CN111783338A - 基于人工智能的微观组织金属强度分布预测方法及装置 - Google Patents

基于人工智能的微观组织金属强度分布预测方法及装置 Download PDF

Info

Publication number
CN111783338A
CN111783338A CN202010620550.9A CN202010620550A CN111783338A CN 111783338 A CN111783338 A CN 111783338A CN 202010620550 A CN202010620550 A CN 202010620550A CN 111783338 A CN111783338 A CN 111783338A
Authority
CN
China
Prior art keywords
metal sample
dislocation line
current
metal
areal density
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
Application number
CN202010620550.9A
Other languages
English (en)
Other versions
CN111783338B (zh
Inventor
张玉琪
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010620550.9A priority Critical patent/CN111783338B/zh
Publication of CN111783338A publication Critical patent/CN111783338A/zh
Application granted granted Critical
Publication of CN111783338B publication Critical patent/CN111783338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G01N23/203—Measuring back scattering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了基于人工智能的微观组织金属强度分布预测方法、装置、计算机设备及存储介质，涉及人工智能的智能决策，包括获取金属样品训练集；根据其对待训练卷积神经网络模型进行训练得到卷积神经网络；接收扫描电子显微镜上传与当前金属样品对应的当前几何必须位错位错线面密度；调用卷积神经网络，将当前位错线面密度输入得到当前总位错位错线面密度；根据当前总位错位错线面密度及对应的材料常数和屈服强度，获取与当前总位错位错线面密度对应的抗拉强度分布图并显示。该方法实现了结合模拟数据训练的图像深度学习网络，即可得到待测量强度的试样的抗拉强度的微观分布图，无需破坏材料制样来测试获取，不仅实现成本低，而且提高结果准确率。

Description

基于人工智能的微观组织金属强度分布预测方法及装置
技术领域
本发明涉及人工智能的智能决策技术领域，尤其涉及一种基于人工智能的微观组织金属强度分布预测方法、装置、计算机设备及存储介质。
背景技术
对金属材料的强度表征一般采用屈服强度和抗拉强度两种。其中，抗拉强度表征材料最大均匀塑性变形的抗力。抗拉强度是材料均匀塑性变形和局部集中塑性变形(缩颈现象)的分界点。对于宏观材料而言，抗拉强度通过拉伸实验测得，拉伸过程中，试样经过屈服阶段进入强化阶段后随着横截面尺寸明显缩小在拉断时所承受的最大力，除以试样的原始横截面积即为抗拉强度。
在工业领域，测试人员需获取抗拉强度在材料中的微观分布时，可采取的实验方法为XRD(X射线衍射法)，Synchrotron XRD(同步辐射X射线)，TEM(透射电子显微镜)，这三种方法分别存在以下缺陷：
1)采用X射线衍射法时，在制备样品时要求将待测试的金属样品制成粉末，这样就破坏了原始金属样品的试样，并且制成粉末后无法得知，测得强度的粉末在原始金属样品中的分布,导致测试结果不准确；
2)采用同步辐射X射线法时，由于设备稀少，导致测试成本极高；
3)采用透射电子显微镜法时，在制备样品时要求将将待测试的金属样品制成微米极的薄区，这样也破坏了原始金属样品的试样，并且得到结果图片后需要通过人眼数位错线的数目来完成统计，导致测试结果不准确，而且效率低下。
发明内容
本发明实施例提供了一种基于人工智能的微观组织金属强度分布预测方法、装置、计算机设备及存储介质，旨在解决现有技术中获取待测量强度的试样中抗拉强度时破坏原始金属样品的试样，测试结果不准确，且测试成本极高的问题。
第一方面，本发明实施例提供了一种基于人工智能的微观组织金属强度分布预测方法，其包括：
获取金属样品训练集；其中，所述金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度；
根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络；
接收扫描电子显微镜上传的当前金属样品对应的当前几何必须位错位错线面密度；其中，所述当前金属样品取自于待测量强度的试样；
调用所述卷积神经网络，将所述当前位错线面密度输入至所述卷积神经网络，得到所述当前位错线面密度对应的当前总位错位错线面密度；以及
根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图。
第二方面，本发明实施例提供了一种基于人工智能的微观组织金属强度分布预测装置，其包括：
训练集获取单元，用于获取金属样品训练集；其中，所述金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度；
模型训练单元，用于根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络；
当前错线面密度接收单元，用于接收扫描电子显微镜上传的当前金属样品对应的当前几何必须位错位错线面密度；其中，所述当前金属样品取自于待测量强度的试样；
当前总位错位错线面密度获取单元，用于调用所述卷积神经网络，将所述当前位错线面密度输入至所述卷积神经网络，得到所述当前位错线面密度对应的当前总位错位错线面密度；以及
抗拉强度分布图获取单元，用于根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于人工智能的微观组织金属强度分布预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于人工智能的微观组织金属强度分布预测方法。
本发明实施例提供了一种基于人工智能的微观组织金属强度分布预测方法、装置、计算机设备及存储介质，包括获取金属样品训练集；根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络；接收扫描电子显微镜上传的当前金属样品对应的当前几何必须位错位错线面密度；调用所述卷积神经网络，将所述当前位错线面密度输入至所述卷积神经网络，得到所述当前位错线面密度对应的当前总位错位错线面密度；根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图。该方法实现了结合模拟数据训练的图像深度学习网络，即可得到待测量强度的试样的抗拉强度的微观分布图，无需破坏材料额外制样来测试获取，不仅实现成本低，而且提高了结果准确率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述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为本发明实施例提供的基于人工智能的微观组织金属强度分布预测方法的应用场景示意图；
图2为本发明实施例提供的基于人工智能的微观组织金属强度分布预测方法的流程示意图；
图3为本发明实施例提供的基于人工智能的微观组织金属强度分布预测装置的示意性框图；
图4为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的基于人工智能的微观组织金属强度分布预测方法的应用场景示意图；图2为本发明实施例提供的基于人工智能的微观组织金属强度分布预测方法的流程示意图，该基于人工智能的微观组织金属强度分布预测方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤S110～S150。
S110、获取金属样品训练集；其中，所述金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度。
在本实施例中，涉及到工业智能化，主要应用场景是对金属材料进行强度分布预测。本申请中所涉及到的设备有服务器和扫描电子显微镜，其中扫描电子显微镜用于根据EBSD(Electron Backscattered Diffraction，电子背散射衍射)技术获取金属材料的几何必须位错位错线面密度，服务器调用预先训练的卷积神经网络，以根据金属材料的几何必须位错位错线面密度预测金属材料的总位错位错线面密度，最后根据总位错位错线面密度与抗拉强度之间的关系计算出金属材料的抗拉强度。
本申请中依赖于金属材料和位错的两大性质：
a1)对于金属材料而言，实验证明影响材料强度的主要因素为材料中的总位错位错密度，对于金属材料的微观组织而言同样成立；
a2)位错密度是由一根一根的位错线所构成的，位错线有一个重要性质是在晶体材料里只能终结于缺陷处(如表面，空洞等)，在完美晶体内部无法终结。
在训练用于根据金属样品的几何必须位错位错线面密度预测总位错位错线面密度卷积神经网络之前，需要先获取金属样品训练集，该金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度。通过获取上述金属样品训练集，即可作为后续训练卷积神经网络的数据基础。
在一实施例中，所述金属样品训练数据中几何必须位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行矢量求和计算得到的和值结果，所述金属样品训练数据中总位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行平方和后开方计算得到的计算结果。
在本实施例中，所述金属样品训练集包括多条金属样品训练数据，而每一条金属样品训练数据均是包括几何必须位错位错线面密度和总位错位错线面密度。其中，在获取每一条金属样品训练数据的几何必须位错位错线面密度时，是通过对金属样品在平面上随机分布的位错矢量线进行矢量求和对应的和值结果。在获取每一条金属样品训练数据的总位错位错线面密度时，是通过对金属样品在平面上随机分布的位错矢量线进行平方和后开方对应的计算结果。通过这一运算方式，能更快速和准确的根据金属样品在平面上随机分布的位错矢量线得到对应的几何必须位错位错线面密度和总位错位错线面密度。
在一实施例中，步骤S110之前还包括：
若检测到金属样品训练集生成指令，则构建用于随机生成位错线的模拟器；
通过所述模拟器生成在平面上随机分布的且与各金属样品训练数据分别对应的多个位错线矢量ρi；其中，i的取值范围为[1，N]，N是所述模拟器所随机生成的所述位错线矢量的总个数；
根据
Figure BDA0002562893140000061
计算各金属样品训练数据的几何必须位错位错线面密度；其中，ρGND表示一条所述金属样品训练数据的几何必须位错位错线面密度；
根据
Figure BDA0002562893140000062
计算各金属样品训练数据的总位错位错线面密度；其中，ρtotal表示一条所述金属样品训练数据的总位错位错线面密度。
在本实施例中，在训练用于根据金属样品的几何必须位错位错线面密度预测总位错位错线面密度卷积神经网络之前，需要先获取金属样品训练集，该金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度。
在获取金属样品的几何必须位错位错线面密度时，可以先建立一个模拟器(该模拟器在平面随机生成多根位错线，然后根据离散后的网格计算每一根位错的面密度)，模拟方式为在平面上随机分布位错矢量线ρi，之后根据已知网格大小(网格的大小参考拍摄的扫描电子显微镜图片的大小，范围在图片长度/100～图片长度/1000)计算随机分布位错矢量线的矢量和，从而得到金属样品对应的几何必须位错位错线面密度
Figure BDA0002562893140000063
由于此时已经模拟出了金属样品的随机分布位错矢量线，此时再计算随机分布位错矢量线进行平方和后开方，得到对应的计算结果，从而得到该金属样品对应的总位错位错线面密度
Figure BDA0002562893140000064
在获取每一训练数据，均需要根据模拟器模拟出金属样品对应的随机分布位错矢量线ρi，从而可以计算得到几何必须位错位错线面密度ρGND和总位错位错线面密度ρtotal。
S120、根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络。
在本实施例中，具体实施时当获取了大量的训练数据时，可对一个图像深度学习网络(如VGG网络)，也可以理解为一个待训练卷积神经网络模型进行训练，从而得到用于根据金属材料的几何必须位错位错线面密度预测当前总位错位错线面密度的卷积神经网络。
在一实施例中，步骤S120包括：
将所述金属样品训练集中每条所述金属样品训练数据的几何必须位错位错线面密度作为所述待训练卷积神经网络模型的输入参数，将各金属样品训练数据对应的几何必须位错位错线面密度作为所述待训练卷积神经网络模型相应的输出参数，经训练得到所述卷积神经网络。
例如，几何必须位错位错线面密度ρGND是多个位错矢量线进行矢量求和，其本质就是一个向量，此时无需对其进行预处理即可作为待训练卷积神经网络模型的输入。
当所采用的待训练卷积神经网络模型为VGG网络时，例如具体为VGG16时：
b1)卷积层全部由33和11构成，其中，33的卷积核stride＝1，padding尺寸为1；11的卷积核stride＝1，无padding；
b2)全部采用max pooling(即最大值池化)，stride＝2，尺寸为22
b3)最后得到的77512会flatten(卷积神经网络中flatten层用在从卷积层到全连接层的过渡，用来将输入“压平”，即把多维的输入一维化)成125088个神经元结点，随后连接到FC层，形成4096个神经元。
通过训练得到的卷积神经网络，即可根据金属材料的几何必须位错位错线面密度预测总位错位错线面密度。训练好的卷积神经网络已经掌握了位错线在晶体内部只能终结于缺陷处，在完美晶体内部无法终结的这一性质。
在一实施例中，步骤S120之后还包括：
将所述卷积神经网络发送至区块链网络进行存储。
在本实施例中，服务器可以作为一个区块链节点设备，以将所述卷积神经网络上传至区块链网络，充分利用区块链数据不可篡改的特性，实现数据证据固化。
其中，基于所述卷积神经网络的模型参数得到对应的摘要信息，具体来说，摘要信息由所述卷积神经网络的模型参数进行散列处理得到，比如利用sha256算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证所述卷积神经网络的模型参数是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
S130、接收扫描电子显微镜上传的当前金属样品对应的当前几何必须位错位错线面密度；其中，所述当前金属样品取自于待测量强度的试样。
在本实施例中，为了对某一金属材料实际待预测金属抗拉强度时，此时可以通过扫描电子显微镜根据EBSD技术(即背散射电子衍射技术)获取金属材料的当前几何必须位错位错线面密度。
在扫描电子显微镜中，入射于样品上的电子束与样品作用产生几种不同效应，其中之一就是在每一个晶体或晶粒内规则排列的晶格面上产生衍射。从所有原子面上产生的衍射组成“衍射花样”，这可被看成是一张晶体中原子面间的角度关系图。衍射花样包含晶系(立方、六方等)对称性的信息，而且晶面和晶带轴间的夹角与晶系种类和晶体的晶格参数相对应，这些数据可用于EBSD相鉴定。对于已知相，则花样的取向与晶体的取向直接对应。
S140、调用所述卷积神经网络，将所述当前位错线面密度输入至所述卷积神经网络，得到所述当前位错线面密度对应的当前总位错位错线面密度。
在本实施例中，由于在服务器中已经预先训练了卷积神经网络，此时可以将所述当前位错线面密度输入至所述卷积神经网络，计算得到当前金属样品对应的当前总位错位错线面密度。
即在具体使用过程中，对于金属样品，基于普通EBSD的制样方式，进行EBSD实验，得到ρGND的分布图，然后将ρGND的分布图放入之前训练好的卷积神经网络中，得到ρtotal的分布图。通过这一模型预测的方式，实现成本较低，而且预测结果准确。
S150、根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图。
在本实施例中，为了准确的获取与所述当前总位错位错线面密度对应的抗拉强度分布图，需先获知抗拉强度与当前总位错位错线面密度的函数关系。一般抗拉强度与当前总位错位错线面密度、及当前金属样品对应的材料常数和屈服强度有关，此时根据所述当前总位错位错线面密度及当前金属样品对应的材料常数和屈服强度，即可分析获取对应的抗拉强度分布图。
在一实施例中，步骤S150包括：
通过
Figure BDA0002562893140000091
计算与所述当前总位错位错线面密度对应的抗拉强度；其中，k表示与当前金属样品对应的材料常数，σ0表示与当前金属样品对应的屈服强度，ρcurrenttotal表示与当前金属样品对应的当前总位错位错线面密度，σb表示与所述当前总位错位错线面密度对应的抗拉强度；
根据与所述当前总位错位错线面密度对应的所述抗拉强度获取抗拉强度分布图，并显示。
在本实施例中，材料的抗拉强度σb与ρtotal的关系为
Figure BDA0002562893140000092
其中k为与材料相关的常数，σ0为材料的屈服强度。基于当前总位错位错线面密度对应的所述抗拉强度，可得到对应的抗拉强度分布图。
该方法实现了结合模拟数据训练的图像深度学习网络，即可得到待测量强度的试样的抗拉强度的微观分布图，无需破坏材料额外制样来测试获取，不仅实现成本低，而且提高了结果准确率。
本发明实施例还提供一种基于人工智能的微观组织金属强度分布预测装置，该基于人工智能的微观组织金属强度分布预测装置用于执行前述基于人工智能的微观组织金属强度分布预测方法的任一实施例。具体地，请参阅图3，图3是本发明实施例提供的基于人工智能的微观组织金属强度分布预测装置的示意性框图。该基于人工智能的微观组织金属强度分布预测装置100可以配置于服务器中。
如图3所示，基于人工智能的微观组织金属强度分布预测装置100包括：训练集获取单元110、模型训练单元120、当前错线面密度接收单元130、当前总位错位错线面密度获取单元140、抗拉强度分布图获取单元150。
训练集获取单元110，用于获取金属样品训练集；其中，所述金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度。
在本实施例中，涉及到工业智能化，主要应用场景是对金属材料进行强度分布预测。本申请中所涉及到的设备有服务器和扫描电子显微镜，其中扫描电子显微镜用于根据EBSD技术获取金属材料的几何必须位错位错线面密度，服务器调用预先训练的卷积神经网络，以根据金属材料的几何必须位错位错线面密度预测金属材料的总位错位错线面密度，最后根据总位错位错线面密度与抗拉强度之间的关系计算出金属材料的抗拉强度。
在训练用于根据金属样品的几何必须位错位错线面密度预测总位错位错线面密度卷积神经网络之前，需要先获取金属样品训练集，该金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度。通过获取上述金属样品训练集，即可作为后续训练卷积神经网络的数据基础。
在一实施例中，所述金属样品训练数据中几何必须位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行矢量求和计算得到的和值结果，所述金属样品训练数据中总位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行平方和后开方计算得到的计算结果。
在本实施例中，所述金属样品训练集包括多条金属样品训练数据，而每一条金属样品训练数据均是包括几何必须位错位错线面密度和总位错位错线面密度。其中，在获取每一条金属样品训练数据的几何必须位错位错线面密度时，是通过对金属样品在平面上随机分布的位错矢量线进行矢量求和对应的和值结果。在获取每一条金属样品训练数据的总位错位错线面密度时，是通过对金属样品在平面上随机分布的位错矢量线进行平方和后开方对应的计算结果。通过这一运算方式，能更快速和准确的根据金属样品在平面上随机分布的位错矢量线得到对应的几何必须位错位错线面密度和总位错位错线面密度。
在一实施例中，基于人工智能的微观组织金属强度分布预测装置100还包括：
模拟器构建单元，用于若检测到金属样品训练集生成指令，则构建用于随机生成位错线的模拟器；
位错线矢量生成单元，用于通过所述模拟器生成在平面上随机分布的且与各金属样品训练数据分别对应的多个位错线矢量ρi；其中，i的取值范围为[1，N]，N是所述模拟器所随机生成的所述位错线矢量的总个数；
第一获取单元，用于根据
Figure BDA0002562893140000101
计算各金属样品训练数据的几何必须位错位错线面密度；其中，ρGND表示一条所述金属样品训练数据的几何必须位错位错线面密度；
第二获取单元，用于根据
Figure BDA0002562893140000102
计算各金属样品训练数据的总位错位错线面密度；其中，ρtotal表示一条所述金属样品训练数据的总位错位错线面密度。
在本实施例中，在训练用于根据金属样品的几何必须位错位错线面密度预测总位错位错线面密度卷积神经网络之前，需要先获取金属样品训练集，该金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度。
在获取金属样品的几何必须位错位错线面密度时，可以先建立一个模拟器(该模拟器在平面随机生成多根位错线，然后根据离散后的网格计算每一根位错的面密度)，模拟方式为在平面上随机分布位错矢量线ρi，之后根据已知网格大小(网格的大小参考拍摄的扫描电子显微镜图片的大小，范围在图片长度/100～图片长度/1000)计算随机分布位错矢量线的矢量和，从而得到金属样品对应的几何必须位错位错线面密度
Figure BDA0002562893140000111
由于此时已经模拟出了金属样品的随机分布位错矢量线，此时再计算随机分布位错矢量线进行平方和后开方，得到对应的计算结果，从而得到该金属样品对应的总位错位错线面密度
Figure BDA0002562893140000112
在获取每一训练数据，均需要根据模拟器模拟出金属样品对应的随机分布位错矢量线ρi，从而可以计算得到几何必须位错位错线面密度ρGND和总位错位错线面密度ρtotal。
模型训练单元120，用于根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络。
在本实施例中，具体实施时当获取了大量的训练数据时，可对一个图像深度学习网络(如VGG网络)，也可以理解为一个待训练卷积神经网络模型进行训练，从而得到用于根据金属材料的几何必须位错位错线面密度预测当前总位错位错线面密度的卷积神经网络。
在一实施例中，模型训练单元120还用于：
将所述金属样品训练集中每条所述金属样品训练数据的几何必须位错位错线面密度作为所述待训练卷积神经网络模型的输入参数，将各金属样品训练数据对应的几何必须位错位错线面密度作为所述待训练卷积神经网络模型相应的输出参数，经训练得到所述卷积神经网络。
例如，几何必须位错位错线面密度ρGND是多个位错矢量线进行矢量求和，其本质就是一个向量，此时无需对其进行预处理即可作为待训练卷积神经网络模型的输入。
当所采用的待训练卷积神经网络模型为VGG网络时，例如具体为VGG16时：
b1)卷积层全部由33和11构成，其中，33的卷积核stride＝1，padding尺寸为1；11的卷积核stride＝1，无padding；
b2)全部采用max pooling(即最大值池化)，stride＝2，尺寸为22
b3)最后得到的77512会flatten(卷积神经网络中flatten层用在从卷积层到全连接层的过渡，用来将输入“压平”，即把多维的输入一维化)成125088个神经元结点，随后连接到FC层，形成4096个神经元。
通过训练得到的卷积神经网络，即可根据金属材料的几何必须位错位错线面密度预测总位错位错线面密度。训练好的卷积神经网络已经掌握了位错线在晶体内部只能终结于缺陷处，在完美晶体内部无法终结的这一性质。
在一实施例中，基于人工智能的微观组织金属强度分布预测装置100还包括：
模型上链单元，用于将所述卷积神经网络发送至区块链网络进行存储。
在本实施例中，服务器可以作为一个区块链节点设备，以将所述卷积神经网络上传至区块链网络，充分利用区块链数据不可篡改的特性，实现数据证据固化。
其中，基于所述卷积神经网络的模型参数得到对应的摘要信息，具体来说，摘要信息由所述卷积神经网络的模型参数进行散列处理得到，比如利用sha256算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证所述卷积神经网络的模型参数是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
当前错线面密度接收单元130，用于接收扫描电子显微镜上传的当前金属样品对应的当前几何必须位错位错线面密度；其中，所述当前金属样品取自于待测量强度的试样。
在本实施例中，为了对某一金属材料实际待预测金属抗拉强度时，此时可以通过扫描电子显微镜根据EBSD技术获取金属材料的当前几何必须位错位错线面密度。
在扫描电子显微镜中，入射于样品上的电子束与样品作用产生几种不同效应，其中之一就是在每一个晶体或晶粒内规则排列的晶格面上产生衍射。从所有原子面上产生的衍射组成“衍射花样”，这可被看成是一张晶体中原子面间的角度关系图。衍射花样包含晶系(立方、六方等)对称性的信息，而且晶面和晶带轴间的夹角与晶系种类和晶体的晶格参数相对应，这些数据可用于EBSD相鉴定。对于已知相，则花样的取向与晶体的取向直接对应。
当前总位错位错线面密度获取单元140，用于调用所述卷积神经网络，将所述当前位错线面密度输入至所述卷积神经网络，得到所述当前位错线面密度对应的当前总位错位错线面密度。
在本实施例中，由于在服务器中已经预先训练了卷积神经网络，此时可以将所述当前位错线面密度输入至所述卷积神经网络，计算得到当前金属样品对应的当前总位错位错线面密度。
即在具体使用过程中，对于金属样品，基于普通EBSD的制样方式，进行EBSD实验，得到ρGND的分布图，然后将ρGND的分布图放入之前训练好的卷积神经网络中，得到ρtotal的分布图。通过这一模型预测的方式，实现成本较低，而且预测结果准确。
抗拉强度分布图获取单元150，用于根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图。
在本实施例中，为了准确的获取与所述当前总位错位错线面密度对应的抗拉强度分布图，需先获知抗拉强度与当前总位错位错线面密度的函数关系。一般抗拉强度与当前总位错位错线面密度、及当前金属样品对应的材料常数和屈服强度有关，此时根据所述当前总位错位错线面密度及当前金属样品对应的材料常数和屈服强度，即可分析获取对应的抗拉强度分布图。
在一实施例中，抗拉强度分布图获取单元150包括：
抗拉强度计算单元，用于通过
Figure BDA0002562893140000131
计算与所述当前总位错位错线面密度对应的抗拉强度；其中，k表示与当前金属样品对应的材料常数，σ0表示与当前金属样品对应的屈服强度，ρcurrenttotal表示与当前金属样品对应的当前总位错位错线面密度，σb表示与所述当前总位错位错线面密度对应的抗拉强度；
分布图生产单元，用于根据与所述当前总位错位错线面密度对应的所述抗拉强度获取抗拉强度分布图，并显示。
在本实施例中，材料的抗拉强度σb与ρtotal的关系为
Figure BDA0002562893140000141
其中k为与材料相关的常数，σ0为材料的屈服强度。基于当前总位错位错线面密度对应的所述抗拉强度，可得到对应的抗拉强度分布图。
该装置实现了结合模拟数据训练的图像深度学习网络，即可得到待测量强度的试样的抗拉强度的微观分布图，无需破坏材料额外制样来测试获取，不仅实现成本低，而且提高了结果准确率。
上述基于人工智能的微观组织金属强度分布预测装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图4，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于人工智能的微观组织金属强度分布预测方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于人工智能的微观组织金属强度分布预测方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于人工智能的微观组织金属强度分布预测方法。
本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于人工智能的微观组织金属强度分布预测方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的微观组织金属强度分布预测方法，其特征在于，包括：
获取金属样品训练集；其中，所述金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度；
根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络；
接收扫描电子显微镜上传的当前金属样品对应的当前几何必须位错位错线面密度；其中，所述当前金属样品取自于待测量强度的试样；
调用所述卷积神经网络，将所述当前位错线面密度输入至所述卷积神经网络，得到所述当前位错线面密度对应的当前总位错位错线面密度；以及
根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图。
2.根据权利要求1所述的基于人工智能的微观组织金属强度分布预测方法，其特征在于，所述金属样品训练数据中几何必须位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行矢量求和计算得到的和值结果，所述金属样品训练数据中总位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行平方和后开方计算得到的计算结果。
3.根据权利要求2所述的基于人工智能的微观组织金属强度分布预测方法，其特征在于，还包括：
若检测到金属样品训练集生成指令，则构建用于随机生成位错线的模拟器；
通过所述模拟器生成在平面上随机分布的且与各金属样品训练数据分别对应的多个位错线矢量ρi；其中，i的取值范围为[1，N]，N是所述模拟器所随机生成的所述位错线矢量的总个数；
根据
Figure FDA0002562893130000011
计算各金属样品训练数据的几何必须位错位错线面密度；其中，ρGND表示一条所述金属样品训练数据的几何必须位错位错线面密度；
根据
Figure FDA0002562893130000012
计算各金属样品训练数据的总位错位错线面密度；其中，ρtotal表示一条所述金属样品训练数据的总位错位错线面密度。
4.根据权利要求1所述的基于人工智能的微观组织金属强度分布预测方法，其特征在于，所述根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络，包括：
将所述金属样品训练集中每条所述金属样品训练数据的几何必须位错位错线面密度作为所述待训练卷积神经网络模型的输入参数，将各金属样品训练数据对应的几何必须位错位错线面密度作为所述待训练卷积神经网络模型相应的输出参数，经训练得到所述卷积神经网络。
5.根据权利要求4所述的基于人工智能的微观组织金属强度分布预测方法，其特征在于，所述根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络之后，还包括：
将所述卷积神经网络发送至区块链网络进行存储。
6.根据权利要求2所述的基于人工智能的微观组织金属强度分布预测方法，其特征在于，所述根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图，包括：
通过
Figure FDA0002562893130000021
计算与所述当前总位错位错线面密度对应的抗拉强度；其中，k表示与当前金属样品对应的材料常数，σ0表示与当前金属样品对应的屈服强度，ρcurrenttotal表示与当前金属样品对应的当前总位错位错线面密度，σb表示与所述当前总位错位错线面密度对应的抗拉强度；
根据与所述当前总位错位错线面密度对应的所述抗拉强度获取抗拉强度分布图，并显示。
7.一种基于人工智能的微观组织金属强度分布预测装置，其特征在于，包括：
训练集获取单元，用于获取金属样品训练集；其中，所述金属样品训练集包括多条金属样品训练数据，每条所述金属样品训练数据均包括几何必须位错位错线面密度和总位错位错线面密度；
模型训练单元，用于根据所述金属样品训练集对待训练卷积神经网络模型进行训练，得到卷积神经网络；
当前错线面密度接收单元，用于接收扫描电子显微镜上传的当前金属样品对应的当前几何必须位错位错线面密度；其中，所述当前金属样品取自于待测量强度的试样；
当前总位错位错线面密度获取单元，用于调用所述卷积神经网络，将所述当前位错线面密度输入至所述卷积神经网络，得到所述当前位错线面密度对应的当前总位错位错线面密度；以及
抗拉强度分布图获取单元，用于根据所述当前总位错位错线面密度及所述当前金属样品对应的材料常数和屈服强度，确定并显示与所述当前总位错位错线面密度对应的抗拉强度分布图。
8.根据权利要求7所述的基于人工智能的微观组织金属强度分布预测装置，其特征在于，所述金属样品训练数据中几何必须位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行矢量求和计算得到的和值结果，所述金属样品训练数据中总位错位错线面密度是通过对金属样品在平面上随机分布的位错矢量线进行平方和后开方计算得到的计算结果。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于人工智能的微观组织金属强度分布预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的基于人工智能的微观组织金属强度分布预测方法。
CN202010620550.9A 2020-06-30 2020-06-30 基于人工智能的微观组织金属强度分布预测方法及装置 Active CN111783338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010620550.9A CN111783338B (zh) 2020-06-30 2020-06-30 基于人工智能的微观组织金属强度分布预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010620550.9A CN111783338B (zh) 2020-06-30 2020-06-30 基于人工智能的微观组织金属强度分布预测方法及装置

Publications (2)

Publication Number Publication Date
CN111783338A true CN111783338A (zh) 2020-10-16
CN111783338B CN111783338B (zh) 2023-04-21

Family

ID=72760935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010620550.9A Active CN111783338B (zh) 2020-06-30 2020-06-30 基于人工智能的微观组织金属强度分布预测方法及装置

Country Status (1)

Country Link
CN (1) CN111783338B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927769A (zh) * 2021-01-26 2021-06-08 华南理工大学 基于孔径分布曲线的MOFs材料缺陷结构预测方法
CN113506366A (zh) * 2021-08-06 2021-10-15 重庆大学 一种位错特征的三维图示化表示方法
KR20220073287A (ko) * 2020-11-26 2022-06-03 현대제철 주식회사 딥러닝을 이용한 철강 미세 조직 분석 방법 및 시스템
CN115372200A (zh) * 2022-07-12 2022-11-22 蓝冰河(常州)精密测量技术有限责任公司 基于x射线的在线面密度测量方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032285A1 (en) * 2014-04-09 2017-02-02 Entrupy Inc. Authenticating physical objects using machine learning from microscopic variations
CN108760873A (zh) * 2018-04-23 2018-11-06 南京航空航天大学 基于增量磁导率的金属材料抗拉强度定量检测装置及方法
WO2019191346A1 (en) * 2018-03-28 2019-10-03 Kla-Tencor Corporation Training a neural network for defect detection in low resolution images
US20200034956A1 (en) * 2018-07-25 2020-01-30 Fei Company Training an artificial neural network using simulated specimen images
WO2020043335A1 (de) * 2018-08-30 2020-03-05 Thyssenkrupp Steel Europe Ag Verfahren, vorrichtung und system zur ermittlung von messinformationen
CN111008738A (zh) * 2019-12-04 2020-04-14 云南锡业集团（控股）有限责任公司研发中心 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
CN111209620A (zh) * 2019-12-30 2020-05-29 浙江大学 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法
WO2020130513A1 (ko) * 2018-12-18 2020-06-25 주식회사 포스코 딥 러닝 기반의 금속 미세조직 이미지를 이용한 소재 물성 예측 시스템 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032285A1 (en) * 2014-04-09 2017-02-02 Entrupy Inc. Authenticating physical objects using machine learning from microscopic variations
WO2019191346A1 (en) * 2018-03-28 2019-10-03 Kla-Tencor Corporation Training a neural network for defect detection in low resolution images
CN108760873A (zh) * 2018-04-23 2018-11-06 南京航空航天大学 基于增量磁导率的金属材料抗拉强度定量检测装置及方法
US20200034956A1 (en) * 2018-07-25 2020-01-30 Fei Company Training an artificial neural network using simulated specimen images
WO2020043335A1 (de) * 2018-08-30 2020-03-05 Thyssenkrupp Steel Europe Ag Verfahren, vorrichtung und system zur ermittlung von messinformationen
WO2020130513A1 (ko) * 2018-12-18 2020-06-25 주식회사 포스코 딥 러닝 기반의 금속 미세조직 이미지를 이용한 소재 물성 예측 시스템 및 방법
CN111008738A (zh) * 2019-12-04 2020-04-14 云南锡业集团（控股）有限责任公司研发中心 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
CN111209620A (zh) * 2019-12-30 2020-05-29 浙江大学 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹宇鹏等: "激光冲击690高强钢位错组态与晶粒细化的实验研究", 《光子学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220073287A (ko) * 2020-11-26 2022-06-03 현대제철 주식회사 딥러닝을 이용한 철강 미세 조직 분석 방법 및 시스템
KR102456461B1 (ko) 2020-11-26 2022-10-19 현대제철 주식회사 딥러닝을 이용한 철강 미세 조직 분석 방법 및 시스템
CN112927769A (zh) * 2021-01-26 2021-06-08 华南理工大学 基于孔径分布曲线的MOFs材料缺陷结构预测方法
CN112927769B (zh) * 2021-01-26 2022-05-24 华南理工大学 基于孔径分布曲线的MOFs材料缺陷结构预测方法
CN113506366A (zh) * 2021-08-06 2021-10-15 重庆大学 一种位错特征的三维图示化表示方法
CN113506366B (zh) * 2021-08-06 2024-03-26 重庆大学 一种位错特征的三维可视化方法
CN115372200A (zh) * 2022-07-12 2022-11-22 蓝冰河(常州)精密测量技术有限责任公司 基于x射线的在线面密度测量方法及装置

Also Published As

Publication number Publication date
CN111783338B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN111783338B (zh) 基于人工智能的微观组织金属强度分布预测方法及装置
Reimann et al. Modeling macroscopic material behavior with machine learning algorithms trained by micromechanical simulations
Frankel et al. Prediction of the evolution of the stress field of polycrystals undergoing elastic-plastic deformation with a hybrid neural network model
Obstalecki et al. Quantitative analysis of crystal scale deformation heterogeneity during cyclic plasticity using high-energy X-ray diffraction and finite-element simulation
Pandey et al. Machine learning based surrogate modeling approach for mapping crystal deformation in three dimensions
Paz et al. Shapes of clusters and groups of galaxies: comparison of model predictions with observations
Jebahi et al. Strain gradient crystal plasticity model based on generalized non-quadratic defect energy and uncoupled dissipation
Wong et al. Stress and deformation heterogeneity in individual grains within polycrystals subjected to fully reversed cyclic loading
Escoda et al. Three‐dimensional morphological modelling of concrete using multiscale Poisson polyhedra
Pei et al. Texture evolution prediction of 2219 aluminum alloy sheet under hydro-bulging using cross-scale numerical modeling
Zhang et al. Three‐dimensional quantitative analysis on granular particle shape using convolutional neural network
Petrich et al. Reconstruction of grains in polycrystalline materials from incomplete data using Laguerre tessellations
Pagan et al. Graph neural network modeling of grain-scale anisotropic elastic behavior using simulated and measured microscale data
KR20200006461A (ko) 크리스탈 결함 분석 시스템 및 크리스탈 결함 분석 방법
US11501037B2 (en) Microstructures using generative adversarial networks
Rezasefat et al. A finite element-convolutional neural network model (FE-CNN) for stress field analysis around arbitrary inclusions
Chakrabarty et al. Influence of scanning and building strategies on the deformation behavior of additively manufactured AlSi10Mg: CPFEM and finite element studies
DeMille et al. Convolutional neural networks for expediting the determination of minimum volume requirements for studies of microstructurally small cracks, Part I: Model implementation and predictions
CN112037181B (zh) 2d saxs图谱解析模型训练方法及装置
Plšek et al. CAvity DEtection Tool (CADET): pipeline for detection of X-ray cavities in hot galactic and cluster atmospheres
Hosokawa et al. Ductile fracture via hydrogen pore mechanism in an aluminum alloy; quantitative microstructural analysis and image-based finite element analysis
Li et al. Dependency of grain boundary dislocation network configuration on generalized stacking fault energy surface in FCC metals
Li et al. A virtual environment for the interrogation of 3D polycrystalline microstructures including grain size effects
CN116092605A (zh) 一种基于数字孪生的材料腐蚀服役性能评价方法
Lu et al. Revealing geometrically necessary dislocation density from electron backscatter patterns via multi-modal deep learning

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