CN116110526A - 一种钛合金应力腐蚀临界应力强度因子预测方法 - Google Patents

一种钛合金应力腐蚀临界应力强度因子预测方法 Download PDF

Info

Publication number
CN116110526A
CN116110526A CN202310394582.5A CN202310394582A CN116110526A CN 116110526 A CN116110526 A CN 116110526A CN 202310394582 A CN202310394582 A CN 202310394582A CN 116110526 A CN116110526 A CN 116110526A
Authority
CN
China
Prior art keywords
data
titanium alloy
model
scaling
feature
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
CN202310394582.5A
Other languages
English (en)
Other versions
CN116110526B (zh
Inventor
黄小虎
廖兰英
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.)
Shenzhen Zhengtailong Technology Co ltd
Original Assignee
Shenzhen Zhengtailong 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 Shenzhen Zhengtailong Technology Co ltd filed Critical Shenzhen Zhengtailong Technology Co ltd
Priority to CN202310394582.5A priority Critical patent/CN116110526B/zh
Publication of CN116110526A publication Critical patent/CN116110526A/zh
Application granted granted Critical
Publication of CN116110526B publication Critical patent/CN116110526B/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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/26—Composites
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明涉及数据预测技术领域，尤其涉及一种钛合金应力腐蚀临界应力强度因子预测方法。该方法包括以下步骤：获取钛合金基础数据，其中钛合金基础数据包括钛合金化学数据以及钛合金晶体结构数据；根据钛合金基础数据进行本构模型构建，从而构建钛合金本构模型；根据钛合金本构模型进行几何模拟，从而构建钛合金几何模型；根据钛合金几何模型进行网格划分，从而获得钛合金网格化模型；获取临界条件，并根据临界条件对钛合金网格化模型进行应力模拟计算，从而生成钛合金应力腐蚀临界应力强度因子预测数据。本发明通过预测钛合金的应力腐蚀临界应力强度因子，提高钛合金材料的使用寿命和安全性能。

Description

一种钛合金应力腐蚀临界应力强度因子预测方法
技术领域
本发明涉及数据预测技术领域，尤其涉及一种钛合金应力腐蚀临界应力强度因子预测方法。
背景技术
钛合金作为一种高强度、轻质、耐腐蚀的材料，在航空航天、医疗、汽车等领域有广泛应用。钛合金还是唯一的在海水和空气中的疲劳极限几乎无显著差别的高强度材料。所以钛合金被称为海洋金属。虽然钛合金导热性、耐磨性、焊接性欠佳，存在热加工吸氢等问题，但其优异的综合性能仍使它成为一种重要的海洋材料，在深海装备上的应用与日俱增，并且逐渐由零部件向关键结构方向发展，对钛合金深海腐蚀行为的研究和耐蚀性评价也随之成为时下关注的热点。随着计算机技术的进一步发展，数据挖掘以及深度处理成为了越来越多领域的数据化解决方案的选择之一，通过对大量数据进行挖掘，可以发现数据中潜在价值信息，从而为下一步的执行方案提供更加精准的预测数据。钛合金在使用过程中也容易受到应力腐蚀的影响，导致材料失效或寿命缩短。应力腐蚀是指在材料同时受到应力和腐蚀介质的作用下，材料发生腐蚀而导致失效为了保证钛合金材料在实际使用中的安全性和可靠性，需要对其应力腐蚀临界应力强度因子进行预测和评估，在目前的钛合金数值模拟阶段，往往对参数采用线性回归的方式进行预测或者针对数据进行简单的数据挖掘，对其应力腐蚀临界应力强度因子进行预测的结果误差较大。
发明内容
本发明为解决上述技术问题，提出了一种钛合金应力腐蚀临界应力强度因子预测方法，以解决至少一个上述技术问题。
本发明提供一种钛合金应力腐蚀临界应力强度因子预测方法，包括以下步骤：步骤S1：获取钛合金基础数据，其中钛合金基础数据包括钛合金化学数据以及钛合金晶体结构数据；
步骤S2：根据钛合金基础数据进行本构模型构建，从而构建钛合金本构模型；
步骤S3：根据钛合金本构模型进行几何模拟，从而构建钛合金几何模型；
步骤S4：根据钛合金几何模型进行网格划分，从而获得钛合金网格化模型；
步骤S5：获取临界条件，并根据临界条件对钛合金网格化模型进行应力模拟计算，从而生成钛合金应力腐蚀临界应力强度因子预测数据。
本发明基于钛合金化学数据和晶体结构数据构建本构模型，并利用几何模拟、网格划分和应力模拟计算方法预测钛合金应力腐蚀临界应力强度因子的方法，可以更准确地预测钛合金在应力作用下的损坏情况，有助于提高钛合金材料的使用寿命和安全性能。
优选地，步骤S2具体为：
步骤S21：根据钛合金基础数据进行数据预处理，从而获得预处理数据；
步骤S22：根据预处理数据进行特征缩放，从而获得最大相关特征属性数据；
步骤S23：根据最大相关特征属性数据进行特征提取，从而获得钛合金特征数据；
步骤S24：根据钛合金特征数据进行本构模型构建，从而构建钛合金本构模型。
本发明采用了数据预处理、特征缩放和特征提取等技术，可以去除噪声和冗余信息，提高数据质量和模型的准确性。同时，基于最大相关特征属性数据构建钛合金本构模型，可以更加准确地描述材料的力学行为，有助于提高钛合金应力腐蚀临界应力强度因子预测结果的准确性和可靠性。
优选地，步骤S21具体为：
步骤S211：根据钛合金基础数据进行数据清洗，从而获得清洗数据；
步骤S212：根据清洗数据进行钛合金异常数据检测并剔除异常值，从而获得去异常数据；
步骤S213：根据去异常数据进行特征缩放，从而获得预处理数据。
本发明通过对钛合金基础数据进行数据清洗、异常值检测并剔除以及特征缩放的预处理步骤，可以获得更加干净、准确的数据，并且通过特征缩放可以提高数据的相关性和可解释性，为后续钛合金相关应用（如生产制造、质量控制等）提供更加可靠、有效的数据支持。
优选地，步骤S22具体为：
步骤S221：根据预处理数据进行参数相关程度计算，从而获得钛合金参数相关程度数值数据；
步骤S222：判断钛合金参数相关程度数值数据是否大于或等于预设的钛合金参数相关程度阈值数值；
步骤S223：确定钛合金参数相关程度数值数据大于或等于预设的钛合金参数相关程度阈值数值时，则根据预处理数据通过优化弹性网络计算方法进行特征缩放，从而获得最大相关特征属性数据；
步骤S224：确定钛合金参数相关程度数值数据小于预设的钛合金参数相关程度阈值数值时，判断预处理数据的参数数量是否小于预设的钛合金参数阈值数据；
步骤S225：确定预处理数据的参数数量小于预设的钛合金参数阈值数据时，则根据预处理数据通过第一特征缩放方法进行特征缩放，从而获得最大相关特征属性数据；
步骤S226：确定预处理数据的参数数量大于或等于预设的钛合金参数阈值数据时，则根据预处理数据通过第二特征缩放方法进行特征缩放，从而获得最大相关特征属性数据。
本发明可以进一步提高预处理数据的精度和可靠性，从而获得更具有相关性和影响力的最大相关特征属性数据。通过计算钛合金参数之间的相关程度，并筛选出相对重要的特征属性，可以有效地降低维度和复杂度，提高建模和分析效率。同时，根据预设的阈值数值，采用不同的特征缩放方法，可以根据预处理数据的特点和参数数量进行选择，进一步优化特征属性数据的准确性和适用性。这些有益效果可以提高钛合金材料相关研究的深度和广度，促进相关技术和应用的发展。
优选地，参数相关程度计算通过参数相关程度计算公式进行计算，其中参数相关程度计算公式具体为：
为钛合金参数相关程度数值数据，为钛合金参数误差调整项，为第个预处理数据的调整系数，为第个预处理数据，为第个预处理数据的调整系数，为第个预处理数据，为钛合金参数初始调整值，为预处理数据的平均数，为钛合金参数缩放系数，为预处理数据的数量信息，为钛合金参数相关程度数值数据的修正项。
本发明提供一种参数相关程度计算公式，该公式充分考虑了钛合金参数误差调整项、第个预处理数据的调整系数、第个预处理数据、第个预处理数据的调整系数、第个预处理数据、钛合金参数初始调整值、预处理数据的平均数、钛合金参数缩放系数、预处理数据的数量信息以及相互之间的作用关系，从而形成函数关系，其中误差调整项和初始调整值可以对钛合金参数数据进行一定的修正和平滑，降低预处理数据中可能存在的噪声和干扰因素对结果的影响；调整系数和则可以对相邻预处理数据之间的相关性进行量化和比较，进一步提高结果的精确度和可靠性；平均数和缩放系数则可以将不同量纲的参数数据进行统一，避免量纲不同导致结果偏差的问题；数量信息和修正项则可以对结果进行修正和优化，提高计算结果的准确性和适用性。
优选地，其中优化弹性网络正则化计算方法的步骤具体为：
步骤S231：根据预处理数据进行标准化处理，从而获得标准化数据；
步骤S232：根据标准化数据进行最小误差扰动随机划分，从而生成训练集数据以及测试集数据；
步骤S233：根据训练集数据进行交叉验证，从而获得弹性网络调整参数；
步骤S234：根据弹性网络调整参数以及训练集数据进行弹性网络模型拟合并通过测试集数据进行误差迭代，从而构建优化弹性网络模型；
步骤S235：根据优化弹性网络模型对预处理数据进行特征选择，获得最大相关特征属性数据；
其中最小误差扰动随机划分的步骤包括以下步骤：
步骤S201：根据标准化数据进行随机划分，从而获得初等训练集数据以及初等测试集数据；
步骤S202：根据标准化数据进行评估计算，从而生成标准评估数据，其中标准评估数据包括标准平均数据以及标准相关程度数据；
步骤S203：分别对初等训练集数据以及初等测试集数据进行评估计算，从而生成初等训练集评估数据以及初等测试集评估数据；
步骤S204：利用标准评估数据对初等训练集评估数据进行误差比对，若初等训练集评估数据在误差允许范围内时，则确定初等训练集数据为训练集数据，否则根据初等训练集进行随机扰动计算，从而生成次级训练集数据，以进行迭代误差评估，最终确定训练集数据；
步骤S205：利用标准评估数据对初等测试集评估数据进行误差比对，若初等测试集评估数据在误差允许范围内时，则确定初等测试集数据为训练集数据，否则根据初等测试集进行随机扰动计算，从而生成次级测试集数据，以进行迭代误差评估，最终确定测试集数据。
本发明通过优化弹性网络正则化计算方法，进一步提高钛合金材料相关研究的建模和分析精度，从而获得更具有可靠性和适用性的最大相关特征属性数据，采用标准化处理和最小误差扰动随机划分技术，可以有效降低数据噪声和干扰因素的影响；利用交叉验证、弹性网络调整参数及模型拟合的方法，可以优化弹性网络模型的参数和结构，提高预测和识别精度；通过特征选择，可以筛选出对钛合金性能具有较大影响的特征属性，最小误差扰动随机划分的步骤可以通过迭代误差评估的方式，避免初等训练集和测试集数据的偏差和局限性，提高了评估结果的可靠性和稳定性。
优选地，其中第一特征缩放方法的步骤具体为：
步骤S251：根据预处理数据进行标准化处理，从而获得标准化数据；
步骤S252：根据标准化数据进行绝对值类和计算，从而生成缩放系数；
步骤S253：根据缩放系数对标准化数据进行缩放，得到初步缩放数据；
步骤S254：根据初步缩放数据进行交叉验证，从而获得正则化参数，并根据正则化参数对预设的第一特征缩放模型进行迭代训练，从而构建优化第一特征缩放模型；
步骤S255：利用优化第一特征缩放模型对预处理数据进行特征缩放，从而获得最大相关特征属性数据。
本发明的第一特征缩放方法可以进一步提高预处理数据的精度和可靠性，从而获得更具有相关性和影响力的最大相关特征属性数据。在此过程中，通过标准化处理和绝对值计算技术，可以将数据转化为相对大小的无量纲表达方式，避免了由于不同参数量纲带来的影响，从而提高了结果的准确性和可比性；利用交叉验证和正则化参数选择技术，可以优化第一特征缩放模型的参数和结构，提高特征缩放的效果和适用性；通过特征缩放，可以增强预处理数据的相关性，挖掘出更深层次、更有意义的相关特征属性。
优选地，其中第二特征缩放方法的步骤具体为：
步骤S261：根据预处理数据进行标准化处理，从而获得标准化数据；
步骤S262：根据标准化数据进行特征指数计算标记，从而获得标记特征数据；
步骤S263：根据标记特征数据进行重要性排序并通过预设的排位数据选取，从而获得最大相关特征属性数据。
本发明可以进一步提高预处理数据的精度和可靠性，从而获得更具有相关性和影响力的最大相关特征属性数据。在此过程中，通过标准化处理和特征指数计算标记技术，可以对预处理数据进行初步处理并提取出钛合金参数中的重要特征；利用重要性排序和排位选取技术，可以对特征进行筛选和优化，保留最相关、最具有代表性的特征属性，从而提高结果的准确性和可解释性，同时降低数据过多带来的计算负荷。
优选地，其中步骤S3具体为：
根据钛合金基础数据中的钛合金几何形状对钛合金本构模型进行有限元计算，从而获得钛合金有限元数据；
根据钛合金有限元数据进行合并绘制，从而获得钛合金几何模型。
本发明通过有限元计算和数据合并绘制，构建出钛合金材料的几何模型，从而进一步提高钛合金材料相关研究的精度和可靠性，通过对钛合金基础数据中的几何形状进行有限元计算，可以获得钛合金的有限元数据，该数据包含了钛合金材料在不同条件下的力学行为和响应情况，可以为后续的分析和建模提供有效的依据和支持；通过数据合并绘制，可以将有限元数据转化为几何模型，并进行可视化展示，从而更加深入地理解和掌握钛合金材料的特性和行为规律。
优选地，步骤S4具体为：
步骤S41：根据钛合金几何模型进行网格划分，从而获得初等网格化模型；
步骤S42：根据初等网格化模型进行平滑处理，从而获得平滑网格化模型；
步骤S43：根据平滑网格化模型进行网格密度优化，从而获得钛合金网格化模型。
本发明通过钛合金几何模型的网格划分、平滑处理和密度优化，进一步提高钛合金材料相关研究的建模和分析精度，从而获得更具有可靠性和适用性的数据。具体地说，通过对钛合金几何模型进行网格划分，可以将其转化为多个小尺寸单元，使得钛合金的特性和行为更加明确和具体；通过平滑处理，可以消除网格划分产生的短边和扭曲现象，避免了计算误差和不连续的问题；通过网格密度优化，可以在保证计算效率的前提下，提高模型描述的准确性和细节表达能力，从而更好地反映钛合金材料的特性和行为规律。
本申请的有益效果在于本发明通过获取钛合金基础数据、构建本构模型、进行几何模拟和网格化处理，可以对钛合金材料的特性和行为进行深入分析和研究并提供可靠的模拟数据，从而更好地理解其应力腐蚀临界应力强度因子的形成机制和规律；结合第一特征缩放方法、第二特征缩放方法的特征选择方法，可以对数据进行优化和筛选，提高预测数据的精度和可靠性，避免了由于样本误差、干扰等因素造成的预测偏差问题；通过对临界条件进行获取和应力模拟计算，可以得到钛合金应力腐蚀临界应力强度因子的预测值，并进一步提高钛合金材料相关研究领域的可靠性和适用性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的钛合金应力腐蚀临界应力强度因子预测方法的步骤流程图；
图2示出了一实施例的钛合金本构模型构建方法的步骤流程图；
图3示出了一实施例的钛合金基础数据预处理方法的步骤流程图；
图4示出了一实施例的最大相关特征属性数据获取方法的步骤流程图；
图5示出了一实施例的优化弹性网络正则化计算方法的步骤流程图；
图6示出了一实施例的最小误差扰动随机划分方法的步骤流程图；
图7示出了一实施例的第一特征缩放方法的步骤流程图；
图8示出了一实施例的第二特征缩放方法的步骤流程图；
图9示出了一实施例的钛合金网格化模型生成方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图9，本发明提供一种钛合金应力腐蚀临界应力强度因子预测方法，包括以下步骤：
步骤S1：获取钛合金基础数据，其中钛合金基础数据包括钛合金化学数据以及钛合金晶体结构数据；
具体地，例如钛合金化学数据包括钛合金的成分组成、化学成分含量、杂质元素含量，通过化学分析仪器（如ICP-OES、XRF等）对钛合金进行化学分析，或者参考相关文献和标准来获取；钛合金晶体结构数据包括钛合金的晶体结构类型、晶格常数、原子位置，通过X射线衍射（XRD）或电子背散射衍射（EBSD）的实验手段进行测定，也可以从已有的实验数据、文献或数据库中获取。
步骤S2：根据钛合金基础数据进行本构模型构建，从而构建钛合金本构模型；
具体地，例如通过应力－应变曲线来描述钛合金的弹性和塑性行为。其中，弹性阶段可以由胡克定律来描述；而在塑性阶段，可以采用各种经验方程或本构模型来描述材料的流变行为。
步骤S3：根据钛合金本构模型进行几何模拟，从而构建钛合金几何模型；
具体地，例如利用有限元分析软件（如ANSYS、ABAQUS等）对钛合金材料进行力学仿真，获得其应力分布和变形情况，并将这些数据转化为几何模型。例如，通过在有限元软件中建立材料的几何结构并施加外力来进行分析，然后将分析结果导出为几何模型。
步骤S4：根据钛合金几何模型进行网格划分，从而获得钛合金网格化模型；
具体地，例如运用自适应网格技术对钛合金几何模型进行网格划分。例如，根据材料特性和分析需求，可以在一些关键区域添加更多的网格元素。
具体地，例如利用四面体剖分法对钛合金几何模型进行网格划分。例如，在钛合金TC4中，可以通过将其曲面细分为小的四面体区域来进行网格划分，并根据需求调整四面体的大小和形状来生成高质量的网格。
步骤S5：获取临界条件，并根据临界条件对钛合金网格化模型进行应力模拟计算，从而生成钛合金应力腐蚀临界应力强度因子预测数据。
具体地，例如针对不同的腐蚀条件和材料状态，通过实验或文献调研获取钛合金应力腐蚀临界应力强度因子的临界值，例如，在氯离子环境下，可以通过样品暴露实验、电化学测试等方法来确定临界应力强度因子。利用有限元分析软件（如ABAQUS、ANSYS等）对钛合金网格化模型进行应力模拟计算，获得其应力分布情况；考虑到该材料受外部载荷作用时的应力变化情况，以及环境因素对材料性能的影响。例如，在进行钛合金TC4的应力模拟计算时，需要考虑到材料的初始应力状态、载荷类型、载荷大小的因素；根据已知的临界条件和应力分布情况，利用应力模拟计算方法（例如裂纹力学理论、线弹性断裂力学方法等）计算出钛合金应力腐蚀临界应力强度因子的预测值，例如，在进行钛合金TC4的应力腐蚀临界应力强度因子预测时，可以采用线弹性断裂力学方法和有限元分析软件对其应力分布情况进行计算，并根据已知的临界条件，利用有限元分析软件输出的结果来预测钛合金TC4在特定环境下的应力腐蚀临界应力强度因子。
本实施例基于钛合金化学数据和晶体结构数据构建本构模型，并利用几何模拟、网格划分和应力模拟计算方法预测钛合金应力腐蚀临界应力强度因子的方法，可以更准确地预测钛合金在应力作用下的损坏情况，有助于提高钛合金材料的使用寿命和安全性能。
优选地，步骤S2具体为：
步骤S21：根据钛合金基础数据进行数据预处理，从而获得预处理数据；
具体地，例如去除无效或重复的数据，修正或删除不符合事实的数据。例如，在分析钛合金化学成分含量时，可能会出现测量误差或数据缺失的问题，需要对数据进行清理和修正。
步骤S22：根据预处理数据进行特征缩放，从而获得最大相关特征属性数据；
具体地，例如将数据按照均值为0、标准差为1的方式进行缩放。例如，在分析钛合金TC4的强度和塑性等力学性能时，通过将其材料性质的数据标准化以便于比较，在分析钛合金TC4的晶体结构参数时，对其晶格常数等数据进行对数缩放。
步骤S23：根据最大相关特征属性数据进行特征提取，从而获得钛合金特征数据；
具体地，例如在预测钛合金TC4的机械性能时，通过特征挑选从化学成分、晶体结构、加工工艺的各方面选择最相关的属性，作为模型输入变量。
具体地，例如分析钛合金TC4的微观组织结构时，可以采用自编码器来学习其不同区域的特征表示，以获得更准确和可解释的特征数据，自编码器为通过无监督学习的神经网络模型。
步骤S24：根据钛合金特征数据进行本构模型构建，从而构建钛合金本构模型。
具体地，例如根据特征数据选择合适的本构模型，并利用特征数据进行参数拟合。例如，在预测钛合金TC4的塑性行为时，可以采用Johnson-Cook本构模型或Zerilli-Armstrong本构模型，通过对其特征数据进行拟合得到相应的本构模型参数。
本实施例采用了数据预处理、特征缩放和特征提取等技术，可以去除噪声和冗余信息，提高数据质量和模型的准确性。同时，基于最大相关特征属性数据构建钛合金本构模型，可以更加准确地描述材料的力学行为，有助于提高钛合金应力腐蚀临界应力强度因子预测结果的准确性和可靠性。
优选地，步骤S21具体为：
步骤S211：根据钛合金基础数据进行数据清洗，从而获得清洗数据；
具体地，例如数据清洗包括去除重复数据、处理缺失数据、数据类型转换以及数据标准化，去除重复数据为删除数据集中存在的完全相同的记录，处理缺失数据为填补或删除数据集中存在的缺失值，数据类型转换为将数据转换为不同的数据类型或格式，数据标准化为将数据按照一定规则进行标准化。
步骤S212：根据清洗数据进行钛合金异常数据检测并剔除异常值，从而获得去异常数据；
具体地，例如处理异常数据为检测和删除数据集中存在的异常或不符合事实的数据。
步骤S213：根据去异常数据进行特征缩放，从而获得预处理数据。
具体地，例如通过正则化方法来约束特征参数的大小，从而对特征进行选择，通过引入L1正则化项（即lasso惩罚项）来实现特征选择。L1正则化项可以将某些特征的系数收缩到0，引入L2正则化项来控制特征的数量和质量。
本实施例通过对钛合金基础数据进行数据清洗、异常值检测并剔除以及特征缩放的预处理步骤，可以获得更加干净、准确的数据，并且通过特征缩放可以提高数据的相关性和可解释性，为后续钛合金相关应用（如生产制造、质量控制等）提供更加可靠、有效的数据支持。
优选地，步骤S22具体为：
步骤S221：根据预处理数据进行参数相关程度计算，从而获得钛合金参数相关程度数值数据；
具体地，例如使用相关系数来计算各个指标之间的相关程度，例如使用Pearson相关系数或Spearman相关系数。
步骤S222：判断钛合金参数相关程度数值数据是否大于或等于预设的钛合金参数相关程度阈值数值；
具体地，例如参数相关程度数值大于或等于预设的阈值，则说明各个指标之间相关性较高，可以使用优化弹性网络计算方法进行特征缩放。
步骤S223：确定钛合金参数相关程度数值数据大于或等于预设的钛合金参数相关程度阈值数值时，则根据预处理数据通过优化弹性网络计算方法进行特征缩放，从而获得最大相关特征属性数据；
具体地，例如使用弹性网络方法来进行特征缩放，其中L1正则化项和L2正则化项的比例可以通过交叉验证来确定。通过特征缩放可以获得最大相关特征属性数据，用于钛合金本构模型构建。
步骤S224：确定钛合金参数相关程度数值数据小于预设的钛合金参数相关程度阈值数值时，判断预处理数据的参数数量是否小于预设的钛合金参数阈值数据；
具体地，例如参数相关程度数值较低，说明各个指标之间相关性不高，需要根据预设的参数阈值来确定使用哪种特征缩放方法。计算出的相关系数低于预设的阈值，且预处理数据的参数数量小于预设的阈值数据，则采用第一特征缩放方法进行特征缩放；如果预处理数据的参数数量大于等于预设的阈值数据，则采用第二特征缩放方法进行特征缩放。
步骤S225：确定预处理数据的参数数量小于预设的钛合金参数阈值数据时，则根据预处理数据通过第一特征缩放方法进行特征缩放，从而获得最大相关特征属性数据；
具体地，例如L1正则化项定义为所有特征权重的绝对值之和，乘以一个正则化系数lambda，即L1 = lambda * sum(abs(w))；将L1正则化项加入损失函数中，得到新的损失函数。新的损失函数为原始损失函数加上L1正则化项；训练模型并求解：使用梯度下降等优化算法，求解加入L1正则化项的损失函数，得到模型的最优权重；特征权重修剪：对于模型中权重为0的特征，可以将其剔除，得到精简的特征集合。
步骤S226：确定预处理数据的参数数量大于或等于预设的钛合金参数阈值数据时，则根据预处理数据通过第二特征缩放方法进行特征缩放，从而获得最大相关特征属性数据。
具体地，例如对各个指标进行归一化处理并按照重要性排序，选取排名靠前的指标作为最大相关特征属性。
本实施例可以进一步提高预处理数据的精度和可靠性，从而获得更具有相关性和影响力的最大相关特征属性数据。通过计算钛合金参数之间的相关程度，并筛选出相对重要的特征属性，可以有效地降低维度和复杂度，提高建模和分析效率。同时，根据预设的阈值数值，采用不同的特征缩放方法，可以根据预处理数据的特点和参数数量进行选择，进一步优化特征属性数据的准确性和适用性。这些有益效果可以提高钛合金材料相关研究的深度和广度，促进相关技术和应用的发展。
优选地，参数相关程度计算通过参数相关程度计算公式进行计算，其中参数相关程度计算公式具体为：
为钛合金参数相关程度数值数据，为钛合金参数误差调整项，为第个预处理数据的调整系数，为第个预处理数据，为第个预处理数据的调整系数，为第个预处理数据，为钛合金参数初始调整值，为预处理数据的平均数，为钛合金参数缩放系数，为预处理数据的数量信息，为钛合金参数相关程度数值数据的修正项。
本实施例提供一种参数相关程度计算公式，该公式充分考虑了钛合金参数误差调整项、第个预处理数据的调整系数、第个预处理数据、第个预处理数据的调整系数、第个预处理数据、钛合金参数初始调整值、预处理数据的平均数、钛合金参数缩放系数、预处理数据的数量信息以及相互之间的作用关系，从而形成函数关系，其中误差调整项和初始调整值可以对钛合金参数数据进行一定的修正和平滑，降低预处理数据中可能存在的噪声和干扰因素对结果的影响；调整系数和则可以对相邻预处理数据之间的相关性进行量化和比较，进一步提高结果的精确度和可靠性；平均数和缩放系数则可以将不同量纲的参数数据进行统一，避免量纲不同导致结果偏差的问题；数量信息和修正项则可以对结果进行修正和优化，提高计算结果的准确性和适用性。
优选地，其中优化弹性网络正则化计算方法的步骤具体为：
步骤S231：根据预处理数据进行标准化处理，从而获得标准化数据；
具体地，例如使得每个特征属性的均值为0，标准差为1，得到标准化数据。
步骤S232：根据标准化数据进行最小误差扰动随机划分，从而生成训练集数据以及测试集数据；
具体地，例如使用最小误差扰动随机划分的方法，将标准化数据随机划分为训练集数据和测试集数据。
步骤S233：根据训练集数据进行交叉验证，从而获得弹性网络调整参数；
具体地，例如使用交叉验证的方法，对训练集数据进行弹性网络调整参数，得到最优的L1和L2的比例alpha和惩罚因子lambda。
步骤S234：根据弹性网络调整参数以及训练集数据进行弹性网络模型拟合并通过测试集数据进行误差迭代，从而构建优化弹性网络模型；
具体地，例如根据调整后的参数和训练集数据，构建弹性网络模型，并使用测试集数据进行误差迭代，最终得到优化的弹性网络模型。
步骤S235：根据优化弹性网络模型对预处理数据进行特征选择，获得最大相关特征属性数据；
具体地，例如利用优化的弹性网络模型对预处理数据进行特征选择，获得最大相关的特征属性数据。
其中最小误差扰动随机划分的步骤包括以下步骤：
步骤S201：根据标准化数据进行随机划分，从而获得初等训练集数据以及初等测试集数据；
具体地，例如将数据集按照某种比例（如80%训练集，20%测试集）进行随机划分，得到初等训练集数据和初等测试集数据。
步骤S202：根据标准化数据进行评估计算，从而生成标准评估数据，其中标准评估数据包括标准平均数据以及标准相关程度数据；
例如，通过计算数据集的均值和标准差，得到标准评估数据。
步骤S203：分别对初等训练集数据以及初等测试集数据进行评估计算，从而生成初等训练集评估数据以及初等测试集评估数据；
例如，对初等训练集数据和初等测试集数据进行均值和标准差的计算，得到初等训练集评估数据和初等测试集评估数据。
步骤S204：利用标准评估数据对初等训练集评估数据进行误差比对，若初等训练集评估数据在误差允许范围内时，则确定初等训练集数据为训练集数据，否则根据初等训练集进行随机扰动计算，从而生成次级训练集数据，以进行迭代误差评估，最终确定训练集数据；
具体地，例如，将初等训练集数据和标准评估数据进行误差比对，如果初等训练集数据误差在允许范围内，则将初等训练集数据作为训练集，否则可以对初等训练集数据进行随机扰动，如将初等训练集数据中的随机数量的数据在预设的加权范围内进行随机加权计算，得到次级训练集数据，再次进行误差评估，直到误差满足要求为止。
步骤S205：利用标准评估数据对初等测试集评估数据进行误差比对，若初等测试集评估数据在误差允许范围内时，则确定初等测试集数据为训练集数据，否则根据初等测试集进行随机扰动计算，从而生成次级测试集数据，以进行迭代误差评估，最终确定测试集数据。
具体地，例如假设正在分析钛合金材料的硬度与强度之间的关系，并且有一组标准化数据和初始随机划分得到的初等测试集数据；根据标准化数据计算出标准评估数据，包括标准平均值和标准相关程度数据。例如，在计算钛合金硬度时，采用评估指标为均方误差和相关系数等，计算出标准平均值和标准相关程度数据；对初等测试集数据进行评估计算，例如，利用初等测试集数据进行钛合金硬度预测，并计算出预测结果与真实值之间的均方误差和相关系数等评价指标；利用标准评估数据对初等测试集评估数据进行误差比对。将初等测试集评估数据与标准评估数据进行比对，判断其误差是否在预设允许范围内。若初等测试集评估数据在误差允许范围内，则将初等测试集数据确定为测试集数据；否则进行下一步操作；根据初等测试集进行随机扰动计算，从而生成次级测试集数据，以进行迭代误差评估。对初等测试集数据进行随机扰动操作，重新划分为次级测试集数据，并重复之前的评估计算并利用标准评估数据对次级测试集数据进行比对，直到确定最终的测试集数据。
本实施例通过优化弹性网络正则化计算方法，进一步提高钛合金材料相关研究的建模和分析精度，从而获得更具有可靠性和适用性的最大相关特征属性数据，采用标准化处理和最小误差扰动随机划分技术，可以有效降低数据噪声和干扰因素的影响；利用交叉验证、弹性网络调整参数及模型拟合的方法，可以优化弹性网络模型的参数和结构，提高预测和识别精度；通过特征选择，可以筛选出对钛合金性能具有较大影响的特征属性，最小误差扰动随机划分的步骤可以通过迭代误差评估的方式，避免初等训练集和测试集数据的偏差和局限性，提高了评估结果的可靠性和稳定性。
优选地，其中第一特征缩放方法的步骤具体为：
步骤S251：根据预处理数据进行标准化处理，从而获得标准化数据；
具体地，例如将预处理数据按照均值为0、方差为1进行缩放。
步骤S252：根据标准化数据进行绝对值类和计算，从而生成缩放系数；
具体地，例如根据标准化数据进行绝对值类和计算。例如，可以采用缩放系数=1/平均绝对偏差的方法来计算缩放系数，其中平均绝对偏差为所有数据与其均值之差的绝对值平均数。
步骤S253：根据缩放系数对标准化数据进行缩放，得到初步缩放数据；
具体地，例如通过绝对值类和计算生成缩放系数。将计算出来的缩放系数应用到原始数据中，即可得到缩放后的数据。例如，将原始的钛合金硬度数据按照所得到的缩放系数进行缩放，得到新的硬度数据。
步骤S254：根据初步缩放数据进行交叉验证，从而获得正则化参数，并根据正则化参数对预设的第一特征缩放模型进行迭代训练，从而构建优化第一特征缩放模型；
具体地，例如根据初步缩放数据进行交叉验证，获得正则化参数。例如，可以采用岭回归的方法，在不同的正则化参数下进行交叉验证，选取最优的正则化参数，使得模型在验证集上表现最佳。根据正则化参数对预设的第一特征缩放模型进行迭代训练，并构建优化第一特征缩放模型，采用Lasso回归的方法，同时利用先前选定的正则化参数和新的训练集数据进行模型训练，得到新的缩放模型并进行评估。若评估结果仍然不满足要求，则重新选择正则化参数，重复以上步骤，直至得到最优的缩放模型。Lasso回归是一种线性回归的变体，其目标是最小化损失函数（通常是均方误差），同时限制模型中特征的数量。这种约束通过L1正则化项实现，它将大部分特征的系数缩小到零，从而实现自动特征选择。
步骤S255：利用优化第一特征缩放模型对预处理数据进行特征缩放，从而获得最大相关特征属性数据。
具体地，例如利用上个步骤构建的优化第一特征缩放模型对预处理数据进行特征缩放，从而获得最大相关特征属性数据。
本实施例的第一特征缩放方法可以进一步提高预处理数据的精度和可靠性，从而获得更具有相关性和影响力的最大相关特征属性数据。在此过程中，通过标准化处理和绝对值计算技术，可以将数据转化为相对大小的无量纲表达方式，避免了由于不同参数量纲带来的影响，从而提高了结果的准确性和可比性；利用交叉验证和正则化参数选择技术，可以优化第一特征缩放模型的参数和结构，提高特征缩放的效果和适用性；通过特征缩放，可以增强预处理数据的相关性，挖掘出更深层次、更有意义的相关特征属性。
优选地，其中第二特征缩放方法的步骤具体为：
步骤S261：根据预处理数据进行标准化处理，从而获得标准化数据；
具体地，例如将预处理数据按照均值为0、方差为1进行缩放。
步骤S262：根据标准化数据进行特征指数计算标记，从而获得标记特征数据；
具体地，例如可以使用随机森林算法计算每个特征的Gini指数或信息增益，作为其重要性分数。
步骤S263：根据标记特征数据进行重要性排序并通过预设的排位数据选取，从而获得最大相关特征属性数据。
具体地，例如将特征按照其重要性分数从高到低进行排序，从排名前N（预设的阈值数值）个特征中选择最大相关特征属性数据作为最终的特征集合。
本实施例可以进一步提高预处理数据的精度和可靠性，从而获得更具有相关性和影响力的最大相关特征属性数据。在此过程中，通过标准化处理和特征指数计算标记技术，可以对预处理数据进行初步处理并提取出钛合金参数中的重要特征；利用重要性排序和排位选取技术，可以对特征进行筛选和优化，保留最相关、最具有代表性的特征属性，从而提高结果的准确性和可解释性，同时降低数据过多带来的计算负荷。
优选地，其中步骤S3具体为：
根据钛合金基础数据中的钛合金几何形状对钛合金本构模型进行有限元计算，从而获得钛合金有限元数据；
具体地，例如基于所选的本构模型，采用有限元分析（FEA）方法进行几何模拟。有限元分析是一种将结构划分为有限数量的小元素，并对每个元素进行计算的数值分析方法。其中，钛合金的几何形状和边界条件需要在模拟中予以定义。
根据钛合金有限元数据进行合并绘制，从而获得钛合金几何模型。
具体地，例如根据模拟结果，利用计算机辅助设计（CAD）软件等工具构建钛合金的几何模型。
本实施例通过有限元计算和数据合并绘制，构建出钛合金材料的几何模型，从而进一步提高钛合金材料相关研究的精度和可靠性，通过对钛合金基础数据中的几何形状进行有限元计算，可以获得钛合金的有限元数据，该数据包含了钛合金材料在不同条件下的力学行为和响应情况，可以为后续的分析和建模提供有效的依据和支持；通过数据合并绘制，可以将有限元数据转化为几何模型，并进行可视化展示，从而更加深入地理解和掌握钛合金材料的特性和行为规律。
优选地，步骤S4具体为：
步骤S41：根据钛合金几何模型进行网格划分，从而获得初等网格化模型；
具体地，例如网格类型包括三角形网格、四边形网格和多面体网格。
步骤S42：根据初等网格化模型进行平滑处理，从而获得平滑网格化模型；
具体地，例如进行网格划分后，根据初等网格化模型进行网格质量检查和修正，如网格正交性修正，网格单元的边界应该尽可能地垂直或平行于相邻单元的边界；形状因子修正，网格单元周长与面积之比的倒数称为形状因子，它越接近1表示网格单元的形状越规则。
步骤S43：根据平滑网格化模型进行网格密度优化，从而获得钛合金网格化模型。
具体地，例如网格密度优化，网格单元的大小和分布应该足够均匀，避免局部过于稠密或过于稀疏的情况，如将网格进行覆盖面积/覆盖体积均分，生成网格集，计算并比对不同网格集的网格数，从而生成比对结果。
本实施例通过钛合金几何模型的网格划分、平滑处理和密度优化，进一步提高钛合金材料相关研究的建模和分析精度，从而获得更具有可靠性和适用性的数据。具体地说，通过对钛合金几何模型进行网格划分，可以将其转化为多个小尺寸单元，使得钛合金的特性和行为更加明确和具体；通过平滑处理，可以消除网格划分产生的短边和扭曲现象，避免了计算误差和不连续的问题；通过网格密度优化，可以在保证计算效率的前提下，提高模型描述的准确性和细节表达能力，从而更好地反映钛合金材料的特性和行为规律。
本申请的有益效果在于本发明通过获取钛合金基础数据、构建本构模型、进行几何模拟和网格化处理，可以对钛合金材料的特性和行为进行深入分析和研究并提供可靠的模拟数据，从而更好地理解其应力腐蚀临界应力强度因子的形成机制和规律；结合第一特征缩放方法、第二特征缩放方法的特征选择方法，可以对数据进行优化和筛选，提高预测数据的精度和可靠性，避免了由于样本误差、干扰等因素造成的预测偏差问题；通过对临界条件进行获取和应力模拟计算，可以得到钛合金应力腐蚀临界应力强度因子的预测值，并进一步提高钛合金材料相关研究领域的可靠性和适用性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种钛合金应力腐蚀临界应力强度因子预测方法，其特征在于，包括以下步骤：
步骤S1：获取钛合金基础数据，其中钛合金基础数据包括钛合金化学数据以及钛合金晶体结构数据；
步骤S2：根据钛合金基础数据进行本构模型构建，从而构建钛合金本构模型；
步骤S3：根据钛合金本构模型进行几何模拟，从而构建钛合金几何模型；
步骤S4：根据钛合金几何模型进行网格划分，从而获得钛合金网格化模型；
步骤S5：获取临界条件，并根据临界条件对钛合金网格化模型进行应力模拟计算，从而生成钛合金应力腐蚀临界应力强度因子预测数据。
2.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
步骤S21：根据钛合金基础数据进行数据预处理，从而获得预处理数据；
步骤S22：根据预处理数据进行特征缩放，从而获得最大相关特征属性数据；
步骤S23：根据最大相关特征属性数据进行特征提取，从而获得钛合金特征数据；
步骤S24：根据钛合金特征数据进行本构模型构建，从而构建钛合金本构模型。
3.根据权利要求2所述的方法，其特征在于，步骤S21具体为：
根据钛合金基础数据进行数据清洗，从而获得清洗数据；
根据清洗数据进行钛合金异常数据检测并剔除异常值，从而获得去异常数据；
根据去异常数据进行特征缩放，从而获得预处理数据。
4.根据权利要求1所述的方法，其特征在于，步骤S22具体为：
步骤S221：根据预处理数据进行参数相关程度计算，从而获得钛合金参数相关程度数值数据；
步骤S222：判断钛合金参数相关程度数值数据是否大于或等于预设的钛合金参数相关程度阈值数值；
步骤S223：确定钛合金参数相关程度数值数据大于或等于预设的钛合金参数相关程度阈值数值时，则根据预处理数据通过优化弹性网络计算方法进行特征缩放，从而获得最大相关特征属性数据；
步骤S224：确定钛合金参数相关程度数值数据小于预设的钛合金参数相关程度阈值数值时，判断预处理数据的参数数量是否小于预设的钛合金参数阈值数据；
步骤S225：确定预处理数据的参数数量小于预设的钛合金参数阈值数据时，则根据预处理数据通过第一特征缩放方法进行特征缩放，从而获得最大相关特征属性数据；
步骤S226：确定预处理数据的参数数量大于或等于预设的钛合金参数阈值数据时，则根据预处理数据通过第二特征缩放方法进行特征缩放，从而获得最大相关特征属性数据。
5.根据权利要求4所述的方法，其特征在于，参数相关程度计算通过参数相关程度计算公式进行计算，其中参数相关程度计算公式具体为：
为钛合金参数相关程度数值数据，为钛合金参数误差调整项，为第个预处理数据的调整系数，为第个预处理数据，为第个预处理数据的调整系数，为第个预处理数据，为钛合金参数初始调整值，为预处理数据的平均数，为钛合金参数缩放系数，为预处理数据的数量信息，为钛合金参数相关程度数值数据的修正项。
6.根据权利要求4所述的方法，其特征在于，其中优化弹性网络正则化计算方法的步骤具体为：
根据预处理数据进行标准化处理，从而获得标准化数据；
根据标准化数据进行最小误差扰动随机划分，从而生成训练集数据以及测试集数据；
根据训练集数据进行交叉验证，从而获得弹性网络调整参数；
根据弹性网络调整参数以及训练集数据进行弹性网络模型拟合并通过测试集数据进行误差迭代，从而构建优化弹性网络模型；
根据优化弹性网络模型对预处理数据进行特征选择，获得最大相关特征属性数据；
其中最小误差扰动随机划分的步骤包括以下步骤：
根据标准化数据进行随机划分，从而获得初等训练集数据以及初等测试集数据；
根据标准化数据进行评估计算，从而生成标准评估数据，其中标准评估数据包括标准平均数据以及标准相关程度数据；
分别对初等训练集数据以及初等测试集数据进行评估计算，从而生成初等训练集评估数据以及初等测试集评估数据；
利用标准评估数据对初等训练集评估数据进行误差比对，若初等训练集评估数据在误差允许范围内时，则确定初等训练集数据为训练集数据，否则根据初等训练集进行随机扰动计算，从而生成次级训练集数据，以进行迭代误差评估，最终确定训练集数据；
利用标准评估数据对初等测试集评估数据进行误差比对，若初等测试集评估数据在误差允许范围内时，则确定初等测试集数据为训练集数据，否则根据初等测试集进行随机扰动计算，从而生成次级测试集数据，以进行迭代误差评估，最终确定测试集数据。
7.根据权利要求4所述的方法，其特征在于，其中第一特征缩放方法的步骤具体为：
根据预处理数据进行标准化处理，从而获得标准化数据；
根据标准化数据进行绝对值类和计算，从而生成缩放系数；
根据缩放系数对标准化数据进行缩放，得到初步缩放数据；
根据初步缩放数据进行交叉验证，从而获得正则化参数，并根据正则化参数对预设的第一特征缩放模型进行迭代训练，从而构建优化第一特征缩放模型；
利用优化第一特征缩放模型对预处理数据进行特征缩放，从而获得最大相关特征属性数据。
8.根据权利要求4所述的方法，其特征在于，其中第二特征缩放方法的步骤具体为：
根据预处理数据进行标准化处理，从而获得标准化数据；
根据标准化数据进行特征指数计算标记，从而获得标记特征数据；
根据标记特征数据进行重要性排序并通过预设的排位数据选取，从而获得最大相关特征属性数据。
9.根据权利要求1所述的方法，其特征在于，其中步骤S3具体为：
根据钛合金基础数据中的钛合金几何形状对钛合金本构模型进行有限元计算，从而获得钛合金有限元数据；
根据钛合金有限元数据进行合并绘制，从而获得钛合金几何模型。
10.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
根据钛合金几何模型进行网格划分，从而获得初等网格化模型；
根据初等网格化模型进行平滑处理，从而获得平滑网格化模型；
根据平滑网格化模型进行网格密度优化，从而获得钛合金网格化模型。
CN202310394582.5A 2023-04-13 2023-04-13 一种钛合金应力腐蚀临界应力强度因子预测方法 Active CN116110526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310394582.5A CN116110526B (zh) 2023-04-13 2023-04-13 一种钛合金应力腐蚀临界应力强度因子预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310394582.5A CN116110526B (zh) 2023-04-13 2023-04-13 一种钛合金应力腐蚀临界应力强度因子预测方法

Publications (2)

Publication Number Publication Date
CN116110526A true CN116110526A (zh) 2023-05-12
CN116110526B CN116110526B (zh) 2023-06-20

Family

ID=86258346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310394582.5A Active CN116110526B (zh) 2023-04-13 2023-04-13 一种钛合金应力腐蚀临界应力强度因子预测方法

Country Status (1)

Country Link
CN (1) CN116110526B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm
CN114580274A (zh) * 2022-02-21 2022-06-03 北京科技大学 一种钛合金应力腐蚀临界应力强度因子预测方法
CN115131319A (zh) * 2022-06-29 2022-09-30 北京邮电大学 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm
CN114580274A (zh) * 2022-02-21 2022-06-03 北京科技大学 一种钛合金应力腐蚀临界应力强度因子预测方法
CN115131319A (zh) * 2022-06-29 2022-09-30 北京邮电大学 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李云飞;曾祥国;盛鹰;穆怀;: "基于实验的钛合金优化动态本构模型与有限元模拟", 材料导报, no. 24, pages 137 - 142 *
田亮;罗宇;: "软计算方法在焊接数学建模和参数优化中的应用", 热加工工艺, no. 09, pages 198 - 204 *
黄志斌;万敏;伍惠;王小康;: "TC4钛合金神经网络本构模型及在有限元模拟中应用", 塑性工程学报, no. 01, pages 89 - 94 *

Also Published As

Publication number Publication date
CN116110526B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN108985335B (zh) 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN111914090A (zh) 一种企业行业分类识别及其特征污染物识别的方法及装置
CN112116198B (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN112289391B (zh) 一种基于机器学习的阳极铝箔性能预测系统
CN112861459B (zh) 全灵敏度对抗重要性抽样产量优化方法和装置
Mylonas et al. Conditional variational autoencoders for probabilistic wind turbine blade fatigue estimation using Supervisory, Control, and Data Acquisition data
CN113537609A (zh) 一种基于文本智能挖掘的政策热点预测方法
CN111563821A (zh) 一种基于支持向量机量化投资的金融股票涨跌预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN116110526B (zh) 一种钛合金应力腐蚀临界应力强度因子预测方法
Meddage et al. Predicting transient wind loads on tall buildings in three-dimensional spatial coordinates using machine learning
CN112801163B (zh) 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法
CN110705631A (zh) 一种基于svm的散货船舶设备状态检测方法
CN113361209B (zh) 一种高温合金表面缺陷磁异常定量分析方法
CN112148605B (zh) 一种基于谱聚类的半监督学习的软件缺陷预测方法
CN109840479B (zh) 健康状态匹配方法及装置
CN112801344A (zh) 基于dpsir模型的海岸带生态系统健康预测方法、电子设备及计算机可读介质
CN113159419A (zh) 一种群体特征画像分析方法、装置、设备及可读存储介质
CN112733392A (zh) 基于二分类的边坡系统可靠度分析方法
Mandelli et al. An overview of reduced order modeling techniques for safety applications
CN116780524B (zh) 一种基于lstm深度学习的工业企业短期负荷预测方法
Gu et al. A High-Robust Displacement Prediction Model for Super-High Arch Dams Integrating Wavelet De-Noising and Improved Random Forest. Water 2023, 15, 1271. h ps
CN114462548B (zh) 一种提高单细胞深度聚类算法精度的方法
CN116957422B (zh) 一种基于卷积自编码和尖点突变模型的生态环境评价方法
CN117892596A (zh) 基于对抗网络的金属成型应力场的有限元仿真方法

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