CN117521518A - 一种基于机器学习的镁合金热处理工艺优化方法 - Google Patents
一种基于机器学习的镁合金热处理工艺优化方法 Download PDFInfo
- Publication number
- CN117521518A CN117521518A CN202311599755.3A CN202311599755A CN117521518A CN 117521518 A CN117521518 A CN 117521518A CN 202311599755 A CN202311599755 A CN 202311599755A CN 117521518 A CN117521518 A CN 117521518A
- Authority
- CN
- China
- Prior art keywords
- magnesium alloy
- data
- heat treatment
- machine learning
- predicted
- 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 113
- 229910000861 Mg alloy Inorganic materials 0.000 title claims abstract description 84
- 238000010438 heat treatment Methods 0.000 title claims abstract description 65
- 238000010801 machine learning Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000006872 improvement Effects 0.000 claims abstract description 21
- 229910045601 alloy Inorganic materials 0.000 claims abstract description 15
- 239000000956 alloy Substances 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000009864 tensile test Methods 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004321 preservation Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013401 experimental design Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明涉及工艺优化方法技术领域,具体涉及一种基于机器学习的镁合金热处理工艺优化方法,包括以下步骤:设计正交实验工艺参数,并获取镁合金的力学性能实测值,根据该工艺参数和力学性能实测值构建数据集;选取数据集中已测试性能的数据作为训练集数据,未被测试性能的数据作为待预测数据集;构建机器学习模型;将机器学习模型应用于待预测数据集,得到其预测分布,使用全局最优算法ego计算期望提高,并测试合金的力学性能;若所选择的工艺测试性满足需求,则停止并完成工艺参数优化,若不满足,则继续执行,直至满足需求。本发明,利于全面、系统地探索和理解各工艺参数对镁合金力学性能的影响,有助于从宏观上把握镁合金的性能变化规律。
Description
技术领域
本发明涉及工艺优化方法技术领域,尤其涉及一种基于机器学习的镁合金热处理工艺优化方法。
背景技术
镁合金因其低密度、高比强度、良好的电磁屏蔽效果、丰富的资源和可回收性等特点,在航空航天、汽车制造、电子产品及国防工业等领域得到了广泛应用。然而,镁合金的应用受到其固有的力学性能限制,如低强度、低耐磨性和高腐蚀率等,这使得镁合金的工业应用受到限制。为了改善镁合金的综合性能,热处理成为了一种常见且有效的方法。通过精确的热处理工艺,可以在微观层面上调整合金的组织结构,进而显著改善其宏观力学性能。
传统的镁合金热处理工艺优化主要依赖于经验设计和物理实验。这种方法不仅成本高昂、周期长,而且难以全面获取参数间复杂的交互效应,因此很难保证工艺优化的效率和有效性。同时,由于传统方法在设计实验时往往采取单变量方法,忽略了多参数之间的相互作用,因此无法准确地指导工艺的优化。
此外,尽管现有的一些数学建模方法被用于分析和优化热处理工艺,但这些模型通常基于物理的确定性关系,忽略了实际生产过程中的不确定性和随机性,而机器学习技术以其在处理复杂数据、挖掘数据间非线性关系方面的优势,为镁合金热处理工艺的优化提供了新的思路。但如何有效地将机器学习技术与传统的热处理工艺相结合,构建一个既准确又高效的优化模型,是当前面临的一个技术挑战。
发明内容
基于上述目的,本发明提供了一种基于机器学习的镁合金热处理工艺优化方法。
一种基于机器学习的镁合金热处理工艺优化方法,包括以下步骤:
S1:设计正交实验工艺参数,并获取镁合金的力学性能实测值,根据该工艺参数和力学性能实测值构建数据集,其中
所述正交实验工艺参数利用正交设计方法得到,通过选定镁合金工艺各描述符的取值范围并选取镁合金工艺描述符取值范围的两端值与中间值进行正交设计,所述镁合金的力学性能实测值基于该正交实验工艺参数对镁合金进行热处理、拉伸测试得到;
S2:选取数据集中已测试性能的数据作为训练集数据,未被测试性能的数据作为待预测数据集;
S3:构建以力学性能为输出,镁合金工艺描述符为输入的机器学习模型,在机器学习模型训练的过程中,采用留一法划分S2中的训练集数据;
S4:将机器学习模型应用于S2中的待预测数据集,得到其预测分布,使用全局最优算法ego计算期望提高,并对期望提高进行排序,选择期望提高排序第一的工艺参数对合金进行热处理,测试合金的力学性能;
S5:若S4中所选择的工艺测试性满足需求,则停止并完成工艺参数优化,若不满足,则继续执行,直至满足需求。
进一步的,所述S3中的机器学习模型构建有多个,且通过计算均方误差指标,调整机器学习模型参数,并评价各个机器学习模型的性能,选择性能最优的机器学习模型。
进一步的,所述描述符包括合金成分、热处理温度、保温时间、冷却速率以及热处理气氛。
进一步的,所述设计正交实验工艺参数具体包括:
依据镁合金的成分、性能需求以及热处理实践经验,确定各合金工艺描述符的取值范围;
对于每个描述符,分别选取其取值范围的最小值、中间值和最大值;
利用L9(3^4)正交表,根据所选取的描述符值创建正交实验方案,该方案以小样本实验组合探索各描述符对镁合金终态性能的影响,依据该正交设计方案,进行热处理实验,收集实验数据,以此为基础构建初始数据集,用于后续的机器学习模型训练与预测分析。
进一步的,所述获取镁合金的力学性能实测值具体包括:
根据正交实验设计得到的不同组合的工艺参数,准备对应数量的镁合金试样,将镁合金试样置于热处理炉中,并按照各自对应的工艺参数进行热处理,确保每个试样都经历了预设的热处理过程;
热处理完成后,使用标准化的拉伸测试设备按照现行的测试标准和流程,对每个经过热处理的镁合金试样进行拉伸测试,记录下测试过程中的关键数据,该关键数据包括屈服强度、抗拉强度、延伸率;
将收集到的拉伸测试数据作为镁合金的力学性能实测值,整合于建立的基于正交实验的数据集中,得到最终数据集。
进一步的,所述S3中构建机器学习模型具体包括:
确认所需预测的力学性能指标,包括屈服强度、抗拉强度、延伸率作为输出变量,将镁合金工艺描述符,包括热处理温度、保温时间、冷却速率作为输入变量;
基于支持向量机,以输入变量和输出变量为基础构建初步的支持向量机模型,在模型训练阶段,采用留一法对训练集数据进行划分,即每次选取数据集中的一条数据作为验证数据,其余数据作为训练数据,进行多轮训练,以此轮流遍历所有数据,确保每条数据均被用作验证,从而全面评估模型的预测性能
每一轮训练后,记录模型的预测结果和实际值,计算各轮预测的误差和精度,通过分析多轮训练的预测性能数据,包括预测误差、准确率,调整机器学习模型的参数或结构。
进一步的,所述支持向量机模型具体包括:
模型构建:输入数据为镁合金工艺描述符,输出数据为预测的力学性能指标;
模型公式:数据通过函数进行线性分离,模型的数学表达式如下:
设xi代表输入变量,yi代表输出变量,其中i=1,2,…,n,n为数据点数量,目标是找到一个决策边界,使得w·x+b=0,其中w是法向量,决定决策边界的方向,b是偏置项,决定决策边界与原点的距离,对于任意点xi,分类决策函数为:f(xi)=sign(w·xi+b);
应对数据的非线性分布,引入一个核函数将原始数据映射到高维度的空间,使其线性可分,核函数包括多项式、径向基。
进一步的,所述S4具体包括:
应用机器学习模型到待预测数据集:使用已训练的支持向量机模型,将工艺参数作为输入,预测镁合金的力学性能输出,基于支持向量机的predict方法为待预测数据集的每一个样本提供预测值,结合每个样本的预测值和相应的置信区间,得到预测力学性能的分布;
使用EGO算法计算期望提高值:
EGO算法基于Kriging模型,对于每个待预测点,期望提高的计算方法是:
其中,
μ(x)和σ(x)分别是Kriging模型在点x的预测均值和标准差;
fmin是已知的第一目标函数值;
Φ是正态分布的CDF,而是其PDF;
对期望提高值进行排序:将所有的待预测点的期望提高值进行从大到小的排序,取最大的值所对应的工艺参数;
镁合金实际热处理工艺和拉伸测试:根据所选工艺参数,设置炉温、保温时间和冷却速率进行热处理,热处理后的样品进行标准的拉伸测试,以得到其真实的力学性能值;
比较预测与实测的性能值:直接比较支持向量机模型预测的力学性能值和实际拉伸测试得到的值,以验证模型的预测准确性。
进一步的,所述比较预测与实测的性能值包括设定性能标准阈值,包括抗拉强度、屈服强度、伸长率指标。
本发明的有益效果:
本发明,具有显著的实用价值和优越性,首先,通过采用正交设计方法对镁合金的热处理工艺参数进行系统化的实验设计,不仅减少了实验的数量和成本,还确保了实验数据的全面性和代表性,为后续的机器学习模型训练奠定了坚实的基础,同时,正交实验的设计还利于全面、系统地探索和理解各工艺参数对镁合金力学性能的影响,有助于从宏观上把握镁合金的性能变化规律。
本发明,通过构建以力学性能为输出、镁合金工艺描述符为输入的机器学习模型,实现了对复杂热处理工艺参数与镁合金力学性能关系的深入挖掘和智能化预测,采用留一法对训练数据进行交叉验证,不仅提高了模型的泛化能力,还确保了预测结果的准确性和可靠性。
本发明,在预测阶段采用了全局最优算法(EGO)来计算期望提高,精确地指导了热处理工艺的优化方向,有效避免了盲目的、随机的试验错误。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的优化方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,一种基于机器学习的镁合金热处理工艺优化方法,包括以下步骤:
S1:设计正交实验工艺参数,并获取镁合金的力学性能实测值,根据该工艺参数和力学性能实测值构建数据集,其中
正交实验工艺参数利用正交设计方法得到,通过选定镁合金工艺各描述符的取值范围并选取镁合金工艺描述符取值范围的两端值与中间值进行正交设计,镁合金的力学性能实测值基于该正交实验工艺参数对镁合金进行热处理、拉伸测试得到;
S2:选取数据集中已测试性能的数据作为训练集数据,未被测试性能的数据作为待预测数据集;
S3:构建以力学性能为输出,镁合金工艺描述符为输入的机器学习模型,在机器学习模型训练的过程中,采用留一法划分S2中的训练集数据;
S4:将机器学习模型应用于S2中的待预测数据集,得到其预测分布,使用全局最优算法ego计算期望提高,并对期望提高进行排序,选择期望提高排序第一的工艺参数对合金进行热处理,测试合金的力学性能;
S5:若S4中所选择的工艺测试性满足需求,则停止并完成工艺参数优化,若不满足,则继续执行,直至满足需求。
S3中的机器学习模型构建有多个,且通过计算均方误差指标,调整机器学习模型参数,并评价各个机器学习模型的性能,选择性能最优的机器学习模型。
描述符包括合金成分、热处理温度、保温时间、冷却速率以及热处理气氛。
设计正交实验工艺参数具体包括:
依据镁合金的成分、性能需求以及热处理实践经验,确定各合金工艺描述符的取值范围;
对于每个描述符,分别选取其取值范围的最小值、中间值和最大值;
利用L9(3^4)正交表,根据所选取的描述符值创建正交实验方案,该方案以小样本实验组合探索各描述符对镁合金终态性能的影响,依据该正交设计方案,进行热处理实验,收集实验数据,以此为基础构建初始数据集,用于后续的机器学习模型训练与预测分析。
获取镁合金的力学性能实测值具体包括:
根据正交实验设计得到的不同组合的工艺参数,准备对应数量的镁合金试样,将镁合金试样置于热处理炉中,并按照各自对应的工艺参数(例如,热处理温度、保温时间和冷却速率等)进行热处理,确保每个试样都经历了预设的热处理过程;
热处理完成后,使用标准化的拉伸测试设备按照现行的测试标准和流程,对每个经过热处理的镁合金试样进行拉伸测试,记录下测试过程中的关键数据,该关键数据包括屈服强度、抗拉强度、延伸率;
将收集到的拉伸测试数据作为镁合金的力学性能实测值,整合于建立的基于正交实验的数据集中,得到最终数据集。
S3中构建机器学习模型具体包括:
确认所需预测的力学性能指标,包括屈服强度、抗拉强度、延伸率作为输出变量,将镁合金工艺描述符,包括热处理温度、保温时间、冷却速率作为输入变量;
基于支持向量机,以输入变量和输出变量为基础构建初步的支持向量机模型,在模型训练阶段,采用留一法对训练集数据进行划分,即每次选取数据集中的一条数据作为验证数据,其余数据作为训练数据,进行多轮训练,以此轮流遍历所有数据,确保每条数据均被用作验证,从而全面评估模型的预测性能
每一轮训练后,记录模型的预测结果和实际值,计算各轮预测的误差和精度,通过分析多轮训练的预测性能数据,包括预测误差、准确率,调整机器学习模型的参数或结构。
支持向量机模型具体包括:
模型构建:输入数据为镁合金工艺描述符,输出数据为预测的力学性能指标;
模型公式:数据通过函数进行线性分离,模型的数学表达式如下:
设xi代表输入变量(即镁合金工艺描述符),yi代表输出变量(即力学性能指标),其中i=1,2,…,n,n为数据点数量,目标是找到一个决策边界(超平面),使得w·x+b=0,其中w是法向量,决定决策边界的方向,b是偏置项,决定决策边界与原点的距离,对于任意点xi,分类决策函数为:f(xi)=sign(w·xi+b);
应对数据的非线性分布,引入一个核函数将原始数据映射到高维度的空间,使其线性可分,核函数包括多项式、径向基。
S4具体包括:
应用机器学习模型到待预测数据集:使用已训练的支持向量机模型,将工艺参数作为输入,预测镁合金的力学性能输出,基于支持向量机的predict方法为待预测数据集的每一个样本提供预测值,结合每个样本的预测值和相应的置信区间,得到预测力学性能的分布;
使用EGO算法计算期望提高值:
EGO算法基于Kriging模型,对于每个待预测点,期望提高的计算方法是:
其中,
μ(x)和σ(x)分别是Kriging模型在点x的预测均值和标准差;
fmin是已知的第一目标函数值;
Φ是正态分布的CDF,而是其PDF;
对期望提高值进行排序:将所有的待预测点的期望提高值进行从大到小的排序,取最大的值所对应的工艺参数;
镁合金实际热处理工艺和拉伸测试:根据所选工艺参数,设置炉温、保温时间和冷却速率进行热处理,热处理后的样品进行标准的拉伸测试,以得到其真实的力学性能值;
比较预测与实测的性能值:直接比较支持向量机模型预测的力学性能值和实际拉伸测试得到的值,以验证模型的预测准确性。
比较预测与实测的性能值包括设定性能标准阈值,包括抗拉强度、屈服强度、伸长率指标。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,包括以下步骤:
S1:设计正交实验工艺参数,并获取镁合金的力学性能实测值,根据该工艺参数和力学性能实测值构建数据集;
其中,所述正交实验工艺参数利用正交设计方法得到,通过选定镁合金工艺各描述符的取值范围并选取镁合金工艺描述符取值范围的两端值与中间值进行正交设计,所述镁合金的力学性能实测值基于该正交实验工艺参数对镁合金进行热处理、拉伸测试得到;
S2:选取数据集中已测试性能的数据作为训练集数据,未被测试性能的数据作为待预测数据集;
S3:构建以力学性能为输出,镁合金工艺描述符为输入的机器学习模型,在机器学习模型训练的过程中,采用留一法划分S2中的训练集数据;
S4:将机器学习模型应用于S2中的待预测数据集,得到其预测分布,使用全局最优算法ego计算期望提高,并对期望提高进行排序,选择期望提高排序第一的工艺参数对合金进行热处理,测试合金的力学性能;
S5:若S4中所选择的工艺测试性满足需求,则停止并完成工艺参数优化,若不满足,则继续执行,直至满足需求。
2.根据权利要求1所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述S3中的机器学习模型构建有多个,且通过计算均方误差指标,调整机器学习模型参数,并评价各个机器学习模型的性能,选择性能最优的机器学习模型。
3.根据权利要求2所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述描述符包括合金成分、热处理温度、保温时间、冷却速率以及热处理气氛。
4.根据权利要求3所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述设计正交实验工艺参数具体包括:
依据镁合金的成分、性能需求以及热处理实践经验,确定各合金工艺描述符的取值范围;
对于每个描述符,分别选取其取值范围的最小值、中间值和最大值;
利用L9(3^4)正交表,根据所选取的描述符值创建正交实验方案,该方案以小样本实验组合探索各描述符对镁合金终态性能的影响,依据该正交设计方案,进行热处理实验,收集实验数据,以此为基础构建初始数据集,用于后续的机器学习模型训练与预测分析。
5.根据权利要求4所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述获取镁合金的力学性能实测值具体包括:
根据正交实验设计得到的不同组合的工艺参数,准备对应数量的镁合金试样,将镁合金试样置于热处理炉中,并按照各自对应的工艺参数进行热处理,确保每个试样都经历了预设的热处理过程;
热处理完成后,使用标准化的拉伸测试设备按照现行的测试标准和流程,对每个经过热处理的镁合金试样进行拉伸测试,记录下测试过程中的关键数据,该关键数据包括屈服强度、抗拉强度、延伸率;
将收集到的拉伸测试数据作为镁合金的力学性能实测值,整合于建立的基于正交实验的数据集中,得到最终数据集。
6.根据权利要求5所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述S3中构建机器学习模型具体包括:
确认所需预测的力学性能指标,包括屈服强度、抗拉强度、延伸率作为输出变量,将镁合金工艺描述符,包括热处理温度、保温时间、冷却速率作为输入变量;
基于支持向量机,以输入变量和输出变量为基础构建初步的支持向量机模型,在模型训练阶段,采用留一法对训练集数据进行划分,即每次选取数据集中的一条数据作为验证数据,其余数据作为训练数据,进行多轮训练,以此轮流遍历所有数据,确保每条数据均被用作验证,从而全面评估模型的预测性能
每一轮训练后,记录模型的预测结果和实际值,计算各轮预测的误差和精度,通过分析多轮训练的预测性能数据,包括预测误差、准确率,调整机器学习模型的参数或结构。
7.根据权利要求6所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述支持向量机模型具体包括:
模型构建:输入数据为镁合金工艺描述符,输出数据为预测的力学性能指标;
模型公式:数据通过函数进行线性分离,模型的数学表达式如下:
设xi代表输入变量,yi代表输出变量,其中i=1,2,…,n,n为数据点数量,目标是找到一个决策边界,使得w·x+b=0,其中w是法向量,决定决策边界的方向,b是偏置项,决定决策边界与原点的距离,对于任意点xi,分类决策函数为:f(xi)=sign(w·xi+b);
应对数据的非线性分布,引入一个核函数将原始数据映射到高维度的空间,使其线性可分,核函数包括多项式、径向基。
8.根据权利要求7所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述S4具体包括:
应用机器学习模型到待预测数据集:使用已训练的支持向量机模型,将工艺参数作为输入,预测镁合金的力学性能输出,基于支持向量机的predict方法为待预测数据集的每一个样本提供预测值,结合每个样本的预测值和相应的置信区间,得到预测力学性能的分布;
使用EGO算法计算期望提高值:
EGO算法基于Kriging模型,对于每个待预测点,期望提高的计算方法是:
其中,
μ(x)和σ(x)分别是Kriging模型在点x的预测均值和标准差;
fmin是已知的第一目标函数值;
Φ是正态分布的CDF,而是其PDF;
对期望提高值进行排序:将所有的待预测点的期望提高值进行从大到小的排序,取最大的值所对应的工艺参数;
镁合金实际热处理工艺和拉伸测试:根据所选工艺参数,设置炉温、保温时间和冷却速率进行热处理,热处理后的样品进行标准的拉伸测试,以得到其真实的力学性能值;
比较预测与实测的性能值:直接比较支持向量机模型预测的力学性能值和实际拉伸测试得到的值,以验证模型的预测准确性。
9.根据权利要求8所述的一种基于机器学习的镁合金热处理工艺优化方法,其特征在于,所述比较预测与实测的性能值包括设定性能标准阈值,包括抗拉强度、屈服强度、伸长率指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599755.3A CN117521518A (zh) | 2023-11-27 | 2023-11-27 | 一种基于机器学习的镁合金热处理工艺优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599755.3A CN117521518A (zh) | 2023-11-27 | 2023-11-27 | 一种基于机器学习的镁合金热处理工艺优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117521518A true CN117521518A (zh) | 2024-02-06 |
Family
ID=89741791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311599755.3A Pending CN117521518A (zh) | 2023-11-27 | 2023-11-27 | 一种基于机器学习的镁合金热处理工艺优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521518A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118090820A (zh) * | 2024-04-23 | 2024-05-28 | 常州市安贞建设工程检测有限公司 | 镁基无机防火板性能检测方法及系统 |
CN118352002A (zh) * | 2024-06-18 | 2024-07-16 | 湘潭大学 | 一种γ'相强化钴基高温合金屈服强度的预测方法 |
-
2023
- 2023-11-27 CN CN202311599755.3A patent/CN117521518A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118090820A (zh) * | 2024-04-23 | 2024-05-28 | 常州市安贞建设工程检测有限公司 | 镁基无机防火板性能检测方法及系统 |
CN118352002A (zh) * | 2024-06-18 | 2024-07-16 | 湘潭大学 | 一种γ'相强化钴基高温合金屈服强度的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117521518A (zh) | 一种基于机器学习的镁合金热处理工艺优化方法 | |
CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
CN110428876B (zh) | 一种基于物理指导的机器学习算法的钢铁材料设计方法 | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN109101717B (zh) | 基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN111286599A (zh) | 基于机器学习的合金热处理工艺优化方法 | |
CN112949005B (zh) | 一种基于机器学习指导下的高强韧钢设计方法 | |
CN113868912B (zh) | 一种钛合金j-c本构模型参数识别与修正方法 | |
CN111736567B (zh) | 一种基于故障敏感慢特征的多块故障监测方法 | |
CN103267683A (zh) | 一种确定耐热金属材料剩余使用寿命的方法 | |
CN116230136A (zh) | 一种基于机器学习的钛合金力学性能预测方法及装置 | |
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 | |
Klimczak et al. | Inverse problem in stochastic approach to modelling of microstructural parameters in metallic materials during processing | |
CN112241832B (zh) | 一种产品质量分级评价标准设计方法及系统 | |
JP5715445B2 (ja) | 品質推定装置、品質推定方法及び品質推定方法をコンピュータに実行させるためのプログラム | |
CN110750926A (zh) | 基于粒子群算法的高速拉伸曲线的处理及预测方法 | |
CN116844673A (zh) | 一种基于机器学习的高性能镁合金的逆向设计方法 | |
CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
WO2024060287A1 (zh) | 一种高炉炉温预测方法、终端设备及存储介质 | |
Chen et al. | From robust chip to smart building: CAD algorithms and methodologies for uncertainty analysis of building performance | |
CN106909747B (zh) | 一种热对流扩散系统中模糊参数隶属度函数识别方法 | |
CN113627059B (zh) | 一种考虑相变热的大规格棒材空冷温度场计算方法 | |
CN106447065B (zh) | 碳纤维原丝生产过程中凝固浴环节性能指标的预测方法 | |
Pilla et al. | New Technique for Finding Needles in Haystacks: Geometric Approach to Distinguishing<? format?> between a New Source and Random Fluctuations |
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 |