60次学习迭代后,验证集精度为0.70,验证集损失为0.65。
图7与图8分别为经过优化后深度学习网络训练与验证的精度与损失,经过优化过程的模型进行60次学习迭代后,验证集精度为上升为0.83,验证集损失下降为0.60;通过测试组数据检验优化后深度学习模型对25Cr35Ni+微合金系列耐热合金持久性能预测精度为0.80,本实例中,改善与提升模型性能的优化方法为以下几种方式组合;
(1)调整深度学习模型的模型参数;
(2)对标签化的图像进行数据增强处理,以从现有的训练样本中生成更多训练组数据,数据增强方法包括对图像的0-180°随机旋转、水平与垂直翻转、高度与宽度0.5比例平移、包围与反射填充;
(3)引入权重正则化或丢弃正则化方法,限制深度学习模型的复杂度;具体的,丢弃比率设置为0.5。
S6、采用优化深度学习模型,输入待测耐热合金的显微组织图片,即输出其高温力学性能预测结果,显微组织放大倍数与图片尺寸需调整为与步骤S2中一致。
图4所示为深度学习网络对待测耐热合金显微组织图像处理过程,随着网络层数加深及其提取的特征越来越抽象,关于图像类别预测的目标信息则越来越多,根据模型预测结果(50-100小时:4.0245482e-06概率;100-200小时:4.8858869e-06概率;200-250小时:9.9999106e-01概率),即该耐热合金在温度1100℃与应力17MPa条件下,持久性能为200-250小时。
在深度学习模型预测的耐热合金持久性能结果的基础上,根据外推方法获得在其他温度下对应的耐热合金持久性能。外推方法可以为Larson-Miller法、Manson-Haferd法、Sherby-Dorn法任意一种。在该实施例中,所采用的耐热合金持久性能外推法为Larson-Miller法。通过以上实施例,本发明对于耐热合金的高温力学性能预测具有较高效率与精度,模型优化过程效果显著,随着对模型的进一步优化以及实验数据样本的扩充,该方法的预测精度将会进一步提升。本发明能够充分利用目前已积累的大量耐热合金组织性能实验数据,挖掘其重要价值,并建立起耐热合金由显微组织到高温力学性能的定量预测方法。本发明对提升耐热合金性能检测效率,改善耐热合金性能预测方法的效率与准确性具有重要意义。
另外的,高温力学性能还包括蠕变性能、疲劳性能,通过数据种类不同实现不同性能的预测。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (9)
1.一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,包括以下步骤:
S1、获得同一牌号系列耐热合金在特定检测条件下的不同显微组织照片及其对应的高温力学性能测试结果,形成原始实验数据库;
S2、对原始实验数据库中的显微组织照片进行数据预处理;
S3、根据耐热合金高温力学性能实验值分布情况,将原始实验数据库划分为连续的N类,并将划分的类别值作为对应图像的类别标签;将标签化后的图像数据分成训练组数据、验证组数据、测试组数据;
S4、读取每组图像数据,并将所有组图像数据分别进行数字张量化处理;
S5、构建深度学习模型,配置模型结构与模型参数,采用训练组数据训练深度学习模型,根据验证组数据验证与优化深度学习模型,通过测试组数据检验最终测试优化后深度学习模型的预测效果,以获得优化深度学习模型;
S6、采用优化深度学习模型,输入待测耐热合金的显微组织图片,输出其高温力学性能预测结果。
2.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,所述显微组织照片可取自未进行高温服役耐热合金或服役后耐热合金,但同一个性能预测模型所用显微组织须为相同服役状态耐热合金。
3.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,所述原始实验数据库中的显微组织照片拍摄时放大倍数和或尺寸不同,步骤S2中的数据预处理是先对所述显微组织照片进行缩放,使所有显微组织照片的放大倍数一致,然后经过等大小切割处理。
4.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,步骤S3具体为:训练组数据数量远远高于验证组数据数量,验证组数据数量不低于测试组数据数量。
5.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,步骤S4中数字张量化处理包括以下步骤:
S41、将每组图像数据解码为像素或灰度网格;
S42、将像素和灰度网格转换为三维浮点数张量。
6.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,步骤S5中构建深度学习模型采用卷积神经网络结构,深度学习模型由A个连续的卷积块与B个全连接层堆叠而成,每个卷积块为连续C个卷积层和D个池化层。
7.根据权利要求6所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,步骤S5中配置模型结构与模型参数包括损失函数、优化器和监控指标,所述损失函数为交叉熵损失函数,优化器为基于随机梯度下降法的算法,所述监控指标为训练与验证精度与损失。
8.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,步骤S5中改善与提升模型性能的优化方法包括以下任一种或任意多种组合;
(1)获取更多实验数据以增加训练集规模;
(2)调整深度学习模型的模型参数;
(3)对标签化的图像进行数据增强处理,以从现有的训练样本中生成更多训练组数据,数据增强方法包括对图像的旋转、翻转、平移、包围与反射填充;
(4)引入权重正则化或丢弃正则化方法;
(5)保持测试组数据不变,将训练组数据与验证组数据合并及随机打乱后平均分为K组,K≥3,对于第i个分组,i=1,2,…,K,在剩下的K-1个分组上训练深度学习模型,然后在分组i上验证深度学习模型。
9.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法,其特征在于,步骤S6中待测耐热合金的显微组织放大倍数与图片尺寸调整为与步骤S2中一致,对于耐热合金持久性能预测结果,根据外推方法获得在其他温度下对应的耐热合金持久性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044967.9A CN110797096B (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习的耐热合金高温力学性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044967.9A CN110797096B (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习的耐热合金高温力学性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110797096A true CN110797096A (zh) | 2020-02-14 |
CN110797096B CN110797096B (zh) | 2021-04-27 |
Family
ID=69442093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911044967.9A Active CN110797096B (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习的耐热合金高温力学性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110797096B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965183A (zh) * | 2020-08-17 | 2020-11-20 | 沈阳飞机工业(集团)有限公司 | 基于深度学习的钛合金显微组织检测方法 |
CN112465758A (zh) * | 2020-11-19 | 2021-03-09 | 河南省科学院应用物理研究所有限公司 | 一种铝基覆铜板质量的诊断方法 |
CN112861665A (zh) * | 2021-01-25 | 2021-05-28 | 中国石油天然气集团有限公司 | 一种基于深度学习的油套管热处理组织检验方法 |
CN113033105A (zh) * | 2021-04-06 | 2021-06-25 | 东北大学 | 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 |
CN113470767A (zh) * | 2021-06-16 | 2021-10-01 | 特变电工衡阳变压器有限公司 | 基于硅钢片性能的分类方法、系统、计算机和存储介质 |
CN113505527A (zh) * | 2021-06-24 | 2021-10-15 | 中国科学院计算机网络信息中心 | 一种基于数据驱动的材料性质预测方法及系统 |
CN115497031A (zh) * | 2022-11-14 | 2022-12-20 | 广东祥利科技有限公司 | 基于图像处理的pvc护套料的性能检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170102689A1 (en) * | 2015-10-09 | 2017-04-13 | Amir Khajepour | System and method for real time closed-loop monitoring and control of material properties in thermal material processing |
CN106971026A (zh) * | 2017-03-08 | 2017-07-21 | 武汉科技大学 | 基于全局可加模型的微合金钢力学性能预报方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN109142358A (zh) * | 2018-08-22 | 2019-01-04 | 王天骄 | 基于神经网络的金属材料力学性能测试方法 |
CN110298397A (zh) * | 2019-06-25 | 2019-10-01 | 东北大学 | 基于压缩卷积神经网络的加热金属图像的多标签分类方法 |
-
2019
- 2019-10-30 CN CN201911044967.9A patent/CN110797096B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170102689A1 (en) * | 2015-10-09 | 2017-04-13 | Amir Khajepour | System and method for real time closed-loop monitoring and control of material properties in thermal material processing |
CN106971026A (zh) * | 2017-03-08 | 2017-07-21 | 武汉科技大学 | 基于全局可加模型的微合金钢力学性能预报方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN109142358A (zh) * | 2018-08-22 | 2019-01-04 | 王天骄 | 基于神经网络的金属材料力学性能测试方法 |
CN110298397A (zh) * | 2019-06-25 | 2019-10-01 | 东北大学 | 基于压缩卷积神经网络的加热金属图像的多标签分类方法 |
Non-Patent Citations (2)
Title |
---|
JAN KUSIAK ET AL.: "Modelling of microstructure and mechanical properties of steel using the artificial neural network", 《JOURNAL OF MATERIALS PROCESSING TECHNOLOGY》 * |
邵一涛 等: "基于BP人工神经网络的TC17钛合金显微组织-力学性能关系预测", 《稀有金属材料与工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965183A (zh) * | 2020-08-17 | 2020-11-20 | 沈阳飞机工业(集团)有限公司 | 基于深度学习的钛合金显微组织检测方法 |
CN111965183B (zh) * | 2020-08-17 | 2023-04-18 | 沈阳飞机工业(集团)有限公司 | 基于深度学习的钛合金显微组织检测方法 |
CN112465758A (zh) * | 2020-11-19 | 2021-03-09 | 河南省科学院应用物理研究所有限公司 | 一种铝基覆铜板质量的诊断方法 |
CN112861665A (zh) * | 2021-01-25 | 2021-05-28 | 中国石油天然气集团有限公司 | 一种基于深度学习的油套管热处理组织检验方法 |
CN113033105A (zh) * | 2021-04-06 | 2021-06-25 | 东北大学 | 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 |
CN113033105B (zh) * | 2021-04-06 | 2023-09-19 | 东北大学 | 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 |
CN113470767A (zh) * | 2021-06-16 | 2021-10-01 | 特变电工衡阳变压器有限公司 | 基于硅钢片性能的分类方法、系统、计算机和存储介质 |
CN113470767B (zh) * | 2021-06-16 | 2022-04-12 | 特变电工衡阳变压器有限公司 | 基于硅钢片性能的分类方法、系统、计算机和存储介质 |
CN113505527A (zh) * | 2021-06-24 | 2021-10-15 | 中国科学院计算机网络信息中心 | 一种基于数据驱动的材料性质预测方法及系统 |
CN113505527B (zh) * | 2021-06-24 | 2022-10-04 | 中国科学院计算机网络信息中心 | 一种基于数据驱动的材料性质预测方法及系统 |
CN115497031A (zh) * | 2022-11-14 | 2022-12-20 | 广东祥利科技有限公司 | 基于图像处理的pvc护套料的性能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110797096B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110797096B (zh) | 一种基于深度学习的耐热合金高温力学性能预测方法 | |
AU2020101874A4 (en) | A method for predicting high-temperature mechanical properties of heat-resistant alloys based on deep learning | |
CN111274903B (zh) | 一种基于图卷积神经网络的宫颈细胞图像分类方法 | |
US20190278880A1 (en) | Hybrid computational materials fabrication | |
Gorgannejad et al. | Quantitative prediction of the aged state of Ni-base superalloys using PCA and tensor regression | |
CN113052218A (zh) | 工业过程的多尺度残差卷积与lstm融合性能评估方法 | |
Jia et al. | Fault diagnosis of industrial process based on the optimal parametric t-distributed stochastic neighbor embedding | |
Engel et al. | Probabilistic modeling of slip system-based shear stresses and fatigue behavior of coarse-grained Ni-base superalloy considering local grain anisotropy and grain orientation | |
Zhu et al. | Creep rupture life prediction of nickel-based superalloys based on data fusion | |
Seita et al. | Probabilistic failure criteria for individual microstructural elements: an application to hydrogen-assisted crack initiation in alloy 725 | |
Chen et al. | Constitutive model parameter identification based on optimization method and formability analysis for Ti6Al4V alloy | |
CN112001123A (zh) | 一种基于深度卷积网络特征融合的化工过程性能评测方法 | |
Xi et al. | Lb-simtsc: An efficient similarity-aware graph neural network for semi-supervised time series classification | |
Wang et al. | A deep learning-based approach for segmentation and identification of δ phase for Inconel 718 alloy with different compression deformation | |
CN106909747B (zh) | 一种热对流扩散系统中模糊参数隶属度函数识别方法 | |
Wei et al. | Microalgae classification using improved metaheuristic algorithm | |
Chen et al. | The deep-learning-based evolutionary framework trained by high-throughput molecular dynamics simulations for composite microstructure design | |
Roth et al. | Comparison of Grain-Growth Mean-Field Models Regarding Predicted Grain Size Distributions | |
CN117195743B (zh) | 一种热障涂层裂纹结构的喷涂参数优化方法 | |
Nwachukwu et al. | Microstructure property classification of nickel-based superalloys using deep learning | |
Yu et al. | AI-Based Degradation Index from the Microstructure Image and Life Prediction Models Based on Bayesian Inference | |
CN116486404B (zh) | 基于卷积神经网络的针状焦显微图检测的方法和装置 | |
CN111709908B (zh) | 一种基于深度学习的氦泡分割计数方法 | |
CN117236201B (zh) | 一种基于Diffusion和ViT的降尺度方法 | |
Ghorbani et al. | Revolutionising inverse design of magnesium alloys through generative adversarial networks |
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 |