CN117238420A - 一种极薄带力学性能预测方法及装置 - Google Patents
一种极薄带力学性能预测方法及装置 Download PDFInfo
- Publication number
- CN117238420A CN117238420A CN202311509215.1A CN202311509215A CN117238420A CN 117238420 A CN117238420 A CN 117238420A CN 202311509215 A CN202311509215 A CN 202311509215A CN 117238420 A CN117238420 A CN 117238420A
- Authority
- CN
- China
- Prior art keywords
- predicted
- data
- mechanical property
- ultrathin
- rolling process
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005096 rolling process Methods 0.000 claims abstract description 116
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000001887 electron backscatter diffraction Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001953 recrystallisation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 239000002184 metal Substances 0.000 abstract description 35
- 229910052751 metal Inorganic materials 0.000 abstract description 35
- 238000004519 manufacturing process Methods 0.000 description 18
- 238000010438 heat treatment Methods 0.000 description 14
- 229910052758 niobium Inorganic materials 0.000 description 8
- 239000010955 niobium Substances 0.000 description 8
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002003 electron diffraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开一种极薄带力学性能预测方法及装置,涉及极薄带力学性能预测技术领域,以解决现有测试极薄带力学性能耗费时间成本高且误差大的问题。方法包括:获取待预测数据;对待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;将满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据为多层感知机分支的输入,预处理后的待预测显微组织图像为卷积神经网络分支的输入。本发明提供的极薄带力学性能预测方法预测金属极薄带力学性能方法简单、速度快、精度高。
Description
技术领域
本发明涉及极薄带力学性能预测技术领域,尤其涉及一种极薄带力学性能预测方法及装置。
背景技术
随着国家制造业转型升级以及对精密制造产业领域规划的高度重视,具有优异性能的金属极薄带逐渐成为关注热点。金属极薄带因具有优异的表面精度、耐腐蚀性、强柔韧度和高延展度等诸多优点成为微成型及精密制造的重要原材料,在航空航天、原子能工业、汽车制造和电工电子等领域得到广泛应用,成为制造业不可或缺的结构材料与功能材料。随着相关领域的高速发展,市场对于微成型原料金属极薄带的需求量迅速激增,同时精密制造业的超高精度对金属极薄带性能、厚度精度及表面质量要求也越来越高。
然而在轧制过程中,随着金属极薄带的减薄,金属内部组织、结构等发生巨大变化,宏观上造成金属极薄带力学性能的改变。对于传统冶金厚板轧制生产过程中,长期以来国内外众多学者在金属变形机制、力学微观组织演变等方面,形成了完善的金属变形理论体系。然而按照传统研究方法,测试金属极薄带的力学性能需要投入大量的人力、物力并经过多次重复试验,不仅工作量大、而且由于试样厚度较薄,实验结果误差较大。
发明内容
本发明的目的在于提供一种极薄带力学性能预测方法及装置,用于解决现有金属极薄带力学性能测试需要通过多次重复实验,工作量大,且由于试样厚度较薄,实验结果误差大的问题。
为了实现上述目的,本发明提供如下技术方案:
第一方面,本发明提供一种极薄带力学性能预测方法,包括:
获取待预测数据;所述待预测数据包括极薄带的待预测轧制工艺数据以及待预测显微组织图像;
对所述待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;
将所述满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;所述极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据为所述多层感知机分支的输入,预处理后的待预测显微组织图像为卷积神经网络分支的输入。
与现有技术相比,本发明提供的一种极薄带力学性能预测方法,包括:获取待预测数据;对待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;将满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据为所述多层感知机分支的输入,预处理后的待预测显微组织图像为卷积神经网络分支的输入。本发明的极薄带力学性能预测模型基于生产过程中的轧制工艺数据和显微组织图像数据,综合考虑了工艺和微观组织对材料最终性能的影响作用,因此预测精度更高,此外,模型建立过程中摆脱了寻求影响金属极薄带力学性能各变量之间复杂的数学物理关系,很好的解决了各输入变量之间强耦合,非线性等问题,通过合理的筛选和处理极薄带样本工艺数据和图像数据后利用本发明方法可以有效进行金属极薄带力学性能预报,在生产结束后即可获得金属极薄带的力学性能,解决了需要通过大量实验才能够得到生产的金属极薄带的力学性能,且误差较高的问题。
第二方面,本发明还提供一种极薄带力学性能预测装置,包括:
待预测数据获取模块,用于获取待预测数据;所述待预测数据包括极薄带的待预测轧制工艺数据以及待预测显微组织图像;
满足预设条件的待预测数据确定模块,用于对所述待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;
力学性能预测模块,用于将所述满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;所述极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据为所述多层感知机分支的输入,预处理后的待预测显微组织图像为卷积神经网络分支的输入。
与现有技术相比,本发明提供的极薄带力学性能预测装置的有益效果与上述技术方案所述一种极薄带力学性能预测方法的有益效果相同,此处不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明提供的一种极薄带力学性能预测方法流程图;
图2为本发明提供的极薄带力学性能预测模型训练和测试流程图;
图3为本发明提供的极薄带力学性能预测初始模型结构示意图;
图4为本发明提供的一种极薄带力学性能预测装置的结构示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一阈值和第二阈值仅仅是为了区分不同的阈值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本发明中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b的结合,a和c的结合,b和c的结合,或a、b和c的结合,其中a,b,c可以是单个,也可以是多个。
现有极薄带力学性能测试一般将数据驱动为核心的自学习模型引入轧制工艺优化以及力学性能预测中,扩宽了金属轧制领域的研究方法。利用人工智能算法和数据驱动建模方法进行金属极薄带力学性能智能化预测,不仅可以极大地提高生产效率,还有利于实现轧制工艺的优化和性能快速预测。但是传统的数据驱动算法仅以生产数据作为输入,忽略了金属薄带力学性能预测与微观组织直接相关这一事实,随着现代制造技术对金属极薄带力学性能预测精度的要求逐渐提高,改善模型或控制精度的任务变得十分紧迫。为此,需要寻找新的方法来对轧制系统进行更精确的预测和建模,从而达到精确控制金属极薄带力学性能的目的。
为解决上述问题,本发明提供一种极薄带力学性能预测方法及装置,接下来结合附图进行说明。
图1为本发明提供的一种极薄带力学性能预测方法流程图,如图1所示,该方法包括:
步骤101:获取待预测数据;所述待预测数据包括极薄带的待预测轧制工艺数据以及待预测显微组织图像;
待预测轧制工艺数据可以包括:极薄带的初始厚度、压下率、轧制道次数、热处理温度、热处理保温时间、终轧厚度、前后张力、轧制速度等关键工艺数据中的全部或若干个;
待预测显微组织图像包括:极薄带轧制表面EBSD晶粒图、KAM图、再结晶图以及厚度截面EBSD晶粒图。
步骤102:对所述待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;
具体的,采用统计学正太分布原则对待预测轧制工艺数据进行降噪处理,得到降噪后的轧制工艺数据;
对降噪后的轧制工艺数据中的类别数据进行独热编码处理,得到独热编码向量;将n个类别标签进行独热编码处理后形成n×n维向量,与原始工艺数据m个数组合成n+m维输入向量。类别数据可以为热处理温度、金属极薄带材质等,将类别数据进行独热编码处理可以扩展轧制工艺数据的输入维度;
对降噪后的轧制工艺数据中除类别数据外的数据进行离差标准化处理,得到标准化轧制工艺数据x*;具体的,根据公式(1)对降噪后的轧制工艺数据中除类别数据外的数据进行线性变换,使每个工艺数据变换后的数值结果映射到【0-1】之间,如公式(1)所示:
x* = (x-min ) / ( max-min )(1)
其中,x为轧制工艺数据的值,max为数据的最大值,min为数据的最小值。
将独热编码向量和标准化轧制工艺数据融合形成待预测轧制工艺数据样本;待预测轧制工艺数据样本的维度等于独热编码向量的维度加上标准化轧制工艺数据的维度;
对待预测显微组织图像进行预处理,将四张待预测显微组织图像分别变换为b×b像素的图片;将四张所述图片拼接成一张2b×2b像素的图片,得到待预测图像数据样本。
步骤103:将所述满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;
极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据即待预测轧制工艺数据样本为多层感知机分支的输入,预处理后的待预测显微组织图像即待预测图像数据样本为卷积神经网络分支的输入。
本发明的极薄带力学性能预测模型基于生产过程中的轧制工艺数据和显微组织图像数据,综合考虑了工艺和微观组织对材料最终性能的影响作用,因此预测精度更高,此外,模型建立过程中摆脱了寻求影响金属极薄带力学性能各变量之间复杂的数学物理关系,很好的解决了各输入变量之间强耦合,非线性等问题,通过合理的筛选和处理极薄带样本工艺数据和图像数据后利用本发明方法可以有效进行金属极薄带力学性能预报,在生产结束后即可获得金属极薄带的力学性能,解决了需要通过大量实验才能够得到生产的金属极薄带的力学性能,且误差较高的问题,为金属极薄带的产品开发提供了新方法。
在进行极薄带力学性能预测之前需要构建极薄带力学性能预测模型并对模型进行训练和测试,接下来以某静定轧机轧制的极薄铌带的数据例,结合图2对极薄带力学性能预测模型的训练和测试进行详细说明,如图2所示,步骤包括:
金属极薄带轧制制备并进行工艺数据的收集,具体需获取多组极薄带的轧制工艺数据、显微组织图像以及力学性能参数。示例性的,分层别采集80条极薄铌带生产过程中的工艺数据并用一个4维向量表示,组成一个80×4矩阵的工艺样本数据集,具体的,采集某静定轧机的生产数据,4个工艺数据包括终轧厚度、轧制道次、压下率和热处理温度。数据的采集按层别进行,层别按照金属极薄带的终轧厚度进行划分,划分方法如表1所示,对四个终轧厚度的铌带进行采集,每个终轧厚度采集20个样本。
表1 本实施例中数据采集层别划分
微观组织图像拍照:分层别对80条冷轧金属极薄带的显微组织图像进行测试拍照,层别按照金属极薄带终轧厚度进行划分,金属极薄带的显微组织图像包括四种类型的图像包括:金属极薄带轧制表面EBSD晶粒图、KAM图、再结晶图以及厚度截面EBSD晶粒图。极薄带的力学性能数据包括抗拉力强度、屈服强度、延伸率、表面硬度、热膨胀系数、疲劳性能中的全部、一个或若干个。本实施例中的力学性能参数选择抗拉强度作为预测值。
3σ原则去除噪声数据:采用统计学3σ原则对80条金属极薄带的生产工艺数据进行降噪处理;由于上述数据不存在噪声数据,所以降噪处理后的样本数量仍为80条极薄铌带的轧制工艺数据,对应各自的力学性能测试后的部分数据如表2所示:
表2 部分极薄铌带的轧制工艺数据和力学性能数据
对多组极薄带的轧制工艺数据数据、显微组织图像进行预处理,并与力学性能参数进行对应得到建模数据。预处理包括离差标准化、独热编码处理以及图像转换拼接。
首先,对表2中除热处理温度外的数据进行离差标准化处理,将热处理温度作为类别数据不做标准化处理:根据公式(1)对原始金属极薄带除类别数据以外的轧制工艺数据进行线性变换,使每个工艺数据变换后的数值结果映射到【0-1】之间,离差标准化以后的生产参数如表3所示:
表3 部分极薄铌带轧制工艺数据和力学性能检测数据离差标准化后的结果
本实施例中将热处理温度作为类别数据,将之分为五类,分别为40℃、950℃、1050℃、1150℃、1250℃,对热处理温度进行独热编码处理,将热处理温度分类值转换成独热向量,转换后的独热向量如表4所示,本实施例中n=5,m=3,形成的工艺输入变量维度为n+m=8。其中n表示热处理温度分为五类,转换成独热向量后包括五个维度的输入数据,m表示终轧厚度、轧制道次以及压下率三个维度的输入数据。通过离差标准化和热处理温度的独热编码处理得到轧制工艺数据样本。
表4 热处理温度独热编码处理结果
对金属极薄带的四张显微组织图像重新定义拼接:即将四张背射电子衍射图像重新定义像素后拼接成一张整体图像。具体的,将同一金属极薄带的四张显微组织图像分别转换成像素为b×b大小的图片,经过组合后形成一张整体为像素为2b×2b大小的图片。
示例性的,四张显微组织图像变换为64×64像素大小的图片,然后将四张图片拼接成一张整体为128×128像素大小的图片,得到图像数据样本。
工艺数据和图像数据组成不同结构的混合建模数据:将离散标准化后的80条工艺数据和热处理温度独热编码处理后的独热向量组成的轧制工艺数据样本、重新定义拼接的像素为2b×2b大小的图像数据样本以及各条金属极薄带的力学性能参数进行一一对应,将对应后的混合建模数据按一定的比例划分为训练集和测试集两个样本集合,样本集合划分要保持数据分布的一致性。
具体实施时,选取混合建模数据中各个厚度规格极薄铌带数据的75%即60条作为训练集,剩余的25%即20条作为测试集。训练集数据=20×75%+20×75%+20×75%+20×75%=60,测试集数据=20×25%+20×25%+20×25%+20×25%=20。
MLP+CNN混合驱动建模:构建针对轧制工艺数据样本训练的多层感知机分支和针对图像数据样本训练的卷积神经网络分支,并将多层感知机分支和卷积神经网络分支进行结合并确认共同的力学性能输出,得到极薄带力学性能预测初始模型;在本实施例中只选取抗拉强度作为模型共同的输出。
对于多层感知机分支,需基于轧制工艺数据样本的维度以及力学性能参数的维度数构建多层感知机分支,其输入层神经元个数与轧制工艺数据样本的维度数相同,轧制工艺数据样本的维度数为标准化后的轧制工艺数据的维度数和对类别数据进行独热编码处理得到的独热向量的维度数之和。本实施例中由于热处理温度进行了独热编码处理,轧制工艺数据样本的维度数扩充为8维,故多层感知机分支具有一个神经元个数为8的输入层,再添加两个具有ReLU线性整流激活功能的全连接隐含层,本实施例中第一层隐含层神经元个数为64,第二层隐含层神经元个数为32,再添加一个具有linear线性激活的可选回归输出层,可选回归输出层的神经元个数与力学性能参数的维度数相同;其主要参数包含如下:
dim:输入轧制工艺数据扩充后的维度数,本实施例中dim=8。
regress:一个布尔值,指示是否将完全连接的线性激活层附加到多层感知机MLP以用于回归目的。本实施例中regress=false。
对于卷积神经网络分支,需基于图像数据样本和力学性能参数的维度构建卷积神经网络分支;首先定义一个具有height、width、depth参数的输入层,再添加卷积部分、展平部分以及最后的全连接输出部分。本实施例中卷积部分具有一个具有ReLU线性整流激活功能的卷积层、一个BN归一层、一个最大池化层,卷积层过滤器大小为3×3,过滤器的个数与图像数据样本的图像宽度相同即个数为128,过滤器的步长为1,开始运算时卷积核中心与图像边角重合,保证卷积后图像尺寸不发生变化,池化层过滤器大小为2×2,步长为2。展平部分包含一个展平层,一个具有ReLU线性整流激活功能的隐含层,该层神经元数量为64,一个BN归一化层以及防止过拟合的Dropout层。全连接输出部分包括一个具有ReLU线性整流激活功能的全连接层,该层神经元个数为32,以及一个具有linear线性激活的可选回归输出层。该可选回归输出层的神经元个数与力学性能参数的维度数相同。其主要参数包含如下:
width:输入图像的宽度,以像素为单位,本实施例中width=128。
height:输入图像有多少像素高,本实施例中height=128。
depth:输入图像中的通道数,本实施例中对于RGB彩色图像,depth=3。
过滤器:逐渐变大的过滤器的元组,以便定义的网络可以学习更多可区分的特征。卷积层中大小为3×3,池化层中大小为2×2。
regress:一个布尔值,指示是否将完全连接的线性激活层附加到卷积神经网络分支CNN以用于回归目的。
dropout:忽略隐含层节点的比例(让一半的隐层节点值为0),可以明显地减少过拟合现象,本实施例中设置为0.5。
对于模型结合部分,采用连接函数将多层感知机分支和卷积神经网络分支进行结合,得到极薄带力学性能预测初始模型。其中采用函数式API(Appli
cation Programming Interface)和深度学习框架定义一个包含CNN 和 MLP 分支的多输入模型来处理数值型和图像型混合数据。第一个分支是一个简单的多层感知器(MLP),用于处理数值输入也就是金属极薄带的轧制工艺数据样本,第二个分支是卷积神经网络(CNN),用于对金属极薄带的图像数据样本进行处理,然后将这些分支连接在—起,采用线性激活函数,形成最终的多输入极薄带力学性能预测初始模型。
具体的,定义一个将多层感知机分支MLP和卷积神经网络分支CNN输出神经元结合的结合层,该层将两分支模型可选回归输出层的上一层合并为一层,一个具有ReLU激活功能的全连接隐含层,本实施例中该隐含层神经元个数为16、一个具有linear激活函数的全连接回归输出,图3为本发明提供的极薄带力学性能预测初始模型结构示意图,如图3所示,左侧分支为卷积神经网络分支,input1为输入层,输入的是height、width、depth分别为128、128、3的彩色图像;conv2d为卷积层,该层卷积核有128种,该层用于对输入的图像进行卷积计算,提取特征;batch_normalization为卷积层中的BN归一化层;max_pooling2d为卷积层中的最大池化层,用于减小图片尺寸,减少计算量;flatten为展平层,dense_2为展平层中的隐含层,batch_nermalization_1为展平层中的BN归一化层,dropout为展平层中防止过拟合的dropout层,dense_3为卷积神经网络分支的可选回归输出层的上一层全连接层。右侧分支为多层感知机分支,dense_input为输入层,用于输入8维的轧制工艺数据样本,dense为神经元个数为64的全连接隐含层,dense_1为神经元个数为32的隐含层。Concatenate为结合层,用于采用连接函数将卷积神经网络分支输出的32维数据以及多层感知机分支输出的32维数据进行拼接生成一个64维的数据,输入到dense_4极薄带力学性能预测模型的隐含层中,然后通过dense_5极薄带力学性能预测初始模型的输出层输出1个预测力学性能参数即为预测的抗拉强度。
基于随机梯度下降的Adam优化算法对构建的极薄带力学性能预测初始模型的参数进行优化选取,参数包括迭代速度和梯度,使极薄带力学性能预测初始模型的损失降到预设值,采用Adam优化算法后损失随迭代次数逐渐降低直到降到最低值,最低值即为预设值。采用优化获得的最优参数组合构造极薄带力学性能预测模型得到优化后的极薄带力学性能预测初始模型。
通过Adam优化算法寻优确定多层感知机分支和卷积神经网络组成的极薄带力学性能预测初始模型的最佳参数,使基于多层感知机分支和卷积神经网络建立的极薄带力学性能预测模型的预测精度得到提高。
力学性能预测:将离散归一化和独热编码处理后的工艺数据和图像数据进行联合组成混合建模数据集作为多层感知机分支MLP和卷积神经网络分支CNN的联合输入,对优化后的极薄带力学性能预测模型进行训练和预测;首先基于训练集对极薄带力学性能预测初始模型进行训练得到训练完成的极薄带力学性能预测模型;训练集包括多条极薄带的轧制工艺数据样本、显微组织图像样本以及力学性能参数;
具体的,将训练集的轧制工艺数据样本输入到优化后的极薄带力学性能预测初始模型的多层感知机分支,得到第一数据;将训练集的图像数据样本输入到优化后的极薄带力学性能预测初始模型的卷积神经网络分支,得到第二数据;采用连接函数将第一数据和第二数据进行拼接,并将拼接数据输入到优化后的极薄带力学性能预测初始模型的隐含层;优化后的极薄带力学性能预测初始模型的隐含层对拼接数据进行转换并通过极薄带力学性能预测初始模型的输出层输出预测力学性能参数;基于力学性能参数与预测力学性能参数对极薄带力学性能预测初始模型的网络参数进行调整,直到完成训练,得到训练完成的极薄带力学性能预测模型。
然后基于测试集中的轧制工艺数据样本、图像数据样本以及力学性能参数对训练完成的极薄带力学性能预测模型进行测试,得到测试力学性能参数;测试力学性能参数符合要求的极薄带力学性能预测模型用于对极薄带进行力学性能预测。在本实施例中,经混合建模数据建模后,抗拉强度经测试集测试得到的预测结果如表5所示:
表5 模型预测结果
判断测试力学性能是否符合要求即极薄带力学性能预测模型的预测性能是否符合要求具体方法为:
计算测试力学性能参数与测试集的力学性能参数的决定系数、平均绝对误差MAE、平均绝对百分误差MAPE以及均方根误差RMSE;根据决定系数/>、平均绝对误差MAE、平均绝对百分误差MAPE以及均方根误差RMSE评价通过训练和测试之后的极薄带力学性能预测模型的预测性能。模型的预测结果如表6所示:
表6 模型误差计算结果
完成测试后采用满足测试要求的极薄带力学性能预测模型对极薄带的力学性能进行预测,预测方法与训练方法以及测试方法相同,在此不再赘述。
本发明实施例可以根据上述方法示例进行功能模块的划分,例如,可以对
应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图4示出了本发明提供的一种极薄带力学性能预测装置的结构示意图。如图4所示,该装置包括:
待预测数据获取模块401,用于获取待预测数据;所述待预测数据包括极薄带的待预测轧制工艺数据以及待预测显微组织图像;
满足预设条件的待预测数据确定模块402,用于对所述待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;
力学性能预测模块403,用于将所述满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;所述极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据为所述多层感知机分支的输入,预处理后的待预测显微组织图像为卷积神经网络分支的输入。
可选的,所述装置还包括模型构建模块,所述模型构建模块具体可以包括:
极薄带数据获取单元,用于获取多组极薄带的轧制工艺数据、显微组织图像以及力学性能参数;
建模数据确定单元,用于对所述多组极薄带的轧制工艺数据和显微组织图像进行处理并与所述力学性能参数进行对应,得到建模数据;所述建模数据包括训练集和测试集;
初始模型构建单元,用于构建多层感知机分支和卷积神经网络分支,并将所述多层感知机分支和所述卷积神经网络分支进行结合,得到极薄带力学性能预测初始模型;
训练单元,用于基于训练集对所述极薄带力学性能预测初始模型进行训练,得到训练完成的极薄带力学性能预测模型;
测试单元,用于基于测试集对训练完成的所述极薄带力学性能预测模型进行测试,得到测试力学性能参数,所述测试力学性能参数符合要求的极薄带力学性能预测模型用于对极薄带进行力学性能预测。
可选的,所述建模数据包括轧制工艺数据样本、图像数据样本以及力学性能参数;所述初始模型构建单元具体可以用于:
基于所述轧制工艺数据样本的维度以及力学性能参数的维度构建多层感知机分支,所述多层感知机分支包括输入层、两个具有线性整流激活功能的全连接隐含层以及可选回归输出层;多层感知机分支的输入层的神经元个数与所述轧制工艺数据样本的维度数相同,多层感知机分支的可选回归输出层的神经元个数与力学性能参数的维度数相同;
基于所述图像数据样本和力学性能参数的维度构建卷积神经网络分支;所述卷积神经网络分支至少包括输入层、卷积层、全连接层以及可选回归输出层;卷积神经网络分支的可选回归输出层的神经元个数与所述力学性能参数的维度数相同;所述卷积层的滤波器个数与所述图像数据样本的图像宽度相同;
采用连接函数将所述多层感知机分支和所述卷积神经网络分支进行结合,得到极薄带力学性能预测初始模型。
可选的,所述训练单元具体可以用于:
将训练集的轧制工艺数据样本输入到所述极薄带力学性能预测初始模型的多层感知机分支,得到第一数据;
将训练集的图像数据样本输入到所述极薄带力学性能预测模型的卷积神经网络分支,得到第二数据;
采用连接函数将所述第一数据和第二数据进行拼接,并将拼接数据输入到极薄带力学性能预测初始模型的隐含层;
极薄带力学性能预测初始模型的隐含层对拼接数据进行转换并通过极薄带力学性能预测模型的输出层输出预测力学性能参数;
基于训练集的力学性能参数与所述预测力学性能参数对所述极薄带力学性能预测初始模型的网络参数进行调整,直到完成训练,得到训练完成的极薄带力学性能预测模型。
可选的,满足预设条件的待预测数据包括待预测轧制工艺数据样本和待预测图像数据样本;所述满足预设条件的待预测数据确定模块402具体可以包括:
降噪处理单元,用于采用统计学正太分布原则对所述待预测轧制工艺数据进行降噪处理,得到降噪后的轧制工艺数据;
独热编码处理单元,用于对所述降噪后的轧制工艺数据中的类别数据进行独热编码处理,得到独热编码向量;
离差标准化单元,用于对所述降噪后的轧制工艺数据中除所述类别数据外的数据进行离差标准化处理,得到标准化轧制工艺数据;
融合单元,用于将所述独热编码向量和所述标准化轧制工艺数据融合形成待预测轧制工艺数据样本;
显微组织图像预处理单元,用于对所述待预测显微组织图像进行预处理,得到待预测图像数据样本。
可选的,所述待预测显微组织图像包括:极薄带轧制表面EBSD晶粒图、KAM图、再结晶图以及厚度截面EBSD晶粒图;所述显微组织图像预处理单元,具体可以用于:
将四张所述待预测显微组织图像分别变换为b×b像素的图片;
将四张所述图片拼接成一张2b×2b像素的图片,得到待预测图像数据样本。
可选的,所述装置还包括参数优化模块,用于基于随机梯度下降的Adam优化算法对所述极薄带力学性能预测初始模型的迭代速度和梯度进行优化,使所述极薄带力学性能预测初始模型的损失降到预设值;
对优化后的极薄带力学性能预测初始模型进行训练和测试。
可选的,所述离差标准化单元,具体可以用于:
对所述降噪后的轧制工艺数据中除所述类别数据外的数据进行线性变换,使每个数据变换后的数值映射到0和1之间,得到标准化轧制工艺数据。
可选的,所述装置还包括预测性能判断模块,可以包括:
计算单元,用于计算所述测试力学性能参数与所述力学性能参数的决定系数、平均绝对误差、平均绝对百分误差以及均方根误差;
预测性能分析单元,用于根据所述决定系数、平均绝对误差、平均绝对百分误差以及均方根误差确定极薄带力学性能预测模型的预测性能。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
上述主要从各个模块交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是,为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述,显而易见的,在不脱离本发明的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明,且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种极薄带力学性能预测方法,其特征在于,包括:
获取待预测数据;所述待预测数据包括极薄带的待预测轧制工艺数据以及待预测显微组织图像;
对所述待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;
将所述满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;所述极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据为所述多层感知机分支的输入,预处理后的待预测显微组织图像为卷积神经网络分支的输入。
2.根据权利要求1所述极薄带力学性能预测方法,其特征在于,所述将所述满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,之前还包括:
获取多组极薄带的轧制工艺数据、显微组织图像以及力学性能参数;
对所述多组极薄带的轧制工艺数据和显微组织图像进行处理并与所述力学性能参数进行对应,得到建模数据;所述建模数据包括训练集和测试集;
构建多层感知机分支和卷积神经网络分支,并将所述多层感知机分支和所述卷积神经网络分支进行结合,得到极薄带力学性能预测初始模型;
基于训练集对所述极薄带力学性能预测初始模型进行训练,得到训练完成的极薄带力学性能预测模型;
基于测试集对训练完成的所述极薄带力学性能预测模型进行测试,得到测试力学性能参数,所述测试力学性能参数符合要求的极薄带力学性能预测模型用于对极薄带进行力学性能预测。
3.根据权利要求2所述极薄带力学性能预测方法,其特征在于,所述建模数据包括轧制工艺数据样本、图像数据样本以及力学性能参数;所述构建多层感知机分支和卷积神经网络分支,并将所述多层感知机分支和所述卷积神经网络分支进行结合,得到极薄带力学性能预测初始模型包括:
基于所述轧制工艺数据样本的维度以及力学性能参数的维度构建多层感知机分支,所述多层感知机分支包括输入层、两个具有线性整流激活功能的全连接隐含层以及可选回归输出层;多层感知机分支的输入层的神经元个数与所述轧制工艺数据样本的维度数相同,多层感知机分支的可选回归输出层的神经元个数与力学性能参数的维度数相同;
基于所述图像数据样本和力学性能参数的维度构建卷积神经网络分支;所述卷积神经网络分支至少包括输入层、卷积层、全连接层以及可选回归输出层;卷积神经网络分支的可选回归输出层的神经元个数与所述力学性能参数的维度数相同;所述卷积层的滤波器个数与所述图像数据样本的图像宽度相同;
采用连接函数将所述多层感知机分支和所述卷积神经网络分支进行结合,得到极薄带力学性能预测初始模型。
4.根据权利要求3所述极薄带力学性能预测方法,其特征在于,所述基于所述训练集对所述极薄带力学性能预测初始模型进行训练得到极薄带力学性能预测模型包括:
将训练集的轧制工艺数据样本输入到所述极薄带力学性能预测初始模型的多层感知机分支,得到第一数据;
将训练集的图像数据样本输入到所述极薄带力学性能预测模型的卷积神经网络分支,得到第二数据;
采用连接函数将所述第一数据和第二数据进行拼接,并将拼接数据输入到极薄带力学性能预测初始模型的隐含层;
极薄带力学性能预测初始模型的隐含层对拼接数据进行转换并通过极薄带力学性能预测模型的输出层输出预测力学性能参数;
基于训练集的力学性能参数与所述预测力学性能参数对所述极薄带力学性能预测初始模型的网络参数进行调整,直到完成训练,得到训练完成的极薄带力学性能预测模型。
5.根据权利要求1所述极薄带力学性能预测方法,其特征在于,满足预设条件的待预测数据包括待预测轧制工艺数据样本和待预测图像数据样本;所述对所述待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据包括:
采用统计学正太分布原则对所述待预测轧制工艺数据进行降噪处理,得到降噪后的轧制工艺数据;
对所述降噪后的轧制工艺数据中的类别数据进行独热编码处理,得到独热编码向量;
对所述降噪后的轧制工艺数据中除所述类别数据外的数据进行离差标准化处理,得到标准化轧制工艺数据;
将所述独热编码向量和所述标准化轧制工艺数据融合形成待预测轧制工艺数据样本;
对所述待预测显微组织图像进行预处理,得到待预测图像数据样本。
6.根据权利要求5所述极薄带力学性能预测方法,其特征在于,所述待预测显微组织图像包括:极薄带轧制表面EBSD晶粒图、KAM图、再结晶图以及厚度截面EBSD晶粒图;所述对所述待预测显微组织图像进行预处理,得到待预测图像数据样本包括:
将四张所述待预测显微组织图像分别变换为b×b像素的图片;
将四张所述图片拼接成一张2b×2b像素的图片,得到待预测图像数据样本。
7.根据权利要求2所述极薄带力学性能预测方法,其特征在于,所述构建多层感知机分支和卷积神经网络分支,并将所述多层感知机分支和所述卷积神经网络分支进行结合,得到极薄带力学性能预测初始模型之后还包括:
基于随机梯度下降的Adam优化算法对所述极薄带力学性能预测初始模型的迭代速度和梯度进行优化,使所述极薄带力学性能预测初始模型的损失降到预设值;
对优化后的极薄带力学性能预测初始模型进行训练和测试。
8.根据权利要求5所述极薄带力学性能预测方法,其特征在于,对所述降噪后的轧制工艺数据中除所述类别数据外的数据进行离差标准化处理,得到标准化轧制工艺数据包括:
对所述降噪后的轧制工艺数据中除所述类别数据外的数据进行线性变换,使每个数据变换后的数值映射到0和1之间,得到标准化轧制工艺数据。
9.根据权利要求2所述极薄带力学性能预测方法,其特征在于,所述基于测试集对训练完成的所述极薄带力学性能预测模型进行测试,得到测试力学性能参数之后还包括:
计算所述测试力学性能参数与所述力学性能参数的决定系数、平均绝对误差、平均绝对百分误差以及均方根误差;
根据所述决定系数、平均绝对误差、平均绝对百分误差以及均方根误差确定极薄带力学性能预测模型的预测性能。
10.一种极薄带力学性能预测装置,其特征在于,包括:
待预测数据获取模块,用于获取待预测数据;所述待预测数据包括极薄带的待预测轧制工艺数据以及待预测显微组织图像;
满足预设条件的待预测数据确定模块,用于对所述待预测轧制工艺数据以及待预测显微组织图像进行预处理,得到满足预设条件的待预测数据;
力学性能预测模块,用于将所述满足预设条件的待预测数据输入到训练完成的极薄带力学性能预测模型中,得到力学性能预测结果;所述极薄带力学性能预测模型是由多层感知机分支和卷积神经网络分支组合形成的;预处理后的待预测轧制工艺数据为所述多层感知机分支的输入,预处理后的待预测显微组织图像为卷积神经网络分支的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509215.1A CN117238420A (zh) | 2023-11-14 | 2023-11-14 | 一种极薄带力学性能预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509215.1A CN117238420A (zh) | 2023-11-14 | 2023-11-14 | 一种极薄带力学性能预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117238420A true CN117238420A (zh) | 2023-12-15 |
Family
ID=89084674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311509215.1A Pending CN117238420A (zh) | 2023-11-14 | 2023-11-14 | 一种极薄带力学性能预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117238420A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190004802A1 (en) * | 2017-06-29 | 2019-01-03 | Intel Corporation | Predictor for hard-to-predict branches |
CN113255151A (zh) * | 2021-06-08 | 2021-08-13 | 长安大学 | 基于复合神经网络的隧道施工变形预测方法及系统 |
CN113536968A (zh) * | 2021-06-25 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
CN113852432A (zh) * | 2021-01-07 | 2021-12-28 | 上海应用技术大学 | 基于rcs-gru模型的频谱预测感知方法 |
CN114118355A (zh) * | 2021-10-08 | 2022-03-01 | 天津一重电气自动化有限公司 | 基于神经网络的不锈钢酸洗工艺参数控制方法 |
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 |
CN115130645A (zh) * | 2022-02-22 | 2022-09-30 | 中国科学院大学 | 基于自学习小波卷积神经网络的跨个体学习方法 |
WO2022208440A1 (en) * | 2021-03-31 | 2022-10-06 | Sony Group Corporation | Multiview neural human prediction using implicit differentiable renderer for facial expression, body pose shape and clothes performance capture |
CN115311535A (zh) * | 2022-09-29 | 2022-11-08 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰风洞云雾场参数获取方法和存储介质 |
CN115909006A (zh) * | 2022-10-27 | 2023-04-04 | 武汉兰丁智能医学股份有限公司 | 基于卷积Transformer的乳腺组织图像分类方法及系统 |
CN116469561A (zh) * | 2023-04-24 | 2023-07-21 | 东华理工大学 | 一种基于深度学习的乳腺癌生存预测方法 |
-
2023
- 2023-11-14 CN CN202311509215.1A patent/CN117238420A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190004802A1 (en) * | 2017-06-29 | 2019-01-03 | Intel Corporation | Predictor for hard-to-predict branches |
CN113852432A (zh) * | 2021-01-07 | 2021-12-28 | 上海应用技术大学 | 基于rcs-gru模型的频谱预测感知方法 |
WO2022208440A1 (en) * | 2021-03-31 | 2022-10-06 | Sony Group Corporation | Multiview neural human prediction using implicit differentiable renderer for facial expression, body pose shape and clothes performance capture |
CN113255151A (zh) * | 2021-06-08 | 2021-08-13 | 长安大学 | 基于复合神经网络的隧道施工变形预测方法及系统 |
CN113536968A (zh) * | 2021-06-25 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
CN114118355A (zh) * | 2021-10-08 | 2022-03-01 | 天津一重电气自动化有限公司 | 基于神经网络的不锈钢酸洗工艺参数控制方法 |
CN115130645A (zh) * | 2022-02-22 | 2022-09-30 | 中国科学院大学 | 基于自学习小波卷积神经网络的跨个体学习方法 |
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 |
CN115311535A (zh) * | 2022-09-29 | 2022-11-08 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰风洞云雾场参数获取方法和存储介质 |
CN115909006A (zh) * | 2022-10-27 | 2023-04-04 | 武汉兰丁智能医学股份有限公司 | 基于卷积Transformer的乳腺组织图像分类方法及系统 |
CN116469561A (zh) * | 2023-04-24 | 2023-07-21 | 东华理工大学 | 一种基于深度学习的乳腺癌生存预测方法 |
Non-Patent Citations (2)
Title |
---|
MENGZE LI 等: "A deep learning convolutional neural network and multi-layer perceptron hybrid fusion model for predicting the mechanical properties of carbon fiber", 《MATERIALS & DESIGN》, vol. 227, pages 1 - 11 * |
张志雄 等: "基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测", 《精密成形工程》, vol. 15, no. 2023, pages 68 - 77 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665460B (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN112085252B (zh) | 一种关于集合类型决策效果的反事实预测方法 | |
CN110059765B (zh) | 一种矿物智能识别分类系统与方法 | |
CN113962294A (zh) | 多类型事件预测模型 | |
CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
CN112308298A (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN117238420A (zh) | 一种极薄带力学性能预测方法及装置 | |
CN117593255A (zh) | 一种基于时空信息融合的激光增材制造缺陷监控方法 | |
CN117392450A (zh) | 一种基于进化多尺度特征学习的钢铁材料质量解析方法 | |
CN116958662A (zh) | 一种基于卷积神经网络的钢带缺陷分类方法 | |
CN112686367A (zh) | 一种新型归一化机制 | |
CN116432699A (zh) | 基于时序图卷积网络的高炉铁水硅含量预测方法 | |
CN113239730B (zh) | 一种基于计算机视觉的结构虚假模态参数自动剔除方法 | |
CN116108751A (zh) | 基于图神经网络的材料应力应变曲线预测模型及其构建方法和预测方法 | |
CN109741313A (zh) | 独立成分分析和卷积神经网络的无参考图像质量评价方法 | |
Omar et al. | Deep learning binary-classification model for casting products inspection | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN114529523A (zh) | 基于不确定度的工业缺陷程度推断方法及系统 | |
CN117710969B (zh) | 一种基于深度神经网络的细胞核分割和分类方法 | |
CN113378631A (zh) | 一种基于嵌入式与人工智能的后厨工装识别方法 | |
CN117274724B (zh) | 基于可变类别温度蒸馏的焊缝缺陷分类方法 | |
CN113850444B (zh) | 一种基于引导注意机制的旅游需求时间序列预测方法 | |
CN117765437B (zh) | 一种执法记录仪的紧急状态沟通方法及系统 | |
CN116796627A (zh) | 一种基于深度学习的冷轧钢板性能预测方法及系统 |
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 |