CN113033105B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113033105B CN113033105B CN202110368797.0A CN202110368797A CN113033105B CN 113033105 B CN113033105 B CN 113033105B CN 202110368797 A CN202110368797 A CN 202110368797A CN 113033105 B CN113033105 B CN 113033105B
- Authority
- CN
- China
- Prior art keywords
- source
- model
- performance
- target
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 239000000463 material Substances 0.000 title claims abstract description 74
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 30
- 239000010959 steel Substances 0.000 title claims abstract description 30
- 238000013526 transfer learning Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000013508 migration Methods 0.000 claims abstract description 30
- 230000005012 migration Effects 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 18
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 239000007769 metal material Substances 0.000 description 3
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
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
- G06F30/27—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明提供一种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,涉及钢铁材料的设计和机器学习应用技术领域。本发明将力学理论机制引入到机器学习中,解决了材料高成本属性预测的小样本问题。通过基于力学理论指导建立钢种成分、工艺与目标性能之间的关系。本方法针对获取成本高的目标性能,利用目标性能与源性能间的高相关性,即基于力学理论指导,仅利用数十组目标性能数据便可建立起准确预测目标性能的迁移学习模型。该方法显著降低了机器学习对于高成本目标性能的数据量要求,显著提高了高成本目标性能评估、预测效率,并最终有利于提高新材料研发速率。
Description
技术领域
本发明涉及钢铁材料的设计和机器学习应用技术领域,尤其涉及一种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。
背景技术
疲劳失效是工程材料的主要失效形式之一,其约占金属结构部件机械失效的90%。因此,评估和预测金属材料的疲劳性能至关重要。金属材料的疲劳可分为高周疲劳(HCF)和低周疲劳(LCF)。对于HCF,应力-寿命方法在疲劳分析中得到了广泛应用,其最早由Wohler提出,并提出疲劳极限。许多高强度钢通常不表现出疲劳极限,此条件下耐久极限称为疲劳强度,通常将其定义为在给定的循环(107~109)后无失效的最大应力振幅。疲劳强度是最重要的性能之一。然而,为了获得疲劳强度,诸如阶梯法的疲劳测试非常昂贵且耗时。随着材料基因组和大数据技术概念的发展,机器学习已广泛应用于材料属性预测和新材料发现。与传统实验方法相比,依靠材料大数据的统计学习,组成/过程属性与材料性能间的关系相对容易建立。从传统机器学习方法例如人工神经网络和支持向量回归到新颖机器学习方法例如极限梯度增强和深度学习算法(如卷积神经网络),它们对各种材料属性均实现了良好的预测。对于金属材料疲劳性能的预测,目前已有部分研究并取得一些应用成果,例如疲劳寿命预测、疲劳裂纹驱动力预测、疲劳强度预测等。然而先前研究是基于相对较大的数据集,其中包含数十年来积累的数百个样本。而对于新材料的疲劳强度而言,为机器学习积累足够的数据既昂贵又费时。即使我们目前在某些材料科学领域处于大数据时代,但就钢铁领域而言,仍然相距甚远,因为开放、可访问和标准的统一数据相当有限,尤其是对于新材料。因此,通常只能获得数十个疲劳数据,这不足以建立良好的机器学习模型。
长期以来,人们发现疲劳强度与其他机械性能有关,例如硬度、拉伸性能和冲击韧性。与疲劳强度相比,拉伸测试显然易于进行,因此可以获得大量数据。依靠足够的数据,通过机器学习方法实现以上性能预测是可行的。同时,考虑到疲劳强度与拉伸性能之间的良好相关性,它们可以用作材料疲劳强度预测的中间阶段。因此,当疲劳数据不足时,借助拉伸性能预测疲劳强度是一种有效的策略。它可以被称为基于力学理论指导的迁移学习。
发明内容
针对现有技术存在的不足,本发明提出了一种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,本方法将力学理论机制引入到机器学习中,解决了材料高成本属性预测的小样本问题。
本发明所采取的技术方案是:
一种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,包括以下步骤:
步骤1:建立钢铁材料成分、工艺及性能数据集;
步骤1.1:获取钢铁材料中m种材料的成分、工艺及其对应的源性能,每一种材料的成分、工艺、源性能为一组原始数据;m组原始数据形成源数据集;所述成分为材料的元素及含量,所述工艺为材料的工艺参数;源数据集用于作为材料源性能预测的有效数据;对源数据集中的所有数据进行标准化处理,形成源性能初始数据集,标准化处理公式为:z=(x-μ)/σ,其中z是标准化数据,x是原始数据,μ是原始数据中每一维变量的均值,σ是原始数据中每一维变量的标准差;
步骤1.2:获取钢铁材料中n种材料的成分、工艺及其对应的目标性能,即疲劳性能,每一种材料的成分、工艺、目标性能为一组原始数据;n组原始数据形成目标数据集;所述成分为材料的元素及含量,所述工艺为材料的工艺参数;目标数据集用于作为材料目标性能预测的有效数据;对目标数据集中的所有数据进行标准化处理,形成目标性能初始数据集;
步骤2:对源性能初始数据集及目标性能初始数据集进行预处理;
步骤2.1:令划分比例为6:2:2,将源数据集采用随机法第i次划分为源训练集、源测试集及源验证集;其中划分次数i∈F,F为设置的划分总次数;令划分比例为3:1:10,将目标数据集采用随机法第i次划分为目标训练集、目标测试集及目标验证集;
步骤2.2:源数据集、目标数据集中输入(input)即d维的成分和工艺重塑为K×K维矩阵,矩阵中不足K2位置补充为0;
步骤3:使用步骤2.2处理后的源数据集中源训练集建立卷积神经网络源模型;训练好的卷积神经网络源模型通过输入成分、工艺获得源性能;
步骤3.1:建立卷积神经网络源模型,模型由卷积层、全连接层、输出层组成,其中卷积层为数量为2,全连接层数量为1;所述卷积层均采用3×3卷积核,激活函数选择ReLU,ReLU公式近似推导如下:
f(x)=≈max(0,x)
其中x为输入数值;
步骤3.2:将步骤2.2中源数据集的输入数据即K×K维矩阵和输出数据源性能分别输入卷积神经网络源模型中,采用Adam优化器对源模型进行训练,并对Adam优化器进行参数优化;
所述Adam优化器的公式参数设定:为gt的元素乘操作;α为学习率;β1,β2∈[0,1)为矩估计的指数衰减率;f(θ)为参数θ的随机目标函数值;θ0为初始的参数向量;m0←0为初始第一矩向量;v0←0为第二矩向量;t←0为时间步长;
所述Adam优化器的参数优化过程:
当θt未收敛时:{t←t+1,获得新一轮的梯度值;
mt←β1·mt-1+(1-β1)·gt更新第一矩向量;
更新第二矩向量;
计算偏差校正的第一矩向量;
计算偏差校正的第二矩向量;
更新参数;}
优化过程结束;优化过程中采用MeanSquareError(MSE)作为源模型性能的评价指标;设置源模型训练的迭代次数为t';
步骤3.3:对源模型训练完毕后,使用该模型对源验证集进行预测,预测精度使用平方相关系数(R2)和平均绝对误差(MAE)指标评价,公式如下:
n代表源验证集的样本数据总量,xi代表测试集内第i个样本,f(xi)为模型预测的源性能值,yi所对应的源性能的真实值。
若验证集中数据预测结果的R2均值大于95%,则模型精度达到应用要求;否则返回到步骤3.2,通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络源模型进行训练,直至满足应用要求;
步骤4:根据步骤2.2处理后的目标数据集建立卷积神经网络迁移模型,并对卷积神经网络迁移模型进行训练;将训练好的卷积神经网络迁移模型通过输入成分、工艺获得目标性能;
步骤4.1:建立迁移模型,模型由卷积层、全连接层、输出层组成,其中卷积层为数量为2,全连接层数量为1;其中卷积层和全连接层应用步骤3中建立源模型的模型参数,在迁移模型训练中,卷积层和全连接层保持冻结状态;所述卷积层均采用3×3卷积核,激活函数选择步骤3.1中ReLU函数;
步骤4.2:将步骤2中目标数据集的即K×K维矩阵和输出数据目标性能分别输入到卷积神经网络迁移模型中,采用步骤3.2中Adam优化器对目标模型进行训练,并进行参数优化;
步骤4.3:对迁移模型训练完毕后,对目标验证集进行预测,预测精度使用平方相关系数(R2)和平均绝对误差(MAE)指标评价;若验证集中数据预测结果的R2均值大于90%,MAE低于15MPa,则模型精度达到应用要求;否则返回到步骤4.2,通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络迁移模型进行训练,直至满足应用要求;
步骤4.4:基于力学理论指导卷积神经网络迁移模型的应用;
通过基于力学理论指导的迁移学习模型的训练建立成分、工艺与目标性能的关系,在迁移学习模型的应用过程中,将目标钢铁材料的成分、工艺参数输入到迁移模型中预测得到对应的目标性能。
采用上述技术方法所产生的有益效果在于:
本发明提供一种基于力学理论指导迁移学习的钢铁材料性能预测方法,基于力学理论指导建立钢种成分、工艺与目标性能之间的关系。该方法针对获取成本高的目标性能,利用目标性能与源性能间的高相关性,即基于力学理论指导,仅利用数十组目标性能数据便可建立起准确预测目标性能的迁移学习模型。该方法显著降低了机器学习对于高成本目标性能的数据量要求,显著提高了高成本目标性能评估、预测效率,并最终有利于提高新材料研发速率。
附图说明
图1为本发明钢铁材料疲劳性能预测方法流程图;
图2为本发明实施例迁移模型预测结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种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,如图1所示,包括以下步骤:
步骤1:建立钢铁材料成分、工艺及性能数据集;本实施例从大量文献中收集目标材料的数据,建立起不低于400条数据的源数据集和100条左右数据的目标数据集
步骤1.1:获取钢铁材料中m种材料的成分、工艺及其对应的源性能,每一种材料的成分、工艺、源性能为一组原始数据;m组原始数据形成源数据集;所述成分为材料的元素及含量,所述工艺为材料的工艺参数;源数据集用于作为材料源性能预测的有效数据;对源数据集中的所有数据进行标准化处理,形成源性能初始数据集,标准化处理公式为:z=(x-μ)/σ,其中z是标准化数据,x是原始数据,μ是原始数据中每一维变量的均值,σ是原始数据中每一维变量的标准差;
步骤1.2:获取钢铁材料中n种材料的成分、工艺及其对应的目标性能,即疲劳性能,每一种材料的成分、工艺、目标性能为一组原始数据;n组原始数据形成目标数据集;所述成分为材料的元素及含量,所述工艺为材料的工艺参数;目标数据集用于作为材料目标性能预测的有效数据;对目标数据集中的所有数据进行标准化处理,形成目标性能初始数据集;
在本实施例中采用低碳钢、低合金钢和不锈钢类材料,获取材料中m=411种材料的成分、工艺及其对应的拉伸性能,包括屈服强度、抗拉强度、延伸率;获取n=115种材料的成分、工艺及其对应的疲劳强度。
本实施例中数据集内数据分布情况如表1所示:
表1数据集中数据分布情况
步骤2:对源性能初始数据集及目标性能初始数据集进行预处理;
步骤2.1:令划分比例为6:2:2,将源数据集采用随机法第i次划分为源训练集、源测试集及源验证集;其中划分次数i∈F,F为设置的划分总次数;令划分比例为3:1:10,将目标数据集采用随机法第i次划分为目标训练集、目标测试集及目标验证集;
本实施例中F=100;
步骤2.2:源数据集、目标数据集中输入(input)即d维的成分和工艺重塑为K×K维矩阵,矩阵中不足K2位置补充为0;
本数据集中d=20,K=5;
步骤3:使用步骤2.2处理后的源数据集中源训练集建立卷积神经网络源模型;训练好的卷积神经网络源模型通过输入成分、工艺获得源性能;
步骤3.1:建立卷积神经网络源模型,模型由卷积层、全连接层、输出层组成,其中卷积层为数量为2,全连接层数量为1;所述卷积层均采用3×3卷积核,激活函数选择ReLU,ReLU公式近似推导如下:
f(x)=≈max(0,x)
其中x为输入数值;
步骤3.2:将步骤2.2中源数据集的输入数据即K×K维矩阵和输出数据源性能分别输入卷积神经网络源模型中,采用Adam优化器对源模型进行训练,并对Adam优化器进行参数优化;
所述Adam优化器的公式参数设定:为gt的元素乘操作;α为学习率;β1,β2∈[0,1)为矩估计的指数衰减率;f(θ)为参数θ的随机目标函数值;θ0为初始的参数向量;m0←0为初始第一矩向量;v0←0为第二矩向量;t←0为时间步长;
所述Adam优化器的参数优化过程:
当θt未收敛时:获得新一轮的梯度值;
mt←β1·mt-1+(1-β1)·gt更新第一矩向量;
更新第二矩向量;
计算偏差校正的第一矩向量;
计算偏差校正的第二矩向量;
更新参数;}
优化过程结束;优化过程中采用MeanSquareError(MSE)作为源模型性能的评价指标;设置源模型训练的迭代次数为t';
在本实施例中优化器Adam中学习率α设置为10-3,模型训练中的评价函数选择MSE,模型迭代次数t'=1000。
步骤3.3:对源模型训练完毕后,使用该模型对源验证集进行预测,预测精度使用平方相关系数(R2)和平均绝对误差(MAE)指标评价,公式如下:
n代表源验证集的样本数据总量,xi代表测试集内第i个样本,f(xi)为模型预测的源性能值,yi所对应的源性能的真实值。
若验证集中数据预测结果的R2均值大于95%,则模型精度达到应用要求;否则返回到步骤3.2,通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络源模型进行训练,直至满足应用要求;
本实例中应用上述数据及模型参数,训练得到模型对验证集数据的预测结果屈服强度、抗拉强度、延伸率R2均值分别为97.3%、97.6%、94.1%,MAE均值分别为27.1MPa、22.4MPa、0.88%。
步骤4:根据步骤2.2处理后的目标数据集建立卷积神经网络迁移模型,并对卷积神经网络迁移模型进行训练;将训练好的卷积神经网络迁移模型通过输入成分、工艺获得目标性能;
步骤4.1:建立迁移模型,模型由卷积层、全连接层、输出层组成,其中卷积层为数量为2,全连接层数量为1;其中卷积层和全连接层应用步骤3中建立源模型的模型参数,在迁移模型训练中,卷积层和全连接层保持冻结状态;所述卷积层均采用3×3卷积核,激活函数选择步骤3.1中ReLU函数;
步骤4.2:将步骤2中目标数据集的即K×K维矩阵和输出数据目标性能分别输入到卷积神经网络迁移模型中,采用步骤3.2中Adam优化器对目标模型进行训练,并进行参数优化;
在本实施例中优化器Adam中学习率α设置为10-3,模型训练中的评价函数选择MSE,模型迭代次数t=10000。
步骤4.3:对迁移模型训练完毕后,对目标验证集进行预测,预测精度使用平方相关系数(R2)和平均绝对误差(MAE)指标评价;若验证集中数据预测结果的R2均值大于90%,MAE低于15MPa,则模型精度达到应用要求;否则返回到步骤4.2,通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络迁移模型进行训练,直至满足应用要求;
步骤4.4:基于力学理论指导卷积神经网络迁移模型的应用;
通过基于力学理论指导的迁移学习模型的训练建立成分、工艺与目标性能的关系,在迁移学习模型的应用过程中,将目标钢铁材料的成分、工艺参数输入到迁移模型中预测得到对应的目标性能。
本实例中应用上述数据及模型参数,训练得到模型对验证集数据的预测结果R2均值为92.9%,MAE均值为20.2MPa,实验值与预测值对比的预测结果如图2所示。
Claims (3)
1.一种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,其特征在于,包括以下步骤:
步骤1:建立钢铁材料成分、工艺及性能数据集;
步骤1.1:获取钢铁材料中m种材料的成分、工艺及其对应的源性能,每一种材料的成分、工艺、源性能为一组原始数据;m组原始数据形成源数据集;所述成分为材料的元素及含量,所述工艺为材料的工艺参数;源数据集用于作为材料源性能预测的有效数据;对源数据集中的所有数据进行标准化处理,形成源性能初始数据集,标准化处理公式为:z=(x-μ)/σ,其中z是标准化数据,x是原始数据,μ是原始数据中每一维变量的均值,σ是原始数据中每一维变量的标准差;
步骤1.2:获取钢铁材料中n种材料的成分、工艺及其对应的目标性能,即疲劳性能,每一种材料的成分、工艺、目标性能为一组原始数据;n组原始数据形成目标数据集;所述成分为材料的元素及含量,所述工艺为材料的工艺参数;目标数据集用于作为材料目标性能预测的有效数据;对目标数据集中的所有数据进行标准化处理,形成目标性能初始数据集;
步骤2:对源性能初始数据集及目标性能初始数据集进行预处理;
步骤2.1:令划分比例为6:2:2,将源数据集采用随机法第i次划分为源训练集、源测试集及源验证集;其中划分次数i∈F,F为设置的划分总次数;令划分比例为3:1:10,将目标数据集采用随机法第i次划分为目标训练集、目标测试集及目标验证集;其中划分次数i∈F,F为设置的划分总次数;
步骤2.2:源数据集、目标数据集中输入input即d维的成分和工艺重塑为K×K维矩阵,矩阵中不足K2位置补充为0;
步骤3:使用步骤2.2处理后的源数据集中源训练集建立卷积神经网络源模型;训练好的卷积神经网络源模型通过输入成分、工艺获得源性能;
步骤4:根据步骤2.2处理后的目标数据集建立卷积神经网络迁移模型,并对卷积神经网络迁移模型进行训练;将训练好的卷积神经网络迁移模型通过输入成分、工艺获得目标性能。
2.根据权利要求1所述的一种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,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1:建立卷积神经网络源模型,模型由卷积层、全连接层、输出层组成,其中卷积层为数量为2,全连接层数量为1;所述卷积层均采用3×3卷积核,激活函数选择ReLU,ReLU公式近似推导如下:
f(x)=≈max(0,x)
其中x为输入数值;
步骤3.2:将步骤2.2中源数据集的输入数据即K×K维矩阵和输出数据源性能分别输入卷积神经网络源模型中,采用Adam优化器对源模型进行训练,并对Adam优化器进行参数优化;
所述Adam优化器的公式参数设定:为gt的元素乘操作;α为学习率;β1,β2∈[0,1)为矩估计的指数衰减率;f(θ)为参数θ的随机目标函数值;θ0为初始的参数向量;m0←0为初始第一矩向量;v0←0为第二矩向量;t←0为时间步长;
所述Adam优化器的参数优化过程:
当θt未收敛时:{t←t+1,获得新一轮的梯度值;
mt←β1·mt-1+(1-β1)·gt更新第一矩向量;
更新第二矩向量;
计算偏差校正的第一矩向量;
计算偏差校正的第二矩向量;
更新参数;}
优化过程结束;优化过程中采用MeanSquareError,即MSE作为源模型性能的评价指标;设置源模型训练的迭代次数为t';
步骤3.3:对源模型训练完毕后,使用该模型对源验证集进行预测,预测精度使用平方相关系数R2和平均绝对误差MAE指标评价,公式如下:
n代表源验证集的样本数据总量,xi代表测试集内第i个样本,f(xi)为模型预测的源性能值,yi所对应的源性能的真实值;
若验证集中数据预测结果的R2均值大于95%,则模型精度达到应用要求;否则返回到步骤3.2,通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络源模型进行训练,直至满足应用要求。
3.根据权利要求2所述的一种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,其特征在于,所述步骤4具体包括以下步骤:
步骤4.1:建立迁移模型,模型由卷积层、全连接层、输出层组成,其中卷积层为数量为2,全连接层数量为1;其中卷积层和全连接层应用步骤3中建立源模型的模型参数,在迁移模型训练中,卷积层和全连接层保持冻结状态;所述卷积层均采用3×3卷积核,激活函数选择步骤3.1中ReLU函数;
步骤4.2:将步骤2中目标数据集的即K×K维矩阵和输出数据目标性能分别输入到卷积神经网络迁移模型中,采用步骤3.2中Adam优化器对目标模型进行训练,并进行参数优化;
步骤4.3:对迁移模型训练完毕后,对目标验证集进行预测,预测精度使用平方相关系数R2和平均绝对误差MAE指标评价;若验证集中数据预测结果的R2均值大于90%,MAE低于15MPa,则模型精度达到应用要求;否则返回到步骤4.2,通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络迁移模型进行训练,直至满足应用要求;
步骤4.4:基于力学理论指导卷积神经网络迁移模型的应用;
通过基于力学理论指导的迁移学习模型的训练建立成分、工艺与目标性能的关系,在迁移学习模型的应用过程中,将目标钢铁材料的成分、工艺参数输入到迁移模型中预测得到对应的目标性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368797.0A CN113033105B (zh) | 2021-04-06 | 2021-04-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368797.0A CN113033105B (zh) | 2021-04-06 | 2021-04-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033105A CN113033105A (zh) | 2021-06-25 |
CN113033105B true CN113033105B (zh) | 2023-09-19 |
Family
ID=76454357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110368797.0A Active CN113033105B (zh) | 2021-04-06 | 2021-04-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033105B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781250A (zh) * | 2022-04-11 | 2022-07-22 | 西南交通大学 | 一种基于机器学习的多因素影响环境疲劳寿命预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
CN110428876A (zh) * | 2019-07-31 | 2019-11-08 | 东北大学 | 一种基于物理指导的机器学习算法的钢铁材料设计方法 |
CN110797096A (zh) * | 2019-10-30 | 2020-02-14 | 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 |
AU2020101874A4 (en) * | 2020-08-18 | 2020-09-24 | Hefei General Machinery Research Institute Co., Ltd. | A method for predicting high-temperature mechanical properties of heat-resistant alloys based on deep learning |
CN112380773A (zh) * | 2020-11-19 | 2021-02-19 | 华中科技大学鄂州工业技术研究院 | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11485520B2 (en) * | 2018-08-17 | 2022-11-01 | Raytheon Technologies Corporation | Material selection and optimization process for component manufacturing |
-
2021
- 2021-04-06 CN CN202110368797.0A patent/CN113033105B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
CN110428876A (zh) * | 2019-07-31 | 2019-11-08 | 东北大学 | 一种基于物理指导的机器学习算法的钢铁材料设计方法 |
CN110797096A (zh) * | 2019-10-30 | 2020-02-14 | 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 |
AU2020101874A4 (en) * | 2020-08-18 | 2020-09-24 | Hefei General Machinery Research Institute Co., Ltd. | A method for predicting high-temperature mechanical properties of heat-resistant alloys based on deep learning |
CN112380773A (zh) * | 2020-11-19 | 2021-02-19 | 华中科技大学鄂州工业技术研究院 | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 |
Non-Patent Citations (5)
Title |
---|
A Review of the Application of Machine Learning and Data Mining Approaches in Continuum Materials Mechanics;Frederic E. Bock 等;Frontiers in Materials;第06卷;第110页 * |
人工神经网络在钢铁材料力学性能预测方面的应用;左秀荣 等;特殊钢;第25卷(第05期);第26-29页 * |
基于BP 神经网络的铸钢件化学成分、热处理 工艺与力学能关系预测;谭云骧 等;2019中国铸造活动周论文集;第957-964页 * |
热处理对Q235钢微结构演变及疲劳性能的影响;魏亮鱼 等;内蒙古工业大学学报(自然科学版);第37卷(第02期);第90-101页 * |
特殊钢轧制过程力学性能预报;李泾 等;金属世界(第05期);第17-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033105A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
CN110705692B (zh) | 一种时空注意力网络的非线性动态工业过程产品预测方法 | |
CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
CN110210495B (zh) | 基于并行LSTM自编码器动态特征提取的XGBoost软测量建模方法 | |
CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
Chen et al. | Efficient parameters identification of a modified GTN model of ductile fracture using machine learning | |
CN110321658B (zh) | 一种板材性能的预测方法及装置 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN113033105B (zh) | 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 | |
CN112668234B (zh) | 一种转炉炼钢终点智能控制方法 | |
CN113012766A (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
CN113066527A (zh) | 一种siRNA敲减mRNA的靶点预测方法和系统 | |
CN116842834A (zh) | 一种基于机器学习和shap值的可解释蠕变断裂寿命预测方法 | |
KR102457539B1 (ko) | 구조물 성능기반 재료의 역설계 방법 | |
CN109918699B (zh) | C/c复合材料喉衬性能的关键参数识别方法 | |
CN111553400A (zh) | 一种风力发电机组振动故障的精准诊断方法 | |
CN113033106B (zh) | 一种基于ebsd与深度学习方法的钢铁材料性能预测方法 | |
CN112599194B (zh) | 甲基化测序数据的处理方法和装置 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN110442953B (zh) | 基于物理冶金学指导下机器学习的q&p钢的设计方法 | |
CN112992284A (zh) | 一种基于pso-elm算法的烧结矿质量预报方法 | |
CN111861041A (zh) | 一种预测Nb微合金钢动态再结晶型流变应力的方法 | |
CN111507003A (zh) | 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法 | |
CN111063401A (zh) | 一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法 |
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 |