CN111286599A - 基于机器学习的合金热处理工艺优化方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的合金热处理工艺优化方法，旨在可以快速寻找到合金的最优热处理工艺，包括如下步骤，(1)根据正交实验设计原始训练集，而后通过插值方法细化工艺参数空间，建立合金工艺参数虚拟空间；(2)构建合金工艺描述符与目标性能的机器学习模型，根据性能评价选择最优适用模型(3)采用训练好的模型对合金虚拟空间的目标性能进行预测。(4)使用全局优化算法，平衡开发与探索选择下一次的反馈实验工艺。(5)如果所选择的工艺测试性能满足我们的需求，则停止；如果不满足，则继续执行该反馈循环，直至满足的需求。本发明建立的一种基于机器学习的快速优化合金热处理工艺的方法迭代效率高，这可以为合金制备，成分优化，工艺探索，提供新的解决思路，提升效率，降低生产成本。

Description

基于机器学习的合金热处理工艺优化方法

技术领域

本发明属于合金热处理技术领域，具体涉及一种基于机器学习的合金热处理工艺优化方法。

背景技术

金属材料一直是应用范围最广，种类最多的材料。近年来，金属材料也一直朝着“轻量化”的发展。因此轻型合金逐渐得到了人们的重视。相比于钢铁，轻型合金拥有众多优点，例如密度小，环保等，但其往往存在着性能与实际需求存在差距的问题。添加新的合金元素，调整制备工艺或者热处理工艺是主要的提升性能的方法。但是合金元素众多，工艺参数复杂，这会提升实验成本，增加实验难度。因此，寻找一种可以快速寻找到最优添加元素或者最优工艺参数的方法，进而提升合金性能的方法，这可以大大减少实验成本，提升实验效率。

近年来，在材料信息学被人们提出后，人们希望借助机器学习、统计学习等信息学科的方法提升材料性能或者开发新材料。本申请以镁合金为例，提出了一种利用机器学习快速优化合金热处理工艺，从而提升合金力学性能方法。

发明内容

针对现有合金材料的热处理工艺参数复杂，实验效率低，成本高的问题，本发明提供一种基于机器学习的合金热处理工艺优化方法，可有效平衡开发与探索，寻找最有价值的下次实验工艺，将实验与计算结合起来，从而可以快速寻找到合金的最优热处理工艺，提升其性能。

本发明是通过以下技术方案来实现：

一种基于机器学习的合金热处理工艺优化方法，包括以下步骤：

步骤1、选定合金工艺各描述符的取值范围，而后选取合金工艺描述符取值范围的最大值、中间值和最小值，利用正交设计方法设计正交实验工艺参数，并采用该工艺参数对于合金进行热处理，然后进行拉伸测试，得到合金的力学性能实测值，根据工艺参数和力学性能实测值构建数据集；

步骤2、选取数据集中已测试性能的数据作为训练集数据，未被测试性能的数据作为待预测数据集；

步骤3、构建多种以力学性能为输出，合金参数描述符为输入的机器学习模型，在机器学习模型训练的过程中，采用留一法划分训练集数据，计算均方误差指标，调整机器学习模型参数，并评价各个机器学习模型的性能，选择性能最优的机器学习模型；

步骤4、将步骤3得到的性能最优的机器学习模型应用于待预测数据集，得到其预测分布，使用全局最优算法ego计算期望提高，选择期望提高最大的工艺参数对合金进行热处理，测试合金的力学性能；

步骤5、当步骤4得到的力学性能达到预定要求，则完成工艺参数优化；

当步骤4得到的力学性能未达到预设要求，则将该工艺参数和对应的力学性能增加至训练数据集，重复步骤3-4，直至根据步骤4得到的力学性能达到预设要求。

优选的，步骤1所述合金描述符包括固溶温度、固溶时间、时效温度和时效时间。

优选的，步骤2中所述数据集的表达式如下：

其中，n表示固溶温度T_I所设定的温度插值后的总个数，m表示固溶时间t_I所设定的时间插值后的总个数，k表示时效温度T_II所设定的温度插值后的总个数，j表示时效时间t_II所设定的时间插值后的总个数。

优选的，步骤1所用正交实验为四因子三水平，所述力学性能为静力韧性，静力韧性包括强度信息和塑性信息。

优选的，步骤3中所述的机器学习模型包括线性回归模型、多项式回归模型、线性核的支持向量机回归模型、多项式核的支持向量机回归模型、径向基核的支持向量机回归模型；

各个模型的参数选择，均采用穷举法，利用均方误差指标选择最优的参数搭配，多项式模型参数为各部分次数，支持向量机模型包含cost、gamma、degree参数，将得到最优参数的模型应用于训练集数据进行训练，并评价训练后各个模型的性能。

优选的，步骤3所述中机器学习模型的性能评价方法如下：

S1，将训练集数据输入至各个模型中，其输出训练集数据对应的力学性能预测值；

S2，定性评价：以步骤1中力学性能实测值为X轴，力学性能预测值为Y轴，构建二维坐标系，对比各个模型构建的二维坐标系，当力学性能预测值位于分布图二位坐标系的45°对角线的两侧，则该模型性能最优。

优选的，步骤3所述中机器学习模型的性能评价方法如下：

采用定量评价方法，利用均方误差值来进行评价，将各模型的力学性能预测值与步骤1中力学性能实测值代入下式进行计算，

MSE的值越小，说明模型描述实验数据具有更好的精确度，即模型性能最优。

优选的，步骤4的方法具体如下：

首先，利用自动重取样方法自训练数据集中抽取M个子集，建立M个性能最优的模型，采用M个子集对M个性能最优的模型进行训练；

然后，将待预测数据集应用于训练后的M个性能最优的模型中，计算M个性能最优的模型输出的力学性能预测值的平均值与方差，然后利用全局最优算法计算最大的期望提高EI(μ,σ)，从而选择期望提高最大的工艺参数组合作为实验工艺；

EI(μ,σ)＝σ[φ(z)+zΦ(z)]

其中，z＝(u-μ^*)/σ，μ^*是训练集中最大均值，φ(z)与Φ(z)是标准正态分布的密度函数与分布函数探索。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的一种基于机器学习的合金热处理工艺优化方法，采用合金静力韧性作为力学性能，虽为单目标优化，但可有效同时考虑强度与塑性；使用正交设计思想设计合金热处理训练集参数，保证初始数据集分布的科学性，以及防止机器学习输入工艺参数出现区域性分布，加强分布的均匀性；利用自动重采样方法计算预测值的均值与方差，可以有效解决非高斯模型无法得到模型预测值分布的问题；利用全局优化ego算法计算期望提高，从而选择数据集中最有希望提升的工艺参数，该方法可以有效平衡开发与探索，更加有效的选择下次实验次数，减少实验成本与时间成本；同时建立多种机器学习模型，可增加该方法的普适性，不同的原始数据集，可以根据实际数据选择最为合适的模型，因此可推广至成分优化与其它工艺优化。

附图说明

图1为本发明逻辑框图；

图2为多项式模型参数选择与误差分布图

图3为各个模型的预测值与测量值的比较图

图4为各个模型的误差分布图；

图5为本发明目标性能随迭代次数的变化。

具体实施方式

下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

如图1-5所示，一种基于机器学习的合金热处理工艺优化方法，包括以下步骤：

步骤S1：基于所用合金的文献调研，选择合金参数描述符的取值范围，选定合金工艺各描述符的取值范围，而后取出各工艺描述符范围的最大值、中间值和最小值三个数值，利用正交设计的思想，设计正交实验工艺参数，并以此工艺参数对于合金进行热处理，而后进行拉伸测试，计算合金静力韧性，将其作为力学性能实测值，根据工艺参数和力学性能实测值构建数据集。

计算静力韧性的方法为，使用定积分方法计算合金测试所得的拉伸曲线与坐标轴围成面积的大小，即为合金的静力韧性值。

所述合金描述符包括固溶温度、固溶时间、时效温度和时效时间。固溶温度范围为470-520，插值后共6个温度；固溶时间范围为2-40，插值后共11个时间；时效温度范围150-250，插值后共6个温度；时效时间范围为2-150，插值后共34个时间.共计生成了一个

的合金工艺参数空间。

所设计的正交实验为四因子三水平。

所述力学性能为拉伸曲线下所围成的面积，即为静力韧性。

步骤S2：将生成的虚拟空间中的数据集，归一化预处理，选取已测试性能的数据集作为训练数据集，合金工艺参数空间中未被测试的工艺参数为待预测数据集。

步骤S3：建立以精力韧性为输出，合金参数描述符为输入的线性回归模型、多项式回归模型、线性核的支持向量机模型、多项式核的支持向量机模型和径向基核的支持向量机模型。

所有模型，在训练的过程中，利用留一法，划分训练集数据，而后选择合适参数范围，使用穷举法，利用交叉验证指标选择最优的参数搭配。

多项式回归模型的参数为项的次数，支持向量机模型包含cost、gamma、degree参数，而后将最优参数的模型应用于训练集，评价模型性能，并选取性能最优的模型。

多项式回归模型各项参数范围均为1：2，最终选择出的最优参数为

支持向量机模型参数范围:

径向基核：gamma＝(0,0.05,0.1,0.5,1,2),cost＝c(0.1,1,5，10,20,50,100)

线性核：gamma＝seq(0,1,0.2),cost＝c(0.01,0.1,1,10,20,50))

多项式核:gamma＝seq(0,2,0.4),cost＝c(0.01,0.1,1,10,20),

degree＝seq(0,5,1)

模型性能评价的方法如下：

定性方法：在该步骤中将训练数据集与力学性能实测值代入到最优参数的各个模型中对模型训练，此后在将训练集中的工艺带入所得到的模型中，然后可以得到训练数据集工艺的力学性能预测值，将此力学性能预测值与步骤1的力学性能实测值绘制在二位坐标系中，如果图中的力学性能预测值的数据点均分布在45度对角线两侧，选择最符合这个条件的模型为最优模型。

定量方法：利用均方误差值来进行评价，将各模型的力学性能预测值与力学性能实测值代入下式计算。

MSE的值越小，说明预测模型描述实验数据具有更好的精确度，即模型性能最优。

步骤S4：将步骤4得到的性能最优的模型应用于待预测数据集，得到其预测值的分布，使用全局最优算法ego计算期望提高，平衡探索与开发,选择接下来实验参数对合金进行热处理，测试合金的力学性能，具体如下：

首先，利用自动重取样方法从自训练数据集中抽取1000个子集(有放回抽样)，建立1000个步骤3中性能最优的的模型，然后将1000个子集应用于1000个模型中对其进行训练，然后将待预测数据集应用于训练后的1000个性能最优的模型中，计算1000个性能最优的模型输出的力学性能预测值的平均值与方差，便可以得到静力韧性预测值的平均值与方差；然后利用全局最优算法(ego)计算最大的期望提高EI(μ,σ),EI(μ,σ)＝σ[φ(z)+zΦ(z)]，其中z＝(u-μ^*)/σ，μ^*是训练集中最大均值，φ(z)与Φ(z)是标准正态分布的密度函数与分布函数探索，从选择期望提高最大的工艺参数组合为下次实验工艺。

经过N次迭代以后，当力学性能预测值的值随着迭代次数逐渐增加，那么即证明该方法的有效性。

所谓平衡开发与探索，即既考虑预测值的均值，也需要考虑预测值的方差，这样既比只考虑预测值均值最大的工艺参数组合有效，又比只考虑预测值方差最大的工艺参数组合有效。

步骤S5：当步骤4得到的力学性能达到目标预定要求，则停止循环；

当步骤5得到的力学性能未达到预定要求，则将该实验参数和对应的力学性能增加至训练集，重复步骤3-4，直至根据步骤5得到的力学性能达到预定要求。

实施例1

首先，基于所用Mg-9Y-3Zn-2Mn挤压态镁合金的文献调研，所述合金描述符包括固溶温度、固溶时间、时效温度和时效时间，目标性能为拉伸曲线下所围成的面积，即为静力韧性。固溶温度范围为470-520，插值后共6个温度；固溶时间范围为2-40，插值后共11个时间；时效温度范围150-250，插值后共6个温度；时效时间范围为2-150，插值后共34个时间.共计生成了一个

的合金工艺参数空间。

其次将生成的虚拟空间中的数据，归一化预处理。使用所设计的正交实验的工艺参数对合金进行热处理，而后进行拉伸测试，计算合金静力韧性，作为训练集，训练集中未被测试的工艺参数为待预测数据集。

接着以固溶温度，固溶时间，时效温度，时效时间为模型输入参数，目标性能(静力韧性)为输出参数，建立多种机器学习模型。在训练的过程中，利用留一法，划分训练集数据，选择合适参数范围，使用穷举法，利用交叉验证指标选择最优的参数搭配多项式回归模型的参数为项的次数，支持向量机模型包含cost、gamma、degree参数，而后将最优参数的模型应用于训练集，评价模型性能。多项式回归模型各项参数范围均为1：2，各参数的交叉验证误差如图1所示，最终选择出的最优参数为

支持向量机模型参数范围:

径向基核：gamma＝(0,0.05,0.1,0.5,1,2),cost＝c(0.1,1,5，10,20,50,100)

线性核：gamma＝seq(0,1,0.2),cost＝c(0.01,0.1,1,10,20,50))

多项式核:gamma＝seq(0,2,0.4),cost＝c(0.01,0.1,1,10,20),

degree＝seq(0,5,1)

最终模型的性能如图2和3所示，从图2可以发现径向基核的模型，相较于其他模型，其预测均值与测量值均位于坐标系对角线两侧，从图3中,也可以发现径向基核模型的误差最小。

最后，将步骤4得到的径向基核的模型应用于虚拟空间，利用自动重取样方法从已有数据集中抽取1000个子集(有放回抽样)，建立1000个步骤3中选择的径向基核的模型，然后将待预测数据集应用于所有径向基核的模型中，计算所有模型的待预测数据集的平均值与方差，便可以得到静力韧性预测值的平均值与方差；然后利用全局最优算法(ego)计算最大的期望提高EI(μ,σ),EI(μ,σ)＝σ[φ(z)+zΦ(z)]其中z＝(u-μ^*)/σ，μ^*是训练集中最大均值，φ(z)与Φ(z)是标准正态分布的密度函数与分布函数探索。从而选择期望提高最大的工艺参数组合为下次实验工艺，然后共进行了四轮迭代，可以发现目标性能都在随着迭代次数先上升后升高变缓，可以发现合金性能相比较原始挤压态合金有很大提升。结合以上所有结果，仅仅只经过五轮迭代，目标性能有了很大提升。这就表明该方法所需试验次数少，可大量减少时间与试样成本；推广能力强，多个模型选择，可以保证不同的数据集都可适用。

本发明公开了一种基于机器学习的合金热处理工艺优化方法，旨在可以快速寻找到合金的最优热处理工艺，包括如下步骤，(1)根据正交实验设计原始训练集，而后通过插值方法细化工艺参数空间，建立训练集数据和待预测数据集，(2)构建合金工艺描述符与目标性能的机器学习模型，根据性能评价选择最优适用模型，(3)采用训练好的模型对合金虚拟空间的目标性能进行预测。(4)使用全局优化算法，平衡开发与探索选择下一次的反馈实验工艺。(5)如果所选择的工艺测试性能满足我们的需求，则停止；如果不满足，则继续执行该反馈循环，直至满足的需求。本发明建立的一种基于机器学习的快速优化合金热处理工艺的方法迭代效率高，这可以为合金制备，成分优化，工艺探索，提供新的解决思路，提升效率，降低生产成本。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.一种基于机器学习的合金热处理工艺优化方法，其特征在于，包括以下步骤：

步骤1、选定合金工艺各描述符的取值范围，而后选取合金工艺描述符取值范围的最大值、中间值和最小值，利用正交设计方法设计正交实验工艺参数，并采用该工艺参数对于合金进行热处理，然后进行拉伸测试，得到合金的力学性能实测值，根据工艺参数和力学性能实测值构建数据集；

步骤2、选取数据集中已测试性能的数据作为训练集数据，未被测试性能的数据作为待预测数据集；

步骤3、构建多种以力学性能为输出，合金参数描述符为输入的机器学习模型，在机器学习模型训练的过程中，采用留一法划分训练集数据，计算均方误差指标，调整机器学习模型参数，并评价各个机器学习模型的性能，选择性能最优的机器学习模型；

步骤4、将步骤3得到的性能最优的机器学习模型应用于待预测数据集，得到其预测分布，使用全局最优算法ego计算期望提高，选择期望提高最大的工艺参数对合金进行热处理，测试合金的力学性能；

步骤5、当步骤4得到的力学性能达到预定要求，则完成工艺参数优化；

当步骤4得到的力学性能未达到预设要求，则将该工艺参数和对应的力学性能增加至训练数据集，重复步骤3-4，直至根据步骤4得到的力学性能达到预设要求。

2.根据权利要求1所述的一种基于机器学习的合金热处理工艺优化方法，其特征在于，步骤1所述合金描述符包括固溶温度、固溶时间、时效温度和时效时间。

3.根据权利要求1所述的一种基于机器学习的合金热处理工艺优化方法，其特征在于，步骤2中所述数据集的表达式如下：

其中，n表示固溶温度T_I所设定的温度插值后的总个数，m表示固溶时间t_I所设定的时间插值后的总个数，k表示时效温度T_II所设定的温度插值后的总个数，j表示时效时间t_II所设定的时间插值后的总个数。

4.根据权利要求1所述的一种基于机器学习的合金热处理工艺优化方法，其特征在于，步骤1所用正交实验为四因子三水平，所述力学性能为静力韧性，静力韧性包括强度信息和塑性信息。

5.根据权利要求1所述的一种基于机器学习的合金热处理工艺优化方法，其特征在于，步骤3中所述的机器学习模型包括线性回归模型、多项式回归模型、线性核的支持向量机回归模型、多项式核的支持向量机回归模型、径向基核的支持向量机回归模型；

各个模型的参数选择，均采用穷举法，利用均方误差指标选择最优的参数搭配，多项式模型参数为各部分次数，支持向量机模型包含cost、gamma、degree参数，将得到最优参数的模型应用于训练集数据进行训练，并评价训练后各个模型的性能。

6.根据权利要求5所述的一种基于机器学习的合金热处理工艺优化方法，其特征在于，步骤3所述中机器学习模型的性能评价方法如下：

S1，将训练集数据输入至各个模型中，其输出训练集数据对应的力学性能预测值；

S2，定性评价：以步骤1中力学性能实测值为X轴，力学性能预测值为Y轴，构建二维坐标系，对比各个模型构建的二维坐标系，当力学性能预测值位于分布图二位坐标系的45°对角线的两侧，则该模型性能最优。

7.根据权利要求5所述的一种基于机器学习的合金热处理工艺优化方法，其特征在于，步骤3所述中机器学习模型的性能评价方法如下：

采用定量评价方法，利用均方误差值来进行评价，将各模型的力学性能预测值与步骤1中力学性能实测值代入下式进行计算，

MSE的值越小，说明模型描述实验数据具有更好的精确度，即模型性能最优。

8.根据权利要求1所述的一种基于机器学习的合金热处理工艺优化方法，其特征在于，步骤4的方法具体如下：

首先，利用自动重取样方法自训练数据集中抽取M个子集，建立M个性能最优的模型，采用M个子集对M个性能最优的模型进行训练；

然后，将待预测数据集应用于训练后的M个性能最优的模型中，计算M个性能最优的模型输出的力学性能预测值的平均值与方差，然后利用全局最优算法计算最大的期望提高EI(μ,σ)，从而选择期望提高最大的工艺参数组合作为实验工艺；

EI(μ,σ)＝σ[φ(z)+zΦ(z)]

其中，z＝(u-μ^*)/σ，μ^*是训练集中最大均值，φ(z)与Φ(z)是标准正态分布的密度函数与分布函数探索。

Images