RU2704751C1 - Method of determining parameters of thermomechanical processing and chemical composition of functional materials using a deep neural network - Google Patents
Method of determining parameters of thermomechanical processing and chemical composition of functional materials using a deep neural network Download PDFInfo
- Publication number
- RU2704751C1 RU2704751C1 RU2018135661A RU2018135661A RU2704751C1 RU 2704751 C1 RU2704751 C1 RU 2704751C1 RU 2018135661 A RU2018135661 A RU 2018135661A RU 2018135661 A RU2018135661 A RU 2018135661A RU 2704751 C1 RU2704751 C1 RU 2704751C1
- Authority
- RU
- Russia
- Prior art keywords
- neural network
- deep convolutional
- functional
- chemical composition
- convolutional neural
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
Abstract
Description
Способ определения параметров термомеханической обработки и химического состава функциональных материалов с помощью глубокой нейронной сетиThe method for determining the parameters of thermomechanical processing and the chemical composition of functional materials using a deep neural network
Изобретение относится к области разработки и получения функциональных материалов для машиностроения, химической отрасли, строительства и т.д. Может применяться для получения материалов с заданными физико-механическими параметрами для изготовления деталей специального назначения. Используется при разработке технологических процессов получения материалов с конкретным функциональным назначением.The invention relates to the field of development and production of functional materials for mechanical engineering, chemical industry, construction, etc. It can be used to obtain materials with specified physical and mechanical parameters for the manufacture of parts for special purposes. It is used in the development of technological processes for obtaining materials with a specific functional purpose.
Известно устройство каскадной обработки потока изображений с помощью сверточных нейронных сетей по патенту РФ на полезную модель №173468, G06T 1/40, 2017. Устройство предназначено для обработки ограниченного количества недостаточно четких изображений исследуемых объектов с приемлемой точностью, В устройстве в каждом из параллельных блоков определения обобщенных признаков веса сверток выполнены с возможностью предварительной настройки с помощью большого количества изображений из открытых источников, а затем тонкой настройки на тех изображениях, с которыми предстоит работать в качестве исходных изображений потока. Недостатком является ограниченная функциональность устройства, связанная с ограничением прогнозирования свойств исследуемого объекта, с точностью такого прогнозирования.A device for cascading image stream processing using convolutional neural networks according to the patent of the Russian Federation for utility model No. 173468, G06T 1/40, 2017. The device is designed to process a limited number of insufficiently clear images of the studied objects with acceptable accuracy, in the device in each of the parallel definition blocks generalized signs of the weight of the convolutions are configured to be pre-configured using a large number of images from open sources, and then fine-tuned in those images relations with which to work as source images of the stream. The disadvantage is the limited functionality of the device associated with the limitation of forecasting the properties of the investigated object, with the accuracy of such forecasting.
Известно устройство диагностирования состояния ступичного подшипника по патенту РФ на полезную модель №133300, G01M 13/04, 2013. С помощью блоков устройства производят вычисление параметров сигналов двух каналов - электрического и вибрационного, получаемых с исследуемого подшипника. Определяют максимальное значение амплитуды сигнала, среднее значение сигнала, дисперсию сигнала, стандартное отклонение, максимальное значение автокорреляционной функции. Эти параметры являются входными для многослойного персептрона (нейронной сети). Обучение нейронной сети - процесс получения весов применительно к определенному типу ступичного подшипника. При обучении используют математическую модель ступичного подшипника, изменения характеристик которого полностью контролируются. Диагностирование состояния подшипника производят путем анализа диагностических параметров, получаемых с каналов взаимного измерения электрического сопротивления трибосопряжения и вибрации ступичного подшипника с применением заранее обученной искусственной нейронной сети. На основе анализа получают информацию о состоянии диагностируемого объекта от решающего устройства. Недостатком данного устройства и способа его использования являются узкие функциональные возможности, невозможность определения оптимальных технологических режимов изготовления подшипника, улучшающих его свойства.A device for diagnosing the state of a wheel bearing according to the patent of the Russian Federation for utility model No. 133300, G01M 13/04, 2013 is known. Using the blocks of the device, the parameters of the signals of two channels — electrical and vibration — obtained from the bearing under study are calculated. The maximum value of the signal amplitude, the average signal value, the dispersion of the signal, standard deviation, and the maximum value of the autocorrelation function are determined. These parameters are input for a multilayer perceptron (neural network). Neural network training is the process of obtaining weights for a particular type of wheel bearing. In training, a mathematical model of the wheel bearing is used, the changes in the characteristics of which are fully controlled. The bearing condition is diagnosed by analyzing the diagnostic parameters obtained from the channels for mutual measurement of tribojunction electrical resistance and hub bearing vibration using a pre-trained artificial neural network. Based on the analysis, information is obtained about the state of the diagnosed object from the resolver. The disadvantage of this device and the method of its use are narrow functionality, the inability to determine the optimal technological modes of manufacturing a bearing that improve its properties.
В качестве ближайшего аналога заявляемому техническому решению выбран патент CN на изобретение №102254057, G06N 3/08, 2011. Способ автоматического прогнозирования механических свойств тонкой пластины заключается в моделировании нейронной сети и использовании расчетного метода прогнозирования механических свойств на основе данных о микроскопической структуре и данных об изменениях микроструктуры пластины. Для осуществления способа создают нейронную сеть с незафиксированными входными и выходными узлами для создания модели прогнозирования. Для прогнозирования конечных механических свойств вводят фактические параметры технологического процесса производства, такие как время прокатки, начальную температуру прокатки, скорость прокатки, выполняют цифровое моделирование процесса. Для проверки правильности результатов прогнозирования производят расчет параметров с использованием сравнения средней комнатной температуры с температурой технологической линии на основе обученной нейронной сети. Недостатком является невысокая точность прогнозирования, необходимость проведения сравнительного исследования с целью повышения точности прогнозирования, невозможность получения данных для выбора оптимальных параметров технологического процесса получения функционального материала для изготовления тонкостенной пластины.CN patent for invention No. 102254057, G06N 3/08, 2011 was chosen as the closest analogue to the claimed technical solution. A method for automatically predicting the mechanical properties of a thin plate is to simulate a neural network and use a calculation method for predicting mechanical properties based on data on the microscopic structure and data on changes in the microstructure of the plate. To implement the method create a neural network with non-fixed input and output nodes to create a prediction model. To predict the final mechanical properties, the actual parameters of the manufacturing process, such as rolling time, initial rolling temperature, rolling speed, are introduced, digital modeling of the process is performed. To verify the accuracy of the prediction results, parameters are calculated using a comparison of the average room temperature with the temperature of the production line based on a trained neural network. The disadvantage is the low accuracy of forecasting, the need for a comparative study to improve the accuracy of forecasting, the inability to obtain data to select the optimal parameters of the technological process for obtaining a functional material for the manufacture of a thin-walled plate.
Техническим результатом заявляемого изобретения является повышение точности определения параметров термомеханической обработки и химического состава функциональных материалов, т.е., материалов с настраиваемыми для конкретных целей физическими и химическими свойствами.The technical result of the claimed invention is to increase the accuracy of determining the parameters of thermomechanical processing and the chemical composition of functional materials, that is, materials with physical and chemical properties customizable for specific purposes.
Технический результат достигается тем, что в способе определения параметров технологического процесса получения функционального материала и химического состава функционального материала, включающем обучение нейронной сети прогнозирования, введение информации о микроструктуре материала, введение дополнительных данных для повышения точности прогнозирования, согласно изобретению, в качестве нейронной сети прогнозирования используют глубокую сверточную нейронную сеть, обучение которой проводят в два этапа, на первом этапе на вход глубокой сверточной нейронной сети подают информацию о микроструктуре материалов в виде немаркированных цифровых изображений образцов функциональных и/или конструкционных материалов, в количестве не менее 10 тысяч, на втором этапе на вход глубокой сверточной нейронной сети подают дополнительные данные, включающие маркированные цифровые изображения образцов функциональных материалов, в количестве не менее 2 тысяч, далее на вход глубокой сверточной нейронной сети подают данные о требуемых физико-механических характеристиках функционального материала, с помощью глубокой сверточной сети рассчитывают параметры технологического режима получения и химического состава данного функционального материала.The technical result is achieved by the fact that in the method of determining the parameters of the technological process of obtaining the functional material and the chemical composition of the functional material, including training the neural prediction network, introducing information about the microstructure of the material, introducing additional data to improve the prediction accuracy, according to the invention, using the neural prediction network deep convolutional neural network, the training of which is carried out in two stages, at the first stage to enter g a low convolutional neural network provides information about the microstructure of materials in the form of unmarked digital images of samples of functional and / or structural materials, in an amount of at least 10 thousand, at the second stage, additional data, including marked digital images of samples of functional materials, is fed to the entrance of a deep convolutional neural network, in an amount of at least 2 thousand, then data on the required physical and mechanical characteristics of the functional are fed to the input of a deep convolutional neural network With the help of a deep convolutional network, the parameters of the technological mode of production and the chemical composition of this functional material are calculated.
Технический результат обеспечивается за счет того, что для прогнозирования и расчетов свойств и режимов получения функциональных материалов используют сверточную глубокую нейронную сеть. Это позволяет использовать сверхточные слои в архитектуре сети для повышения точности прогнозирования в отличие от аналогов, использующих сети типа MLP (персептрон). Особенностью работы с функциональными материалами, в отличие от работы с конструкционными материалами является малое количество данных для введения в программу прогнозирования. Это связано со спецификой создания таких материалов. Функциональные материалы создают для целей изготовления из них определенных изделий, узлов, деталей, элементов, обладающих необходимыми заданными конкретными свойствами. В отличие от использования конструкционных материалов, где исходя из свойств материала, получают свойства изготавливаемого из него изделия, функциональные материалы производят с определенными настраиваемыми физическими и химическими свойствами для создания конкретного изделия, например, специального высокопрочного стержня. Создание оптимального функционального материала требует усиления или подавления каких-либо свойств в уже имеющемся конструкционном материале. Производство таких материалов характеризуется малыми объемами их изготовления. Для повышения точности прогнозирования свойств материала с небольшим массивом входных данных проводят обучение сверточной глубокой нейронной сети в два этапа. Для расширения массива данных сначала проводят обучение, подавая на вход сети цифровые снимки шлифов как конструкционных, так и функциональных материалов в достаточном количестве. Минимальное их заводимое количество - не менее 10 тысяч снимков шлифованных срезов образцов. Это позволяет провести предварительное обучение нейронной сети. Далее для дальнейшего повышения точности проводят тонкую настройку программы прогнозирования путем дальнейшего обучения глубокой нейронной сети с применением маркированных снимков шлифов уже именно функциональных материалов. Предварительное обучение нейронной сети (pre-training) с помощью алгоритма «без учителя», т.е., на немаркированных снимках значительно повышает сходимость последующего завершающего обучения, так называемой тонкой настройки (fine tuning). Таким образом повышается точность всего процесса прогнозирования. Для второго этапа - этапа тонкой настройки, формируют обучающее множество, включающее не менее 2 тысяч элементов. При этом в маркировку снимков образцов входит информация, которая потом будет подана на вход сети и получена на выходе. При подаче на обучение сети на втором этапе меньшего количества снимков образцов требуемая точность прогнозирования не достигается.The technical result is provided due to the fact that for predicting and calculating the properties and modes of obtaining functional materials, a convolutional deep neural network is used. This allows the use of ultra-precise layers in the network architecture to increase the accuracy of forecasting, unlike analogues using networks such as MLP (perceptron). A feature of working with functional materials, in contrast to working with structural materials, is the small amount of data to be introduced into the forecasting program. This is due to the specifics of creating such materials. Functional materials are created for the purpose of manufacturing from them certain products, assemblies, parts, elements that have the required specific properties. In contrast to the use of structural materials, where, based on the properties of the material, the properties of the product made from it are obtained, functional materials are produced with certain customizable physical and chemical properties to create a specific product, for example, a special high-strength rod. Creating an optimal functional material requires reinforcing or suppressing any properties in an existing structural material. The production of such materials is characterized by small volumes of their manufacture. To improve the accuracy of predicting the properties of a material with a small array of input data, a convolutional deep neural network is trained in two stages. To expand the data array, training is first conducted, supplying digital images of thin sections of both structural and functional materials to the network input in sufficient quantities. Their minimum number of starts is at least 10 thousand images of polished sections of samples. This allows for preliminary training of the neural network. Then, to further increase the accuracy, the forecasting program is fine-tuned by further training a deep neural network using marked snapshots of thin sections of precisely functional materials. Pre-training of the neural network (“pre-training”) using the “without teacher” algorithm, that is, in unmarked images, significantly increases the convergence of the subsequent final training, the so-called fine tuning. This improves the accuracy of the entire forecasting process. For the second stage - the stage of fine-tuning, form a training set that includes at least 2 thousand elements. At the same time, information that will then be fed to the input of the network and received at the output is included in the marking of images of samples. When applying for training the network at the second stage of a smaller number of images of the samples, the required accuracy of forecasting is not achieved.
Способ прогнозирования параметров термомеханической обработки и химического состава функционального материала отличается от прямого способа прогнозирования. При прямом способе на вход глубокой сверточной нейронной сети подают цифровые снимки микрошлифов различных масштабных уровней. Снимки выполняют оптическим и электронным микроскопами с разными увеличениями. На выходе из глубокой сверточной нейронной сети получают прогнозируемые данные физико-механических свойств исследуемого материала. Для решения данной задачи глубокую сверточную нейронную сеть обучают с помощью алгоритмов машинного обучения на множестве данных, полученных для известных металлов и сплавов. При таком способе прогнозирования на вход сети подают уже измеренные каким-либо способом параметры, потенциально влияющие на физико-механические свойства материала. Заявляемый же способ относится к прогнозированию свойств функциональных материалов, которые изготавливают в небольшом количестве. Особенностью такого прогнозирования является обучение нейронной сети в условиях ограниченного количества образцов для обучения.The method for predicting the parameters of thermomechanical processing and the chemical composition of the functional material differs from the direct forecasting method. In the direct method, digital images of microsections of various scale levels are fed to the input of a deep convolutional neural network. Pictures are taken by optical and electron microscopes with different magnifications. At the exit from the deep convolutional neural network, the predicted data of the physical and mechanical properties of the material under study are obtained. To solve this problem, a deep convolutional neural network is trained using machine learning algorithms on the set of data obtained for known metals and alloys. With this method of forecasting, parameters already measured in some way that potentially affect the physicomechanical properties of the material are supplied to the network input. The inventive method relates to the prediction of the properties of functional materials, which are produced in small quantities. A feature of such forecasting is the training of a neural network in a limited number of training samples.
Заявляемый способ осуществляют следующим образом.The inventive method is as follows.
Проводят обучение нейронной сети прогнозирования, в качестве которой используют глубокую сверточную нейронную сеть, в два этапа. На первом этапе проводят предварительное обучение сети «без учителя», т.е., на вход сети подают большое количество немаркированных цифровых снимков шлифов образцов разнообразных конструкционных и функциональных материалов, в том числе металлов. Количество снимков шлифов должно быть не менее 10 тысяч, оптимальное количество - 60 тысяч снимков. Снимки выполнены на разных масштабных уровнях оптическими и электронными микроскопами с различными увеличениями. Сеть обучается за счет большого количества снимков шлифов. Далее проводят второй этап обучения - тонкую настройку нейронной сети «с учителем», т.е., на маркированных данных с помощью алгоритма обратного распространения ошибки. Для этого изготавливают небольшое количество шлифов образцов тестируемого материала. Производят их съемку оптическими и электронными приборами в разных масштабах и получают их цифровые снимки. Формируют обучающее множество, состоящее не менее, чем из 2 тысяч элементов. В обучающее множество входят:They conduct training of a neural forecasting network, in which quality they use a deep convolutional neural network, in two stages. At the first stage, “without a teacher” network is pre-trained, that is, a large number of unmarked digital images of thin sections of samples of various structural and functional materials, including metals, are fed to the network input. The number of shots of thin sections should be at least 10 thousand; the optimal number is 60 thousand shots. Pictures were taken at different scale levels by optical and electron microscopes with various magnifications. The network is trained through a large number of thin sections. Next, the second stage of training is carried out - fine tuning of the neural network “with a teacher”, ie, on marked data using the back propagation algorithm of the error. For this, a small number of thin sections of samples of the test material are made. They are photographed by optical and electronic devices at different scales and receive their digital images. A training set is formed, consisting of no less than 2 thousand elements. The training set includes:
1) цифровые снимки шлифов образцов;1) digital images of thin sections of samples;
2) предварительно измеренные физико-механические характеристики материалов этих этих образцов;2) pre-measured physical and mechanical characteristics of the materials of these samples;
3) параметры процесса термомеханической обработки этих образцов;3) the parameters of the thermomechanical processing of these samples;
4) химический состав образцов.4) the chemical composition of the samples.
Подают данное обучающее множество на вход глубокой сверточной нейронной сети и с помощью алгоритма обратного распространения ошибки выполняют тонкую настройку программы.This training set is fed to the input of a deep convolutional neural network and, using the back propagation algorithm of the error, fine-tune the program.
Далее на вход глубокой сверточной нейронной сети подают цифровые снимки шлифа тестируемого материала, выполненные оптическими и электронными приборами в разных масштабах. Вместе с данными снимками на вход сети подают требуемые физико-механические характеристики необходимого материала. После чего с помощью глубокой сверточной нейронной сети рассчитывает параметры процесса термомеханической обработки и химический состав сплава для получения необходимого искомого материала и выдает полученные результаты. Например, на вход сети подают снимки шлифа образца из легированной конструкционной стали 38Х2Н5МА и значение физико-механической характеристики, которую нужно получить в конечном материале, в частности, заданное значение предела текучести. Глубокая нейронная сеть производит расчет и выдает информацию о требуемых необходимых изменениях химического состава стали 38Х2Н5МА и выдает информацию о необходимых параметрах ее термомеханичекской обработки для достижения нужного значения предела текучести. Таким образом, в результате изменении состава стали и технологии ее производства получают новый функциональный материал.Next, digital images of a thin section of the test material, made by optical and electronic devices at different scales, are fed to the entrance of a deep convolutional neural network. Together with these images, the required physical and mechanical characteristics of the required material are fed to the network input. Then, using a deep convolutional neural network, it calculates the parameters of the thermomechanical processing process and the chemical composition of the alloy to obtain the desired material and gives the results. For example, images of a thin section of a sample made of alloy structural steel 38Kh2N5MA and the value of the physicomechanical characteristics that need to be obtained in the final material, in particular, the specified yield strength, are fed to the network input. A deep neural network calculates and provides information on the required necessary changes in the chemical composition of 38Kh2N5MA steel and provides information on the necessary parameters of its thermomechanical processing to achieve the desired yield strength. Thus, as a result of changing the composition of steel and the technology of its production, new functional material is obtained.
В результате использования вышеописанного двухстадийного обучения глубокой сверточной нейронной сети получают точность прогнозирования - 90%, в отличие от точности прямого прогнозирования функциональных материалов, составляющей 60%.As a result of using the above two-stage training of a deep convolutional neural network, a prediction accuracy of 90% is obtained, in contrast to the accuracy of direct prediction of functional materials of 60%.
Таким образом, заявляемое изобретение позволяет повысить эффективность и точность определения параметров термомеханической обработки и химического состава функциональных материалов.Thus, the claimed invention improves the efficiency and accuracy of determining the parameters of thermomechanical processing and the chemical composition of functional materials.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018135661A RU2704751C1 (en) | 2018-10-08 | 2018-10-08 | Method of determining parameters of thermomechanical processing and chemical composition of functional materials using a deep neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018135661A RU2704751C1 (en) | 2018-10-08 | 2018-10-08 | Method of determining parameters of thermomechanical processing and chemical composition of functional materials using a deep neural network |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2704751C1 true RU2704751C1 (en) | 2019-10-30 |
Family
ID=68500878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018135661A RU2704751C1 (en) | 2018-10-08 | 2018-10-08 | Method of determining parameters of thermomechanical processing and chemical composition of functional materials using a deep neural network |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2704751C1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008738A (en) * | 2019-12-04 | 2020-04-14 | 云南锡业集团（控股）有限责任公司研发中心 | Sn-Bi alloy elongation and tensile strength prediction method based on multi-mode deep learning |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2424561C2 (en) * | 2005-08-31 | 2011-07-20 | Майкрософт Корпорейшн | Training convolutional neural network on graphics processing units |
| CN102254057A (en) * | 2011-04-25 | 2011-11-23 | 天津职业技术师范大学 | Method for predicting rolling off-line mechanical property of thin plate |
| RU2459254C2 (en) * | 2007-04-27 | 2012-08-20 | Сименс Акциенгезелльшафт | Method for computer-aided training of one or more neural networks |
| WO2018071137A1 (en) * | 2016-10-14 | 2018-04-19 | Kla-Tencor Corporation | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
| US20180189229A1 (en) * | 2017-01-04 | 2018-07-05 | Stmicroelectronics S.R.L. | Deep convolutional network heterogeneous architecture |
| US20180218256A1 (en) * | 2017-02-02 | 2018-08-02 | Qualcomm Incorporated | Deep convolution neural network behavior generator |
-
2018
- 2018-10-08 RU RU2018135661A patent/RU2704751C1/en active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2424561C2 (en) * | 2005-08-31 | 2011-07-20 | Майкрософт Корпорейшн | Training convolutional neural network on graphics processing units |
| RU2459254C2 (en) * | 2007-04-27 | 2012-08-20 | Сименс Акциенгезелльшафт | Method for computer-aided training of one or more neural networks |
| CN102254057A (en) * | 2011-04-25 | 2011-11-23 | 天津职业技术师范大学 | Method for predicting rolling off-line mechanical property of thin plate |
| WO2018071137A1 (en) * | 2016-10-14 | 2018-04-19 | Kla-Tencor Corporation | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
| US20180189229A1 (en) * | 2017-01-04 | 2018-07-05 | Stmicroelectronics S.R.L. | Deep convolutional network heterogeneous architecture |
| US20180218256A1 (en) * | 2017-02-02 | 2018-08-02 | Qualcomm Incorporated | Deep convolution neural network behavior generator |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008738A (en) * | 2019-12-04 | 2020-04-14 | 云南锡业集团（控股）有限责任公司研发中心 | Sn-Bi alloy elongation and tensile strength prediction method based on multi-mode deep learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209620B (en) | Method for predicting residual bearing capacity and crack propagation path of crack-containing structure | |
| CN110263429B (en) | Method for adjusting shape and surface precision of cable net reflecting surface antenna based on machine learning | |
| Grushko et al. | Phenomenological model of low-carbon steels hardening during multistage drawing | |
| CN110261247B (en) | Synchronous characterization method for anisotropic yield and hardening constitutive parameters of metal material | |
| CN110739031B (en) | Supervised prediction method and device for metallurgical sintering process and storage medium | |
| CN112949005B (en) | High-strength and high-toughness steel design method based on machine learning guidance | |
| CN108959844B (en) | Method and system for evaluating flow property of polymer material by adopting molecular simulation method | |
| RU2704751C1 (en) | Method of determining parameters of thermomechanical processing and chemical composition of functional materials using a deep neural network | |
| CN109739178B (en) | Workpiece machining deformation online prediction method driven by monitoring data | |
| CN106568647B (en) | A kind of Strength Forecast of Concrete method neural network based | |
| CN105334105A (en) | Method for acquiring high speed blanking crack generation critical damage threshold, and apparatus thereof | |
| CN115841004A (en) | Strip steel hot rolling process mechanical property soft measurement method and device based on multidimensional data | |
| CN110222825B (en) | Cement product specific surface area prediction method and system | |
| CN113033105A (en) | Steel material fatigue performance prediction method based on mechanical theory guide transfer learning | |
| CN103279030B (en) | Dynamic soft measuring modeling method and device based on Bayesian frame | |
| CN117312816A (en) | Special steel smelting effect evaluation method and system | |
| CN116680976A (en) | Reverse design method for additive manufacturing metal material based on machine learning | |
| CN113836789A (en) | DEM (digital elevation model) mesoscopic parameter calibration method based on macro-mesoscopic parameter association criterion | |
| CN116629048A (en) | Method for establishing high-temperature anisotropic constitutive model and fracture model of aluminum alloy | |
| CN114813347B (en) | Mechanical property prediction method for ultrathin niobium strip | |
| Bingöl et al. | Prediction of the true stress of ZE20 magnesium alloy at different temperatures and strain rates | |
| CN115630544A (en) | Material curve processing method for simulation analysis | |
| CN113569898A (en) | Water quality model parameter inversion analysis method and system based on BP neural network | |
| CN109613618A (en) | A kind of long term drift error compensating method of gravimeter | |
| Hickmann et al. | Training and Interpretability of Deep-Neural Methods for Damage Calibration in Copper. |