CN113033106A - 一种基于ebsd与深度学习方法的钢铁材料性能预测方法 - Google Patents

Abstract

本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。

Description

一种基于EBSD与深度学习方法的钢铁材料性能预测方法

技术领域

本发明涉及钢铁材料性能预测和深度学习应用技术领域，尤其涉及一种基于EBSD与深度学习方法的钢铁材料性能预测方法。

背景技术

显微组织-力学性能关系的建立一直以来是钢铁材料领域关注的焦点问题。传统钢铁材料显微组织-力学性能关系的建立多采用基于物理冶金模型的性能预测方法。例如采用叠加各强化机制的经验公式来预测钢的屈服强度，其一般要通过人工抽象或测量的方式去提取显微组织中的晶粒尺寸等显微组织信息。因此，传统物理模型的精度受显微组织信息精确度的影响。然而在实际操作中，由于受到经验水平等因素限制导致不同操作者之间的显微组织信息提取结果相差很大，这影响了模型的客观准确性；另外，人工提取也只能局限于具有显微组织构成简单的材料。而对于大多数工程实际钢种，例如淬火配分(QP)钢，均具有复杂的显微组织，这种基于人工提取信息的方法显然无法应用到这类钢种的性能预测之中。同时，传统预测模型仅能考虑部分微观组织信息，而部分重要组织信息难以统计量化。

随着材料研究逐渐与大数据时代接轨，机器学习算法得到广泛关注。深度学习是机器学习的一个分支领域，在图像分类、语音识别、机器翻译等感知问题上取得了大量成果。它可以通过一系列数据变换(层)来实现输入到目标的映射，即可以实现直接以显微组织图片为输入，性能为输出，跳过抽象组织信息的步骤，建立显微组织与性能的对应关系，在性能预测方面体现出良好的发展前景。Xiaolong Zheng等人建立了以页岩样品图像为输入，模量为输出的深度学习模型。Ruho Kondo等人建立了陶瓷材料的性能预测模型，Jinlong Wu等人也通过深度学习建立了多孔介质的渗透率预测模型。然而，钢铁材料涉及长流程及复杂的生产制造工艺，组织、性能关系更为复杂，在钢铁材料体系下尚鲜有相关工作。尽管基于传统的物理冶金模型的方法可以实现性能预测，但是这些研究均是建立在人工提取的组织信息的基础上。人为提取的组织信息精确度有限且并不能全面客观的描述显微组织特征，而深度学习则可以从原始组织图片中精准地提取到更加丰富的信息，因此模型具有更高的预测精度。同时，电子背散射衍射(Electron Backscattered Diffraction，简称EBSD)已在材料微观组织结构及微织构表征中广泛应用，EBSD的Band Contrast map(BC图)具有相衬度对比明显等优势而被使用在该方法中。

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EBSD与深度学习方法的钢铁材料性能预测方法，以EBSD的BC图为基础，利用深度学习方法卷积神经网络ConvolutionalNeural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。

本发明所采取的技术方案是：

一种基于EBSD与深度学习方法的钢铁材料性能预测方法，包括以下步骤：

步骤1：建立目标钢铁材料的原始数据集；通过EBSD实验建立目标钢铁材料的原始数据集，原始数据集包含X个性能的钢种材料图像数据，且所包含的BC图不低于N组；

步骤1.1：进行EBSD实验采集目标钢铁材料图像数据；

在目标钢铁材料的一个随机区域进行EBSD实验，实验组数不低于N组，应用EBSD数据处理软件获得每组实验数据的BC图，共获得P张BC图片，其中P＝X×N；

步骤1.2：进行目标性能测试实验获得与BC图相对应的性能数据；

步骤2：对图像数据进行预处理，并划分数据集；

步骤2.1：应用图像处理软件对BC图进行切分，形成M个A*A像素的子图，处理后共获得E张BC图子图，其中，E＝M×P，得到原始数据集；所述切分保证每张BC子图中的马氏体分布均匀；

步骤2.2：采用数据增强方法将原始数据集中全部BC图子图分别顺时针翻转90°，180°和270°，再进行镜像操作，随后将翻转及镜像后的图像添加至原始数据集，使原始数据集样本数量增加7倍；

步骤2.3：使用6：2：2的划分策略将步骤2.2得到的数据集随机划分为训练集、验证集和测试集；

步骤3：根据步骤2.3的训练集建立CNN深度学习模型；

步骤3.1：建立CNN深度学习模型，模型由卷积层、池化层和全连接层三部分构成；模型训练时，训练集图片经过32个卷积核的2次卷积后，采用一次最大池化操作，再经过64个卷积核的2次卷积后，采用一次最大池化操作，随后经过128个卷积核的3次卷积后，采用一次最大池化操作；最后跟随2个全连接层，模型最终设置1个神经元以输出预测结果；

所述卷积层采用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；为提升模型的收敛速率及精度，采用批量归一化BN(BatchNormalization)处理数据，伪代码如下：

y_i←γm_i+β≡BN_γ,β(x_i)

其中，x_i为第i个数据，m为数据量，μ_B为批量数据均值；

为批量数据的方差；m_i为批量数据归一化结果；ξ为常数；BN表示归一化转换网络，γ和β为该网络中的训练参数；y_i为归一化数据引入缩放和平移操作后的数据，即最终输出结果；

步骤3.2：采用Adaptive momentum(Adam)优化器对深度学习模型进行训练，并进行参数优化；

所述Adam优化器的公式参数设定：

为g_t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优化器的优化过程如下：

当θ_t未收敛时：{t←t+1，

获得新一轮的梯度值；

m_t←β₁·m_t-1+(1-β₁)·g_t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；}

所述参数优化过程中采用Mean Absolute Error(MAE)作为模型性能的评价指标；设置深度学习模型训练的迭代次数为F；

步骤3.3：对深度学习模型训练完毕后，应用测试集中图像数据测试模型的对新数据的预测能力，预测精度使用平方相关系数Square correlation coefficient(R²)和MAE作为评价指标，所述R²指标评价表征模型预测结果与实际结果之间线性相关程度，R²及MAE公式如下：

其中n代表测试集的样本数据总量，x_r代表测试集内第r个图片样本，f(x_i)为f(x_i)的CNN模型预测的目标性能值，y_r为x_r所对应的目标性能的真实值；

若测试集中数据预测结果R²值大于90％，则模型精度达到应用要求；否则返回到步骤3.2，通过调节优化器学习率、更换训练过程评价函数、调节迭代次数重新对深度学习模型进行训练，直至满足应用要求。

步骤4：对深度学习模型进行应用，实现钢铁材料性能预测；

通过深度学习CNN模型的训练建立钢铁材料组织BC图与材料性能间的对应关系，在深度学习模型应用过程中，对于一张EBSD的BC图，首先按照步骤2中的方法将其切分为A×A像素的子图，然后分别输入深度学习模型，得到M个性能输出数值(一个子图对应一个性能输出数值)。最后，取M个性能输出数值的中位数作为最终的性能预测结果。

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EBSD与深度学习方法的钢铁材料性能预测方法，利用EBSD的BC图建立高质量的数据集；深度学习方法用来学习BC图中显微组织形貌特征，建立BC图与材料性能之间的映射关系。相比于传统基于物理冶金模型的方法，本方法由于可以直接从原始组织图片中提取信息而具有较高精度，避免了人工提取组织信息带来的误差，并且该深度学习方法可以应用到具有复杂显微组织的钢种中。

附图说明

图1为本发明钢铁材料性能预测方法总体流程图；

图2为本发明实施例CNN模型结构示意图；

图3为本发明实施例当前DP钢拉伸性能预测结果。

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EBSD与深度学习方法的钢铁材料性能预测方法，如图1所示，包括以下步骤：

步骤1：建立目标钢铁材料的原始数据集；通过EBSD实验建立目标钢铁材料的原始数据集，原始数据集包含X个性能的钢种材料图像数据，且所包含的BC图不低于N组；

步骤1.1：进行EBSD实验采集目标钢铁材料图像数据；

在目标钢铁材料的一个随机区域进行EBSD实验，实验组数不低于N组，应用EBSD数据处理软件获得每组实验数据的BC图，共获得P张BC图片，其中P＝X×N；

本实施例中使用EBSD数据处理软件Channel5；采用双相钢DP(铁素体+马氏体)作为目标材料，包括X＝6个性能，采集数据的实验组数为N＝4组，共获得P＝24张BC图，图片分辨率为1024×768像素。

步骤1.2：进行目标性能测试实验获得与BC图相对应的性能数据；

本实施例中进行拉伸试验，以双相钢的屈服强度数据作为目标性能数据；

步骤2：对图像数据进行预处理，并划分数据集；

步骤2.1：应用图像处理软件对BC图进行切分，形成M个A*A像素的子图，处理后共获得E张BC图子图，其中，E＝M×P，得到原始数据集；所述切分保证每张BC子图中的马氏体分布均匀；

在本实施例中将每张BC图剪裁为12个336×336像素的子图，即M＝12、A＝336，剪裁后共获得288张子图，得到原始数据集；

步骤2.2：采用数据增强方法将原始数据集中全部BC图子图分别顺时针翻转90°，180°和270°，再进行镜像操作，随后将翻转及镜像后的图像添加至原始数据集，使原始数据集样本数量增加7倍；

本实例中通过数据增强方法后样本数量增加至2304张。

步骤2.3：使用6：2：2的划分策略将步骤2.2得到的数据集随机划分为训练集、验证集和测试集；

本实例中使用6：2：2的划分策略，1383张子图被划分为训练集，461张子图被划分为验证集，460张子图被划分为测试集，所划分的训练集、验证集、测试集中均分布有6个性能钢种的样本数据。以训练集和验证集的BC图及对应的作为深度学习模型的输入，对应的屈服强度数据作为深度学习模型的输出；

步骤3：根据步骤2.3的训练集建立CNN深度学习模型；由于当前训练数据集数据量有限，因而选择了简化的VGG16模型，模型的结构如图2所示；训练好的深度学习模型通过输入DP钢组织的BC图获得DP钢的屈服强度。

步骤3.1：建立CNN深度学习模型，模型由卷积层、池化层和全连接层三部分构成；模型训练时，训练集图片经过32个卷积核的2次卷积后，采用一次最大池化操作，再经过64个卷积核的2次卷积后，采用一次最大池化操作，随后经过128个卷积核的3次卷积后，采用一次最大池化操作；最后跟随2个全连接层，模型最终设置1个神经元以输出预测结果；

所述卷积层采用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；为提升模型的收敛速率及精度，采用批量归一化BN(BatchNormalization)处理数据，伪代码如下：

y_i←γm_i+β≡BN_γ,β(x_i)

其中，x_i为第i个数据，m为数据量，μ_B为批量数据均值；

为批量数据的方差；m_i为批量数据归一化结果；ξ为常数；BN表示归一化转换网络，γ和β为该网络中的训练参数；y_i为归一化数据引入缩放和平移操作后的数据，即最终输出结果；

步骤3.2：采用Adaptive momentum(Adam)优化器对深度学习模型进行训练，并进行参数优化；

所述Adam优化器的公式参数设定：

为g_t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优化器的优化过程如下：

当θ_t未收敛时：{t←t+1，

获得新一轮的梯度值；

m_t←β₁·m_t-1+(1-β₁)·g_t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；}

所述参数优化过程中采用Mean Absolute Error(MAE)作为模型性能的评价指标；设置深度学习模型训练的迭代次数为F；

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MAE，模型迭代次数F＝160。

步骤3.3：对深度学习模型训练完毕后，应用测试集中图像数据测试模型的对新数据的预测能力，预测精度使用平方相关系数Square correlation coefficient(R²)和MAE作为评价指标，所述R²指标评价表征模型预测结果与实际结果之间线性相关程度，R²及MAE公式如下：

其中n代表测试集的样本数据总量，x_r代表测试集内第r个图片样本，f(x_i)为f(x_i)的CNN模型预测的目标性能值，y_r为x_r所对应的目标性能的真实值；

若测试集中数据预测结果R²值大于90％，则模型精度达到应用要求；否则返回到步骤3.2，通过调节优化器学习率、更换训练过程评价函数、调节迭代次数重新对深度学习模型进行训练，直至满足应用要求。

本实例中应用上述数据及模型参数，训练得到模型对测试集数据的预测结果R²值为95％，MAE＝10.5MPa，模型测试集预测结果如图3所示；

步骤4：对深度学习模型进行应用，实现钢铁材料性能预测；

通过深度学习CNN模型的训练建立钢铁材料组织BC图与材料性能间的对应关系，在深度学习模型应用过程中，对于一张EBSD的BC图，首先按照步骤2中的方法将其切分为A×A像素的子图，然后分别输入深度学习模型，得到M个性能输出数值(一个子图对应一个性能输出数值)。最后，取M个性能输出数值的中位数作为最终的性能预测结果。

在本实例中，对于一张EBSD照片，首先按照步骤2中的方法将其切分为12张336×336像素的子图，然后分别输入深度学习模型，得到12个屈服强度值，最后，取12个屈服强度值的中位数作为最终的屈服强度预测结果，测试集中图像经过计算，屈服强度预测结果分别为391MPa、463MPa、567MPa、539MPa、395MPa、481MPa，可以看到，每种性能下的DP钢，屈服强度的预测值与实际实验值相差很小，当前深度学习模型的预测结果十分准确，成功实现了DP钢拉伸性能(屈服强度)的预测。

Claims (2)

1.一种基于EBSD与深度学习方法的钢铁材料性能预测方法，其特征在于，包括以下步骤：

步骤1：建立目标钢铁材料的原始数据集；通过EBSD实验建立目标钢铁材料的原始数据集，原始数据集包含X个性能的钢种材料图像数据，且所包含的BC图不低于N组；

步骤1.1：进行EBSD实验采集目标钢铁材料图像数据；

在目标钢铁材料的一个随机区域进行EBSD实验，实验组数不低于N组，应用EBSD数据处理软件获得每组实验数据的BC图，共获得P张BC图片，其中P＝X×N；

步骤1.2：进行目标性能测试实验获得与BC图相对应的性能数据；

步骤2：对图像数据进行预处理，并划分数据集；

步骤2.1：应用图像处理软件对BC图进行切分，形成M个A*A像素的子图，处理后共获得E张BC图子图，其中，E＝M×P，得到原始数据集；所述切分保证每张BC子图中的马氏体分布均匀；

步骤2.2：采用数据增强方法将原始数据集中全部BC图子图分别顺时针翻转90°，180°和270°，再进行镜像操作，随后将翻转及镜像后的图像添加至原始数据集，使原始数据集样本数量增加7倍；

步骤2.3：使用6：2：2的划分策略将步骤2.2得到的数据集随机划分为训练集、验证集和测试集；

步骤3：根据步骤2.3的训练集建立CNN深度学习模型；

步骤4：对深度学习模型进行应用，实现钢铁材料性能预测；

通过深度学习CNN模型的训练建立钢铁材料组织BC图与材料性能间的对应关系，在深度学习模型应用过程中，对于一张EBSD的BC图，首先按照步骤2中的方法将其切分为A×A像素的子图，然后分别输入深度学习模型，得到M个性能输出数值(一个子图对应一个性能输出数值)，最后，取M个性能输出数值的中位数作为最终的性能预测结果。

2.根据权利要求1所述的一种基于EBSD与深度学习方法的钢铁材料性能预测方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1：建立CNN深度学习模型，模型由卷积层、池化层和全连接层三部分构成；模型训练时，训练集图片经过32个卷积核的2次卷积后，采用一次最大池化操作，再经过64个卷积核的2次卷积后，采用一次最大池化操作，随后经过128个卷积核的3次卷积后，采用一次最大池化操作；最后跟随2个全连接层，模型最终设置1个神经元以输出预测结果；

所述卷积层采用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；为提升模型的收敛速率及精度，采用批量归一化BN(BatchNormalization)处理数据，伪代码如下：

y_i←γm_i+β≡BN_γ,β(x_i)

其中，x_i为第i个数据，m为数据量，μ_B为批量数据均值；

为批量数据的方差；m_i为批量数据归一化结果；ξ为常数；BN表示归一化转换网络，γ和β为该网络中的训练参数；y_i为归一化数据引入缩放和平移操作后的数据，即最终输出结果；

步骤3.2：采用Adaptive momentum(Adam)优化器对深度学习模型进行训练，并进行参数优化；

所述Adam优化器的公式参数设定：

为g_t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优化器的优化过程如下：

当θ_t未收敛时：{t←t+1，

)获得新一轮的梯度值；

m_t←β₁·m_t-1+(1-β₁)·g_t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；}

所述参数优化过程中采用Mean Absolute Error(MAE)作为模型性能的评价指标；设置深度学习模型训练的迭代次数为F；

步骤3.3：对深度学习模型训练完毕后，应用测试集中图像数据测试模型的对新数据的预测能力，预测精度使用平方相关系数Square correlation coefficient(R²)和MAE作为评价指标，所述R²指标评价表征模型预测结果与实际结果之间线性相关程度，R²及MAE公式如下：

其中n代表测试集的样本数据总量，x_r代表测试集内第r个图片样本，f(x_i)为f(x_i)的CNN模型预测的目标性能值，y_r为x_r所对应的目标性能的真实值；

若测试集中数据预测结果R²值大于90％，则模型精度达到应用要求；否则返回到步骤3.2，通过调节优化器学习率、更换训练过程评价函数、调节迭代次数重新对深度学习模型进行训练，直至满足应用要求。

Images