CN116680976A - 基于机器学习的增材制造金属材料逆向设计方法 - Google Patents

基于机器学习的增材制造金属材料逆向设计方法 Download PDF

Info

Publication number
CN116680976A
CN116680976A CN202310651663.9A CN202310651663A CN116680976A CN 116680976 A CN116680976 A CN 116680976A CN 202310651663 A CN202310651663 A CN 202310651663A CN 116680976 A CN116680976 A CN 116680976A
Authority
CN
China
Prior art keywords
performance
metal
prediction model
data
source domain
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
CN202310651663.9A
Other languages
English (en)
Inventor
韩昌骏
徐申焘
董志
维亚切斯拉夫·特莫夫
邹于金
王迪
宋长辉
杨永强
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310651663.9A priority Critical patent/CN116680976A/zh
Publication of CN116680976A publication Critical patent/CN116680976A/zh
Pending legal-status Critical Current

Links

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
    • G06F2113/00—Details relating to the application field
    • G06F2113/10—Additive manufacturing, e.g. 3D printing
    • 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
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于机器学习的增材制造金属材料逆向设计方法，包括：根据历史数据建立源域、目标域数据集；建立并训练源域性能预测模型；迁移模型参数，建立并训练目标域性能预测模型；建立并训练成分设计模型；输入目标性能与要求，得初始材料成分；将初始材料成分输入目标域性能预测模型预测性能；判断预测性能与目标性能的误差，若不在允许范围，重新建立模型，反之，材料成分设计完成；按所设计成分制备所需形式材料，通过金属增材制造技术成形并验证性能。本申请通过机器学习技术在现有金属成分及性能数据较少时，挖掘材料“成分—性能”之间的隐式复杂关系，实现面向性能要求的增材制造金属材料设计，提高新材料的研发效率。

Description

基于机器学习的增材制造金属材料逆向设计方法
技术领域
本发明涉及金属材料设计技术领域，特别是涉及一种基于机器学习的增材制造金属材料逆向设计方法。
背景技术
随着社会与科学技术的发展，增材制造技术作为一种先进成形方法，由于其可实现个性化精密制造等特点而在医疗器械、电子信息、通信技术、航空航天、交通运输、能源装备等高端制造领域倍受关注。然而，增材制造过程的开发通常面临两个关键问题，第一是成形材料的成分设计，在高端制造领域，通常不仅对成形有结构需求，更会对材料的性能提出要求，并且市场对铝合金、钛合金、镁合金、铜合金和高温合金等关键金属材料的各项性能要求日益提高。第二个问题则是在面对一种新的材料或性能需求时对成形工艺的探索。解决这两个问题都需要进行高成本且费时的试错实验，这大大限制了金属增材制造技术的发展。
因此，要寻求金属增材制造技术的发展，其中关键的一步就是亟需寻找到有别于传统材料设计方法的面向高性能要求的金属材料成分设计新方法，以显著提高新材料的研发及工程应用的效率。
迄今为止，金属材料的成分设计主要依赖于实验试错法或称之为经验法，通过研究人员的经验大概确定金属成分，然后消耗大量的时间与成本进行各项实验以确定最终金属成分。试错法缺乏可以定量描述材料“成分—性能”之间关系的模型，更难以实现根据给定性能要求快速、准确地设计金属成分，导致新材料研发效率低、成本高、周期长。开发能够按照给定性能要求快速、准确地进行金属材料成分设计的方法，成为了金属材料设计领域亟需解决的难题。
机器学习作为一种新兴的基于数据驱动的计算方法，对一种具有大量数据的材料(源域)的模型建立过程学习知识，并将相关知识迁移到目标小数据量材料(目标域)的模型建立过程，使目标域得到更好的学习效果，同时使用集成学习算法能够通过多个基学习器以多种方式协作，降低模型方差，提高模型泛化能力、稳定性及准确性。
因此有必要设计一种，基于集成学习与迁移学习的增材制造金属材料逆向设计方法，以解决上述问题。
发明内容
基于此，供了一种基于集成学习与迁移学习的增材制造金属材料逆向设计方法，迁移求解源域源任务过程中所获得的知识到目标域，实现小数据量情况下对金属“成分——性能”之间的隐式复杂关系的挖掘，并使用优化算法根据性能要求实现对金属成分快速、准确的逆向设计。
一种基于机器学习的增材制造金属材料逆向设计方法，其特征在于，包括如下步骤：S1：根据历史数据建立源域数据集和目标域数据集；S2：根据所述源域数据集建立从金属成分到性能的源域材料性能预测模型，并进行训练；S3：迁移所述源域材料性能预测模型参数，根据所述源域材料性能预测模型参数和所述目标域数据集建立从金属成分到性能的目标域性能预测模型，并进行训练；S4：根据所述目标域数据集以K折交叉验证的方式建立从金属性能到成分的逆向设计模型，并进行训练；S5：将目标金属性能输入至所述金属性能到成分的逆向设计模型，获取初始金属成分；S6：将所述初始金属成分输入所述目标域性能预测模型，获取金属成分的预测性能；S7：将所述预测性能相对于真实性能要求对比，计算相对误差，若误差不在允许范围，则调整S4的所述逆向设计模型参数，重新训练，并重复S5-S6；若误差在允许范围，则金属成分设计完成，得到最终金属成分；S8：据所述最终金属成分制备成形所需的金属材料，使用金属增材制造方法进行成形，通过实验验证该金属性能。
在其中一个实施例中，所述S1的具体步骤包括：S11、收集金属历史数据建立基础数据集，所述金属历史数据包括金属成分数据和金属性能数据，所述基础数据集包括真实实验数据和仿真所得数据；S12、对所述基础数据集整理分类，选择与目标金属成分或性能接近且数据量的充足的材料数据建立源域数据集，以及建立目标域数据集，对所有初始数据集进行归一化处理，获得所述数据集。
在其中一个实施例中，所述S11中的金属性能数据至少包括抗拉强度、压缩屈服强度、断裂伸长率、断面收缩率、硬度等机械性能、光谱吸收能力、可降解性能、生物相容性中的一种或多种的组合。
在其中一个实施例中，所述S11中的金属成分数据包括金属所含元素的种类及对应的含量。
在其中一个实施例中，所述S11中的所述金属包括铝合金、钛合金、锌合金、镁合金、铁合金、镍合金、铜合金中的一种或多种。
在其中一个实施例中，所述S2的具体步骤包括：S21、将所述源域数据集中的金属成分数据作为输入，所述金属性能数据作为输出，选择集成学习模型，选用非线性算法作为基学习器，设置集成学习模型参数，建立所述从金属成分到性能的源域材料性能预测模型；S22、选择传递函数与对应的训练方法，训练所述源域材料性能预测模型，直至模型精度达到预设定的值。
在其中一个实施例中，所述集成学习模型包括但不限于Stacking方法。
在其中一个实施例中，所述训练方法包括最速下降法、自适应学习速率法、动量-自适应学习速率调整法、附加动量法和量化共轭梯度法中的一种或多种。
在其中一个实施例中，所述源域材料性能预测模型的精度不小于0.9。
在其中一个实施例中，所述源域材料性能预测模型开始训练前，将所述源域数据集分为训练集、验证集和测试集，所述训练集、验证集和测试集占所述源域数据集的比例之和为1。上述的源域数据集在模型开始训练前应当被随机分为训练集(比例60％～90％)、验证集(5％～20％)和测试集(5％～20％)，训练集、验证集、测试集的比例之和始终为1。其中，训练集用于训练建立从金属成分到性能的源域材料性能预测模型，验证集用于防止模型过拟合，这两个数据集在训练源域材料性能预测模型时使用，测试集则在模型训练完成后使用，用于测试模型精度。
优选地，所述训练集占所述源域数据集的比例范围为60％～90％，所述验证集所述源域数据集的比例范围为5％～20％，所述测试集占所述源域数据集的比例范围为5％～20％。
在其中一个实施例中，所述S3的具体步骤包括：S31：将所述源域数据集输入所述源域材料性能预测模型获取预测性能数据；S32：计算所述预测性能数据与真实性能的相对误差，若误差不在允许范围，则调整所述源域材料性能预测模型的参数，重新进入S2步骤；若误差在允许范围，则迁移所述源域材料性能预测模型参数至目标域性能预测模型；S33：根据所述目标域数据集及迁移的所述源域材料性能预测模型参数建立从金属成分到性能的目标域性能预测模型，并进行训练，对参数做一定调整。
在其中一个实施例中，所述S32的具体步骤包括：S321：将所述预测性能数据与真实性能曲线对比，计算并判断相对误差是否在允许范围；S322：如误差不在允许范围，则重新调整S2的所述源域材料性能预测模型并重新训练；如误差在允许范围，则建立特征分布转换匹配网络，迁移所述源域材料性能预测模型的有效参数所述目标域性能预测模型。
在其中一个实施例中，计算所述S32的相对误差计算方法为：(目标性能－预测性能)/目标性能；所述S32中误差允许范围为0-10％。
在其中一个实施例中，所述S33的具体步骤包括：S331：使用迁移的所述源域材料性能预测模型参数建立与所述源域材料性能预测模型参数的同类型集成学习模型，作为初始目标域性能预测模型；S332：将处理好的目标域数据集中的金属成分数据作为输入，金属性能数据作为输出，适当调整所述目标域性能预测模型参数。
在其中一个实施例中，所述目标域性能预测模型的精度不小于0.9。
在其中一个实施例中，所述目标域性能预测模型参数包括但不限于迭代次数、学习率、基学习器参数、随机采样或特征选择参数。
在其中一个实施例中，所述S7的具体步骤包括：S71：将所述预测性能与真实性能要求对比，计算并判断其相对误差是否在允许范围；S72：若误差在允许范围，则对所述金属性能到成分的逆向设计模型的金属成分进行反归一化处理后完成金属材料的成分设计；若误差不在允许范围，则调整所述金属性能到成分的逆向设计模型参数，再次训练。上述的归一化与反归一化是较为常见的数据处理方法，是数学中常用的算法，具体过程不做赘述，其目的是在不改变原有数据分布规律的前提下，对数据进行尺度上的变换。
在其中一个实施例中，所述S71中相对误差计算方法为：(目标性能－预测性能)/目标性能；所述S9中误差允许范围为10％以内。
在其中一个实施例中，所述成形所需的金属材料形式包括粉末或丝材。
在其中一个实施例中，所述金属增材制造方法包括激光选区熔化技术、激光定向能量沉积技术、电子束熔化技术。
在其中一个实施例中，所述实验按照对金属的性能要求设计，包括致密度、力学性能和生物性能测试。
总体而言，与现有技术相比，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、实现基于数据驱动的机器学习模型、面向性能要求的增材制造多组元新型金属的快速准确设计，尤其能够在历史数据量较少的情况下完成对新材料的设计，因此可以显著提高新材料的研发效率，满足社会各领域对新的高性能材料的需求。
2、实现对现有数据的深入挖掘，建立金属材料“成分—性能”之间关系的模型，进一步厘清材料“成分—性能”之间的联系，从而能实现根据给定性能要求快速、准确地设计金属成分，促进材料信息学的发展和材料研发领域的水平的提升。
附图说明
图1为本发明一个实施例提供的基于机器学习的增材制造金属材料逆向设计方法的流程示意图；
图2为本发明一个实施例提供的S1具体流程示意图；
图3为本发明一个实施例提供的S2具体流程示意图；
图4为本发明一个实施例提供的S3具体流程示意图；
图5为本发明一个实施例提供的S32具体流程示意图；
图6为本发明一个实施例提供的S33具体流程示意图；
图7为本发明一个实施例提供的S7具体流程示意图；
图8为本发明一个实施例提供的基于机器学习的增材制造金属材料逆向设计方法的具体实施流程图；
图9为本发明一个实施例提供的模型框架图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照附图描述本发明一些实施例所述基于机器学习的增材制造金属材料逆向设计方法。
如图1至图9所示，本实施例公开了一种基于机器学习的增材制造金属材料逆向设计方法，其特征在于，包括：S1：根据历史数据建立源域数据集和目标域数据集；S2：根据源域数据集建立从金属成分到性能的源域材料性能预测模型，并进行训练；S3：迁移源域材料性能预测模型参数，根据源域材料性能预测模型参数和目标域数据集建立从金属成分到性能的目标域性能预测模型，并进行训练；S4：根据目标域数据集以K折交叉验证的方式建立从金属性能到成分的逆向设计模型，并进行训练；S5：将目标金属性能输入至金属性能到成分的逆向设计模型，获取初始金属成分；S6：将初始金属成分输入目标域性能预测模型，获取金属成分的预测性能；S7：将预测性能相对于真实性能要求对比，计算相对误差，若误差不在允许范围，则调整S4的逆向设计模型参数，重新训练，并重复S5-S6；若误差在允许范围，则金属成分设计完成，得到最终金属成分；S8：根据最终金属成分制备成形所需的金属材料，使用金属增材制造方法进行成形，通过实验验证该金属性能。
如图1和图2所示，除上述实施例的特征以外，本实施例进一步限定了：S1的具体步骤包括S11：收集金属历史数据建立基础数据集，金属历史数据包括金属成分数据和金属性能数据，基础数据集包括真实实验数据和仿真所得数据；S12：对基础数据集整理分类，选择与目标金属成分或性能接近且数据量的充足的材料数据建立源域数据集，以及建立目标域数据集，对所有初始数据集进行归一化处理，获得数据集。
除上述实施例的特征以外，本实施例进一步限定了：S11中的金属性能数据至少包括抗拉强度、压缩屈服强度、断裂伸长率、断面收缩率、硬度等机械性能、光谱吸收能力、可降解性能、生物相容性中的一种或多种的组合。
除上述实施例的特征以外，本实施例进一步限定了：S11中的金属成分数据包括金属所含元素的种类及对应的含量。
除上述实施例的特征以外，本实施例进一步限定了：S11中的金属包括铝合金、钛合金、锌合金、镁合金、铁合金、镍合金、铜合金中的一种或多种。
如图1和图3所示，除上述实施例的特征以外，本实施例进一步限定了：S2的具体步骤包括S21、将源域数据集中的金属成分数据作为输入，金属性能数据作为输出，选择集成学习模型，选用非线性算法作为基学习器，设置集成学习模型参数，建立从金属成分到性能的源域材料性能预测模型；S22、选择传递函数与对应的训练方法，训练源域材料性能预测模型，直至模型精度达到预设定的值。
除上述实施例的特征以外，本实施例进一步限定了：集成学习模型包括但不限于Stacking方法。
除上述实施例的特征以外，本实施例进一步限定了：训练方法包括最速下降法、自适应学习速率法、动量-自适应学习速率调整法、附加动量法和量化共轭梯度法中的一种或多种。
除上述实施例的特征以外，本实施例进一步限定了：源域材料性能预测模型的精度不小于0.9。
如图1、图3和8所示，除上述实施例的特征以外，本实施例进一步限定了：源域材料性能预测模型开始训练前，将源域数据集分为训练集、验证集和测试集，训练集、验证集和测试集占源域数据集的比例之和为1。源域数据集在模型开始训练前应当被随机分为训练集(比例60％～90％)、验证集(5％～20％)和测试集(5％～20％)，训练集、验证集、测试集的比例之和始终为1。其中，训练集用于训练建立从金属成分到性能的源域材料性能预测模型，验证集用于防止模型过拟合，这两个数据集在训练源域材料性能预测模型时使用，测试集则在模型训练完成后使用，用于测试模型精度。
除上述实施例的特征以外，本实施例进一步限定了：训练集占源域数据集的比例范围为60％～90％，验证集源域数据集的比例范围为5％～20％，测试集占源域数据集的比例范围为5％～20％。
如图1和图4所示，除上述实施例的特征以外，本实施例进一步限定了：S3的具体步骤包括S31：将源域数据集输入源域材料性能预测模型获取预测性能数据；S32：计算预测性能数据与真实性能的相对误差，若误差不在允许范围，则调整源域材料性能预测模型的参数，重新进入S2步骤；若误差在允许范围，则迁移源域材料性能预测模型参数至目标域性能预测模型；S33：根据目标域数据集及迁移的源域材料性能预测模型参数建立从金属成分到性能的目标域性能预测模型，并进行训练，对参数做一定调整。
如图5所示，除上述实施例的特征以外，本实施例进一步限定了：S32的具体步骤包括S321：将预测性能数据与真实性能曲线对比，计算并判断相对误差是否在允许范围；S322：如误差不在允许范围，则重新调整S2的源域材料性能预测模型并重新训练；如误差在允许范围，则建立特征分布转换匹配网络，迁移源域材料性能预测模型的有效参数目标域性能预测模型。
除上述实施例的特征以外，本实施例进一步限定了：计算S32的相对误差计算方法为：(目标性能-预测性能)/目标性能；S32中误差允许范围为0-10％。
如图6所示，除上述实施例的特征以外，本实施例进一步限定了：S33的具体步骤包括S331：使用迁移的源域材料性能预测模型参数建立与源域材料性能预测模型参数的同类型集成学习模型，作为初始目标域性能预测模型；S332：将处理好的目标域数据集中的金属成分数据作为输入，金属性能数据作为输出，适当调整目标域性能预测模型参数。
除上述实施例的特征以外，本实施例进一步限定了：目标域性能预测模型的精度不小于0.9。
除上述实施例的特征以外，本实施例进一步限定了：目标域性能预测模型参数包括但不限于迭代次数、学习率、基学习器参数、随机采样或特征选择参数。
如图1和图7所示，除上述实施例的特征以外，本实施例进一步限定了：S7的具体步骤包括S71：将预测性能与真实性能要求对比，计算并判断其相对误差是否在允许范围；S72：若误差在允许范围，则对金属性能到成分的逆向设计模型的金属成分进行反归一化处理后完成金属材料的成分设计；若误差不在允许范围，则调整金属性能到成分的逆向设计模型参数，再次训练。其中，归一化与反归一化是较为常见的数据处理方法，是数学中常用的算法，具体过程不做赘述，其目的是在不改变原有数据分布规律的前提下，对数据进行尺度上的变换。
除上述实施例的特征以外，本实施例进一步限定了：S71中相对误差计算方法为：(目标性能-预测性能)/目标性能；S9中误差允许范围为10％以内。
除上述实施例的特征以外，本实施例进一步限定了：成形所需的金属材料形式包括粉末或丝材。
除上述实施例的特征以外，本实施例进一步限定了：金属增材制造方法包括激光选区熔化技术、激光定向能量沉积技术、电子束熔化技术。
除上述实施例的特征以外，本实施例进一步限定了：实验按照对金属的性能要求设计，包括致密度、力学性能和生物性能测试。
实施例1
应用本发明所提供的方法，以弹性模量小于100GPa，延伸率大于15％为性能要求，在性能误差不大于10％的条件下，设计低模量三元Ti-Nb-Zr金属的成分，其设计方法具体描述如下：
(1)历史数据收集：收集整理公开发表的钛金属的成分、弹性模量、延伸率建立源域基础数据集；收集整理公开发表的Ti-Nb-Zr系金属的成分、弹性模量、延伸率建立目标域基础数据集；
(2)数据处理：将收集到的上述数据集根据与目标金属相关性进行分类筛选，建立源域、目标域初始数据集，将初始数据集中的金属成分数据和性能数据分别进行归一化处理；
(3)使用Stacking集成学习方法建立源域金属性能预测模型：选择Stacking集成学习算法，选用KNN、SVR算法作为基学习器，使用逻辑回归作为次级学习器，将处理好的源域数据集的材料成分数据作为基学习器的输入，材料性能作为输出，再将基学习器的输出结果作为次级学习器的输入，平衡基学习器结果的权重后，得到最终预测性能作为输出，建立源域材料性能预测的集成学习模型；
其中，KNN为K邻近算法，其算法流程为：
1)对于未知类别的一组数据X(i)，计算它到样本中各组数据的距离(样本含有n组数据，并且每组数据都对应一种类别，样本的指标与未知数据的指标一致)，数据X(i)与X(j)之间欧式距离的公式为：
p表示指标(变量)数。
2)将样本数据根据距离由小到大排列；
3)选取最近的k组数据；
4)统计k组数据中属于哪一类的最多，该未知数据类别即为k组数据中含有个数最多的那一类。
其中，SVR为支持向量回归算法，其目标函数为：
其中，f(x)＝ωx+b为最终目标模型函数，为松弛变量，∈为函数间差值。
(4)训练源域材料性能预测模型：使用Sigmoid函数作为隐藏层传递函数，线性函数作为输出层传递函数，采用最速下降法训练预测模型，使模型精度不小于0.9；
(5)参数迁移：建立特征匹配网络，将训练好的源域预测模型参数以迁移学习的方式，迁移至目标域预测模型，作为目标域预测模型的初始参数；
(6)使用Stacking集成学习方法建立目标域金属性能预测模型：选择Stacking集成学习模型，选用KNN、SVR算法作为基学习器，使用逻辑回归作为次级学习器，并将迁移过来的源域预测模型参数作为目标域初始性能预测模型的参数，再将处理好的目标域数据集的材料成分数据作为基学习器的输入，材料性能数据作为输出，将基学习器的输出结果作为次级学习器的输入，平衡基学习器结果的权重后，得到最终预测性能作为输出，计算预测性能与实际性能的误差，适当调整迁移的模型参数，建立目标域材料性能预测的集成学习模型；
(7)训练目标域材料性能预测模型：使用Sigmoid函数作为隐藏层传递函数，线性函数作为输出层传递函数，采用最速下降法训练预测模型，使模型精度不小于0.9；
(8)使用NSGA-Ⅱ算法建立材料成分逆向设计模型：使用NSGA-Ⅱ算法构建材料成分逆向设计模型，将处理好的目标域性能数据作为输入，成分数据作为输出；
其中，NSGA-Ⅱ算法如下：
(9)训练目标域逆向设计模型：使用处理好的目标域数据集，选择Sigmoid函数作为隐藏层传递函数，线性函数作为输出层传递函数，并采用最速下降法训练逆向设计模型，使模型精度不小于0.9；
其中，Sigmoid函数可表示为：
其中，e为自然常数，z为自变量，σ为因变量。
(10)将弹性模量小于100GPa，延伸率大于15％的性能要求输入逆向设计模型，并限制其为Ti-Nb-Zr系金属，获得初始设计成分；
(11)将步骤(10)得到的初始材料成分作为步骤(7)训练好的材料性能预测模型的输入，输出该初始材料成分的预测性能；
(12)对比步骤(11)得到的预测性能与给定性能目标，计算其相对误差er＝(目标性能-预测性能)/目标性能；
(13)若er≤10％，则得到满足要求的金属成分；若er＞10％，重新调整步骤(8)中逆向设计模型的参数，并进行步骤(9)的训练，重复步骤(10)～(12)，直至得到满足误差等各项要求的材料成分；
(14)对步骤(13)所确定的金属成分进行同步骤(2)的反归一化处理，得到金属最终成分，完成金属设计，如下表1所示：
表1
编号 弹性模量/GPa 延伸率/％ 预测金属成分/wt％
1 82.2 17.4 Ti-22Zr-22Nb
2 77.3 15.5 Ti-22Zr-14.8Nb
3 74.7 15.9 Ti-24.6Zr-11.6Nb
(15)实验验证：使用气雾化法按照成分配比制备金属粉末，通过激光选区熔化技术进行成形，对样品进行致密度测试，成形试件测试弹性模量与延伸率。
实施例2
应用本发明所提供的方法，以屈服强度为200MPa，延伸率为10％为性能要求，在性能误差不大于10％的条件下，设计高强度锌合金的成分，其设计方法具体描述如下：
(1)历史数据收集：收集整理公开发表的锌金属的成分、屈服强度、延伸率建立源域基础数据集；收集整理公开发表的多元锌合金的成分、屈服强度、延伸率建立目标域基础数据集；
(2)数据处理：将收集到的上述数据集根据与目标金属相关性进行分类筛选，建立源域、目标域初始数据集，将初始数据集中的金属成分数据和性能数据分别进行归一化处理；
(3)使用Stacking集成学习方法建立源域金属性能预测模型：选择Stacking集成学习算法，选用KNN、决策树算法作为基学习器，使用逻辑回归作为次级学习器，将处理好的源域数据集的材料成分数据作为基学习器的输入，材料性能作为输出，再将基学习器的输出结果作为次级学习器的输入，平衡基学习器结果的权重后，得到最终预测性能作为输出，建立源域材料性能预测的集成学习模型；
其中，KNN为K邻近算法，其算法流程为：
1)对于未知类别的一组数据X(i)，计算它到样本中各组数据的距离(样本含有n组数据，并且每组数据都对应一种类别，样本的指标与未知数据的指标一致)，数据X(i)与X(j)之间欧式距离的公式为：
p表示指标(变量)数；
2)将样本数据根据距离由小到大排列；
3)选取最近的k组数据；
4)统计k组数据中属于哪一类的最多，该未知数据类别即为k组数据中含有个数最多的那一类。
其中，决策树算法可表示为：
其中，N为总样本数，NL为左子集样本数，NR为右子集样本数，yi为标签值。
(4)训练源域材料性能预测模型：使用Sigmoid函数作为隐藏层传递函数，线性函数作为输出层传递函数，采用最速下降法训练预测模型，使模型精度不小于0.9；
其中，Sigmoid函数可表示为：
其中，e为自然常数，z为自变量，σ为因变量。
(5)参数迁移：建立特征匹配网络，将训练好的源域预测模型参数以迁移学习的方式，迁移至目标域预测模型，作为目标域预测模型的初始参数；
(6)使用Stacking集成学习方法建立目标域金属性能预测模型：选择Stacking集成学习模型，选用KNN、决策树算法作为基学习器，使用逻辑回归作为次级学习器，并将迁移过来的源域预测模型参数作为目标域初始性能预测模型的参数，再将处理好的目标域数据集的材料成分数据作为基学习器的输入，材料性能数据作为输出，将基学习器的输出结果作为次级学习器的输入，平衡基学习器结果的权重后，得到最终预测性能作为输出，计算预测性能与实际性能的误差，适当调整迁移的模型参数，建立目标域材料性能预测的集成学习模型；
(7)训练目标域材料性能预测模型：使用Sigmoid函数作为隐藏层传递函数，线性函数作为输出层传递函数，采用最速下降法训练预测模型，使模型精度不小于0.9；
(8)使用NSGA-Ⅱ算法建立材料成分逆向设计模型：使用NSGA-Ⅱ算法构建材料成分逆向设计模型，将处理好的目标域性能数据作为输入，成分数据作为输出；
(9)训练目标域逆向设计模型：使用处理好的目标域数据集，选择Sigmoid函数作为隐藏层传递函数，线性函数作为输出层传递函数，并采用最速下降法训练逆向设计模型，使模型精度不小于0.9；
(10)将屈服强度200MPa，延伸率10％的性能要求输入逆向设计模型，获得初始设计成分；
(11)将步骤(10)得到的初始材料成分作为步骤(7)训练好的材料性能预测模型的输入，输出该初始材料成分的预测性能；
(12)对比步骤(11)得到的预测性能与给定性能目标，计算其相对误差er＝(目标性能-预测性能)/目标性能；
(13)若er≤10％，则得到满足要求的金属成分；若er＞10％，重新调整步骤(8)中逆向设计模型的参数，并进行步骤(9)的训练，重复步骤(10)～(12)，直至得到满足误差等各项要求的材料成分；
(14)对步骤(13)所确定的金属成分进行同步骤(2)的反归一化处理，得到最终金属成分，完成金属设计，如下表2所示；
表2
编号 屈服强度/MPa 延伸率/％ 预测金属成分/wt％
1 213 26.3 Zn-0.018Mg-0.023Cu
2 198.2 15.3 Zn-0.35Mn-0.41Cu
3 241.3 9.7 Zn-1.06Mg-0.4Zr
(15)实验验证：使用气雾化法按照成分配比制备金属粉末，通过激光选区熔化技术进行打印，对样品进行致密度测试，打印试件测试屈服强度与延伸率。
从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：
1、实现基于数据驱动的机器学习模型、面向性能要求的增材制造多组元新型金属的快速准确设计，尤其能够在历史数据量较少的情况下完成对新材料的设计，因此可以显著提高新材料的研发效率，满足社会各领域对新的高性能材料的需求。
2、实现对现有数据的深入挖掘，建立金属材料“成分—性能”之间关系的模型，进一步厘清材料“成分—性能”之间的联系，从而能实现根据给定性能要求快速、准确地设计金属成分，促进材料信息学的发展和材料研发领域的水平的提升。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于机器学习的增材制造金属材料逆向设计方法，其特征在于，包括如下步骤：
S1：根据历史数据建立源域数据集和目标域数据集；
S2：根据所述源域数据集建立从金属成分到性能的源域材料性能预测模型，并进行训练；
S3：迁移所述源域材料性能预测模型参数，根据所述源域材料性能预测模型参数和所述目标域数据集建立从金属成分到性能的目标域性能预测模型，并进行训练；
S4：根据所述目标域数据集以K折交叉验证的方式建立从金属性能到成分的逆向设计模型，并进行训练；
S5：将目标金属性能输入至所述金属性能到成分的逆向设计模型，获取初始金属成分；
S6：将所述初始金属成分输入所述目标域性能预测模型，获取金属成分的预测性能；
S7：将所述预测性能相对于真实性能要求对比，计算相对误差，若误差不在允许范围，则调整S4的所述逆向设计模型参数，重新训练，并重复S5-S6；若误差在允许范围，则金属成分设计完成，得到最终金属成分；
S8：据所述最终金属成分制备成形所需的金属材料，使用金属增材制造方法进行成形，通过实验验证所述金属性能。
2.根据权利要求1所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，所述S1的具体步骤包括：
S11：收集金属历史数据建立基础数据集，所述金属历史数据包括金属成分数据和金属性能数据，所述基础数据集包括真实实验数据和仿真所得数据；
S12：对所述基础数据集整理分类，选择与目标金属成分或性能接近且数据量的充足的材料数据建立源域数据集，以及建立目标域数据集，对所有初始数据集进行归一化处理，获得所述数据集。
3.根据权利要求2所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，
所述金属性能数据至少包括抗拉强度、压缩屈服强度、断裂伸长率、断面收缩率、硬度等机械性能、光谱吸收能力、可降解性能、生物相容性中的一种或多种的组合；和/或
所述金属成分数据包括金属所含元素的种类及对应的含量；和/或
所述金属包括铝合金、钛合金、锌合金、镁合金、铁合金、镍合金、铜合金中的一种或多种。
4.根据权利要求1所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，所述S2的具体步骤包括：
S21：将所述源域数据集中的金属成分数据作为输入，所述金属性能数据作为输出，选择集成学习模型，所述集成学习模型包括但不限于Stacking方法，选用非线性算法作为基学习器，设置集成学习模型参数，建立所述从金属成分到性能的源域材料性能预测模型；
S22：选择传递函数与对应的训练方法，所述训练方法包括最速下降法、自适应学习速率法、动量-自适应学习速率调整法、附加动量法和量化共轭梯度法中的一种，训练所述源域材料性能预测模型，直至模型精度不小于0.9。
5.根据权利要求1或4所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，所述源域材料性能预测模型开始训练前，将所述源域数据集分为训练集、验证集和测试集，所述训练集、验证集和测试集占所述源域数据集的比例之和为1，所述训练集占所述源域数据集的比例范围为60％～90％，所述验证集所述源域数据集的比例范围为5％～20％，所述测试集占所述源域数据集的比例范围为5％～20％。
6.根据权利要求1所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，所述S3的具体步骤包括：
S31：将所述源域数据集输入所述源域材料性能预测模型获取预测性能数据；
S32：计算所述预测性能数据与真实性能的相对误差，若误差不在允许范围，则调整所述源域材料性能预测模型的参数，重新进入S2步骤；若误差在允许范围，则迁移所述源域材料性能预测模型参数至目标域性能预测模型；
S33：根据所述目标域数据集及迁移的所述源域材料性能预测模型参数建立从金属成分到性能的目标域性能预测模型，并进行训练，对参数做一定调整。
7.根据权利要求6所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，所述S32的具体步骤包括：
S321：将所述预测性能数据与真实性能曲线对比，计算并判断相对误差是否在允许范围，所述相对误差计算方法为：(目标性能－预测性能)/目标性能，所述相对误差的允许范围为0-10％；
S322：如所述相对误差不在允许范围，则重新调整S2的所述源域材料性能预测模型并重新训练；如所述相对误差在允许范围，则建立特征分布转换匹配网络，迁移所述源域材料性能预测模型的有效参数至所述目标域性能预测模型。
8.根据权利要求6至7任意一项所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，所述S33的具体步骤包括：
S331：使用迁移的所述源域材料性能预测模型参数建立与所述源域材料性能预测模型参数的同类型集成学习模型，选择精度不小于0.9的所述目标域性能预测模型作为初始目标域性能预测模型；
S332：将处理好的目标域数据集中的金属成分数据作为输入，金属性能数据作为输出，适当调整所述目标域性能预测模型参数，所述目标域性能预测模型参数包括但不限于迭代次数、学习率、基学习器参数、随机采样或特征选择参数。
9.根据权利要求1所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，所述S7的具体步骤包括：
S71：将所述预测性能与真实性能要求对比，计算并判断其相对误差是否在允许范围，所述相对误差计算方法为：(目标性能－预测性能)/目标性能，所述相对误差的允许范围为10％以内；
S72：若误差在允许范围，则对所述金属性能到成分的逆向设计模型的金属成分进行反归一化处理后完成金属材料的成分设计；若误差不在允许范围，则调整所述金属性能到成分的逆向设计模型参数，再次训练。
10.根据权利要求9所述的基于机器学习的增材制造金属材料逆向设计方法，其特征在于，
所述成形所需的金属材料形式包括粉末或丝材；和/或
所述金属增材制造方法包括激光选区熔化技术、激光定向能量沉积技术、电子束熔化技术中的一种；和/或
所述实验按照对金属的性能要求进行设计，至少包括致密度、力学性能和生物性能测试。
CN202310651663.9A 2023-06-02 2023-06-02 基于机器学习的增材制造金属材料逆向设计方法 Pending CN116680976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310651663.9A CN116680976A (zh) 2023-06-02 2023-06-02 基于机器学习的增材制造金属材料逆向设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310651663.9A CN116680976A (zh) 2023-06-02 2023-06-02 基于机器学习的增材制造金属材料逆向设计方法

Publications (1)

Publication Number Publication Date
CN116680976A true CN116680976A (zh) 2023-09-01

Family

ID=87788454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310651663.9A Pending CN116680976A (zh) 2023-06-02 2023-06-02 基于机器学习的增材制造金属材料逆向设计方法

Country Status (1)

Country Link
CN (1) CN116680976A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789891A (zh) * 2024-01-17 2024-03-29 哈尔滨工业大学 一种基于集成学习的改性沥青逆向设计方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789891A (zh) * 2024-01-17 2024-03-29 哈尔滨工业大学 一种基于集成学习的改性沥青逆向设计方法

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
CN105844300A (zh) 一种基于随机森林算法的优化分类方法及装置
Subudhi et al. Differential evolution and levenberg marquardt trained neural network scheme for nonlinear system identification
CN106203534A (zh) 一种基于Boosting的代价敏感软件缺陷预测方法
CN116680976A (zh) 基于机器学习的增材制造金属材料逆向设计方法
CN112949005B (zh) 一种基于机器学习指导下的高强韧钢设计方法
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
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
CN114897227A (zh) 基于改进随机森林算法的多钢种力学性能预报方法
CN109214407A (zh) 事件检测模型、方法、装置、计算设备及存储介质
CN115131131A (zh) 面向不平衡数据集多阶段集成模型的信用风险评估方法
CN116484745A (zh) 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法
CN110415769B (zh) 基于物理冶金学指导下机器学习的低活化钢的设计方法
CN117334271A (zh) 一种基于指定属性生成分子的方法
CN115394381B (zh) 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置
CN105843971A (zh) 一种基于rlid3的增量集成学习的数据分类方法
CN109523386A (zh) 一种gmm与lstm结合的投资组合风险预测方法
CN115458078A (zh) 一种基于多工况分布式输出过程补偿宽度迁移建模方法
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
Kong et al. HACScale: Hardware-aware compound scaling for resource-efficient DNNs
CN109871953B (zh) fpRNA遗传算法的重油裂解过程小波神经网络建模方法
CN110910969A (zh) 一种基于迁移学习的锡铋合金性能预测方法
Wei A Hybrid evolutionary algorithm based on Artificial Bee Colony algorithm and Differential Evolution
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
Cocianu et al. Financial data forecasting using recurrent neural networks

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