CN113420385A - 一种基于机器学习的钢材微观组织力学性能预测方法 - Google Patents

一种基于机器学习的钢材微观组织力学性能预测方法 Download PDF

Info

Publication number
CN113420385A
CN113420385A CN202110568941.5A CN202110568941A CN113420385A CN 113420385 A CN113420385 A CN 113420385A CN 202110568941 A CN202110568941 A CN 202110568941A CN 113420385 A CN113420385 A CN 113420385A
Authority
CN
China
Prior art keywords
mechanical property
data set
machine learning
steel
metallographic
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.)
Pending
Application number
CN202110568941.5A
Other languages
English (en)
Inventor
段献宝
何惠珍
魏灏
黄铁
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.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of Technology
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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202110568941.5A priority Critical patent/CN113420385A/zh
Publication of CN113420385A publication Critical patent/CN113420385A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N20/00—Machine learning
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于机器学习的钢材微观组织力学性能预测方法，采用机器学习中的深度卷积神经网络模型和回归算法，通过学习金相图数据集预测钢材的力学性能：将实验中获取的钢材的金相微观组织图与实验测得的相应力学性能数据组成金相图‑性能数据集，然后对金相图进行基于预训练的深度卷积神经网络的特征提取，再对提取的特征值做进一步的筛选，最后将筛选后的特征与力学性能数据对应，通过回归算法实现回归映射。本发明训练得到的模型适用于钢材力学性能预测与质量评估领域，实现了准确、高效地评估与预测钢材力学性能的功能。

Description

一种基于机器学习的钢材微观组织力学性能预测方法
技术领域
本发明属于钢材微观组织性能预测技术领域，具体涉及一种基于机器学习的钢材微观组织力学性能预测方法。
背景技术
金相图是利用金属显微检测技术对金属样品的断面进行拍照而获得的显微照片，它在某种程度上反映了金属在特定工艺条件下所具有的内部结构，对分析微观组织与宏观性能之间的关系、改善工艺流程、提高产品性能具有重要意义，因此在实验室研究及工业生产中得到了广泛应用。判断与分析金相图所呈现的微观组织的具体力学性能是金相图研究及应用的重要环节。
传统的钢材力学性能获取过程是通过对钢材进行相应的力学实验所获得的，这通常是由专门从事金属材料性能分析的人员借由专业的仪器与设备完成。然而，这样做却也存在着人工实验的效率较低等弊端。
在过去的几十年中，有不少研究者致力于开发钢材性能预测的方法。随着计算机视觉理论和机器学习算法的发展，一些研究者尝试应用机器学习算法来实现对钢材性能的预测，这些预测方法基本上是从生产工艺出发，建立工艺与性能之间的关系——这种方法对特定的钢材组成成分有严格要求，一旦成分产生偏差，成品的预测结果也随之波动。
发明内容
本发明要解决的技术问题是：提供一种产品和方法，用于/实现的功能。
本发明为解决上述技术问题所采取的技术方案为：一种基于机器学习的钢材微观组织力学性能预测方法，包括以下步骤：
S1：选用不同型号的钢材和不同的热处理工艺制备试样，用金相显微镜获取试样的金相图数据，通过力学实验获取试样的力学性能数据，金相图数据与力学性能数据一一对应，建立金相图-性能数据集；
S2：构建机器学习的模型提取特征值，将经过排序和筛选后的特征值与力学性能数据对应并进行回归映射；
S3：对模型进行训练、测试与评估，根据性能最优的模型制作交互界面，实现对钢材微观组织的力学性能的自动化预测。
按上述方案，所述的步骤S1中，具体步骤为：
S11：采用不同牌号的钢材、经由不同的热处理工艺制备试样；
S12：使用洛氏硬度计测试试样的硬度，得到硬度数据；
S13：依次将试样切片、打磨、抛光，用蔡司金相显微镜对试样进行观测、照相，得到金相图；
S14：将试样的金相图与硬度数据一一对应组合，获得金相图-性能数据集；
S15：将处理好的数据集用留出法随机划分为训练数据集、验证数据集、测试数据集；
S16：随机打乱训练数据集。
进一步的，述的步骤S11中，热处理工艺包括先在特定温度下保温，然后依次进行包括固溶、正火、淬火、回火的工艺处理。
进一步的，所述的步骤S15中，划分训练数据集、验证数据集、测试数据集的比例为70％：10％：20％。
按上述方案，所述的步骤S2中，具体步骤为：
S21：以基于迁移学习的卷积神经网络为基本框架构建深度卷积神经网络模型，通过卷积层稀疏采样提取高度压缩的特征值；
S22：采用皮尔森相关系数衡量特征值之间的线性相关性，对特征值进行重要性排序，并筛选出前K个特征值；
S23：将筛选后的特征值与力学性能数据对应，采用回归算法实现筛选后的特征与力学性能数值间的映射。
进一步的，所述的步骤S21中，基于迁移学习的卷积神经网络采用Inception-V3模型。
进一步的，所述的步骤S21中，基于迁移学习的卷积神经网络包括浅层网络和高层网络，浅层网络用于提取底层信息，高层网络用于获取语义信息。
进一步的，所述的步骤S23中，回归算法采用人工神经网络算法。
进一步的，所述的步骤S3中，具体步骤为：
S31：采用训练数据集训练深度卷积神经网络模型，训练完成后采用测试数据集对模型性能基于包括均方根误差和r2_score的评估标准进行测试和评估；
S32：保存经评估得到的性能最优的已训练模型，制作交互界面，实现对钢材微观组织的力学性能的自动化预测。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行一种基于机器学习的钢材微观组织力学性能预测方法。
本发明的有益效果为：
1.本发明的一种基于机器学习的钢材微观组织力学性能预测方法，利用现有的金相图-性能数据，通过建立金相图与性能之间的关系，实现了准确、高效地评估与预测钢材力学性能的功能。
2.本发明采用金相图数据集训练深度卷积神经网络模型，并通过回归算法实现回归映射。
3.本发明适用于钢材力学性能预测与质量评估领域。
附图说明
图1是本发明实施例的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，本发明实施例的一种基于机器学习的钢材微观组织力学性能预测方法，包括以下步骤：
S1：建立数据集；选用不同型号的钢材和不同的热处理工艺制备试样，用金相显微镜获取相应金相图数据，通过力学实验获取相应的力学性能数据(以硬度为例)。具体经过以下流程：
S11：采用不同牌号的钢材、经由不同的热处理工艺(先在特定温度下保温，然后再分别进行固溶、正火、淬火、回火等工艺处理)制备试样；
S12：使用洛氏硬度计对试样进行硬度测试，获得对应的硬度数据；
S13：将试样切片、打磨、抛光，用蔡司金相显微镜对每个试样进行观测、照相，获得每个试样的金相图；
S14：将对应的试样金相图和硬度数据一一组合，获得金相图-性能数据集；
S15：将处理好的数据集用留出法随机划分为训练数据集、验证数据集、测试数据集，比例为70％：10％：20％；
S16：随机打乱训练数据集。
S2：构建网络模型；
S21：特征提取：以基于迁移学习的卷积神经网络(如Inception-V3模型)作为基本框架，其中，浅层网络提取底层信息，高层网络获取语义信息，通过卷积层实现稀疏采样，获得高度压缩的特征值；
S22：特征筛选：采用皮尔森相关系数衡量特征之间的线性相关性，对特征值进行重要性排序，并筛选出前K个特征值；
S23：回归映射：采用机器学习中的回归算法(如人工神经网络)作为最后的预测结构，实现筛选后的特征与性能数值间的映射。
S3：训练与测试；
S31：用制备的训练数据集训练模型，训练完成后可用测试数据集对模型性能基于均方根误差、r2_score等评估标准进行测试与评估；
S32：保存性能最优的已训练模型，制作交互界面，实现对钢材微观组织的力学性能的自动化预测。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：包括以下步骤：
S1：选用不同型号的钢材和不同的热处理工艺制备试样，用金相显微镜获取试样的金相图数据，通过力学实验获取试样的力学性能数据，金相图数据与力学性能数据一一对应，建立金相图-性能数据集；
S2：构建机器学习的模型提取特征值，将经过排序和筛选后的特征值与力学性能数据对应并进行回归映射；
S3：对模型进行训练、测试与评估，根据性能最优的模型制作交互界面，实现对钢材微观组织的力学性能的自动化预测。
2.根据权利要求1所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S1中，具体步骤为：
S11：采用不同牌号的钢材、经由不同的热处理工艺制备试样；
S12：使用洛氏硬度计测试试样的硬度，得到硬度数据；
S13：依次将试样切片、打磨、抛光，用蔡司金相显微镜对试样进行观测、照相，得到金相图；
S14：将试样的金相图与硬度数据一一对应组合，获得金相图-性能数据集；
S15：将处理好的数据集用留出法随机划分为训练数据集、验证数据集、测试数据集；
S16：随机打乱训练数据集。
3.根据权利要求2所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S11中，热处理工艺包括先在特定温度下保温，然后依次进行包括固溶、正火、淬火、回火的工艺处理。
4.根据权利要求2所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S15中，划分训练数据集、验证数据集、测试数据集的比例为70％：10％：20％。
5.根据权利要求1所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S2中，具体步骤为：
S21：以基于迁移学习的卷积神经网络为基本框架构建深度卷积神经网络模型，通过卷积层稀疏采样提取高度压缩的特征值；
S22：采用皮尔森相关系数衡量特征值之间的线性相关性，对特征值进行重要性排序，并筛选出前K个特征值；
S23：将筛选后的特征值与力学性能数据对应，采用回归算法实现筛选后的特征与力学性能数值间的映射。
6.根据权利要求5所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S21中，基于迁移学习的卷积神经网络采用Inception-V3模型。
7.根据权利要求5所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S21中，基于迁移学习的卷积神经网络包括浅层网络和高层网络，浅层网络用于提取底层信息，高层网络用于获取语义信息。
8.根据权利要求5所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S23中，回归算法采用人工神经网络算法。
9.根据权利要求2所述的一种基于机器学习的钢材微观组织力学性能预测方法，其特征在于：所述的步骤S3中，具体步骤为：
S31：采用训练数据集训练深度卷积神经网络模型，训练完成后采用测试数据集对模型性能基于包括均方根误差和r2_score的评估标准进行测试和评估；
S32：保存经评估得到的性能最优的已训练模型，制作交互界面，实现对钢材微观组织的力学性能的自动化预测。
10.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求9中任意一项所述的一种基于机器学习的钢材微观组织力学性能预测方法。
CN202110568941.5A 2021-05-25 2021-05-25 一种基于机器学习的钢材微观组织力学性能预测方法 Pending CN113420385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110568941.5A CN113420385A (zh) 2021-05-25 2021-05-25 一种基于机器学习的钢材微观组织力学性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110568941.5A CN113420385A (zh) 2021-05-25 2021-05-25 一种基于机器学习的钢材微观组织力学性能预测方法

Publications (1)

Publication Number Publication Date
CN113420385A true CN113420385A (zh) 2021-09-21

Family

ID=77712857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110568941.5A Pending CN113420385A (zh) 2021-05-25 2021-05-25 一种基于机器学习的钢材微观组织力学性能预测方法

Country Status (1)

Country Link
CN (1) CN113420385A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813347A (zh) * 2022-04-26 2022-07-29 太原理工大学 一种超薄铌带力学性能预测方法
CN115034121A (zh) * 2022-08-11 2022-09-09 太原科技大学 一种基于组织性能智能预报模型的带钢工艺调控方法
US20220351504A1 (en) * 2021-04-28 2022-11-03 Hitachi Metals, Ltd. Method and apparatus for evaluating material property
CN116904709A (zh) * 2023-08-01 2023-10-20 重庆大学 一种高强度热成型钢制造工艺

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104535737A (zh) * 2014-12-19 2015-04-22 钢铁研究总院 材料原始位置统计分布分析映射表征方法
CN110619355A (zh) * 2019-08-28 2019-12-27 武汉科技大学 基于深度学习的钢铁材料微观组织自动识别方法
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
US20210063376A1 (en) * 2019-09-03 2021-03-04 The Ncs Testing Technology Co., Ltd. Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials
JP2021039612A (ja) * 2019-09-04 2021-03-11 株式会社Uacj 情報処理装置、情報処理方法、および情報処理プログラム
CN112632720A (zh) * 2020-12-16 2021-04-09 广东省科学院中乌焊接研究所 一种金属增材制造工艺系统多维数据融合及量化建模方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104535737A (zh) * 2014-12-19 2015-04-22 钢铁研究总院 材料原始位置统计分布分析映射表征方法
CN110619355A (zh) * 2019-08-28 2019-12-27 武汉科技大学 基于深度学习的钢铁材料微观组织自动识别方法
US20210063376A1 (en) * 2019-09-03 2021-03-04 The Ncs Testing Technology Co., Ltd. Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials
JP2021039612A (ja) * 2019-09-04 2021-03-11 株式会社Uacj 情報処理装置、情報処理方法、および情報処理プログラム
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
CN112632720A (zh) * 2020-12-16 2021-04-09 广东省科学院中乌焊接研究所 一种金属增材制造工艺系统多维数据融合及量化建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANBAO DUAN 等: "Development of Interatomic Potentials for FCC Metals Based on Lattice Inversion Method", 《MATERIALS SCIENCE FORUM》 *
张汉平: "基于金相图像特征的锡基合金硬度预测模型研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅰ辑）》 *
徐子又等: "层间预熔温度对熔融沉积成型打印件力学性能的影响", 《塑料科技》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220351504A1 (en) * 2021-04-28 2022-11-03 Hitachi Metals, Ltd. Method and apparatus for evaluating material property
CN114813347A (zh) * 2022-04-26 2022-07-29 太原理工大学 一种超薄铌带力学性能预测方法
CN114813347B (zh) * 2022-04-26 2024-10-29 太原理工大学 一种超薄铌带力学性能预测方法
CN115034121A (zh) * 2022-08-11 2022-09-09 太原科技大学 一种基于组织性能智能预报模型的带钢工艺调控方法
CN115034121B (zh) * 2022-08-11 2022-10-25 太原科技大学 一种基于组织性能智能预报模型的带钢工艺调控方法
CN116904709A (zh) * 2023-08-01 2023-10-20 重庆大学 一种高强度热成型钢制造工艺

Similar Documents

Publication Publication Date Title
CN113420385A (zh) 一种基于机器学习的钢材微观组织力学性能预测方法
CN107451760B (zh) 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法
CN109799195A (zh) 一种激光诱导击穿光谱的高精度定量分析方法
CN107918487A (zh) 一种基于皮肤电信号识别中文情感词的方法
CN114048682A (zh) 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法
CN117524340A (zh) 基于多层一维cnn深度网络的纺织品成份定量表征方法
CN107679756B (zh) 土壤适宜性评价方法及装置
Mia et al. The Utilization of Decision Tree Algorithm In Order to Predict Heart Disease
CN116311237A (zh) 一种基于深度学习网络的钢铁微观组织识别算法
Wang et al. Measuring the atmospheric corrosion of Q235B and T91 steels using gray value, wavelet analysis and fuzzy Kolmogorov–Sinai entropy
WO2023061174A1 (zh) 一种孤独症谱系障碍的风险预测模型构建方法及装置
Elkassar Deep Learning based Grapevine Leaf Classification using Augmented Images and Multi-Classifier Fusion for Improved Accuracy and Precision
CN113837269A (zh) 基于双线性卷积神经网络的金相组织识别方法
CN109472316A (zh) 一种基于深度学习的滤棒装盒质量识别方法
Chen et al. Acoustic emission signal-based non-destructive testing of carbon content of Pr-Nd alloys
CN109886934B (zh) 碳化竹片缺陷检测方法及系统
CN113537375A (zh) 一种基于多尺度级联的糖尿病视网膜病变分级方法
Chen Research on classification of watermelon ripeness based on neural network pattern recognition
Oluwafemi et al. Machine Learning Approaches to Identify Environmental Damage on Superalloys
CN114965120B (zh) 基于人工神经网络及压入测试的材料力学参数识别方法
CN111312372A (zh) 医学图像标准测试数据集的建立方法及装置
CN114581719B (zh) 一种基于带噪学习的耐热钢珠光体球化智能评级方法
Balakumar et al. An Evaluation of Digital Image Sampling and Quantization for Serial and Parallel Image Processing
CN118211475B (zh) 一种铝合金腐蚀疲劳裂纹扩展速率预测方法及系统
CN116741319A (zh) 基于时序卷积网络的高放玻璃固化体浸出行为预测方法

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