[發(fā)明專利]基于物理冶金學(xué)指導(dǎo)下機(jī)器學(xué)習(xí)的QP鋼的設(shè)計(jì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910698740.X
• 申請(qǐng)日: 2019-07-31
• 公開（公告）號(hào): CN110442953B
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計(jì)）人: 徐偉;祝開禹;黃健;王晨充;沈春光
• 申請(qǐng)（專利權(quán)）人: 東北大學(xué);本鋼板材股份有限公司
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/12;G06N20/10;G06F119/14
• 代理公司: 沈陽東大知識(shí)產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李在川

1.一種基于物理冶金學(xué)指導(dǎo)下機(jī)器學(xué)習(xí)的QP鋼的設(shè)計(jì)方法，其特征在于：包括如下步驟：

步驟1：數(shù)據(jù)采集；

步驟1.1：獲取g種QP鋼的成分、工藝及其對(duì)應(yīng)的強(qiáng)塑積，所述強(qiáng)塑積為屈服強(qiáng)度和延伸率值的乘積，每一種QP鋼的成分、工藝、強(qiáng)塑積作為一組原始數(shù)據(jù)，g組原始數(shù)據(jù)形成原數(shù)據(jù)集；所述成分為組成QP鋼的元素及含量，所述工藝為QP鋼的熱處理溫度以及時(shí)間；原數(shù)據(jù)集用于作為QP鋼強(qiáng)塑積預(yù)測(cè)的有效數(shù)據(jù)，；對(duì)原數(shù)據(jù)集中的所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，形成初始數(shù)據(jù)集；標(biāo)準(zhǔn)化公式為：z＝(x-μ)/σ，其中z是標(biāo)準(zhǔn)化數(shù)據(jù)，x是原始數(shù)據(jù)，μ是原始數(shù)據(jù)中每一維變量的均值，σ是原始數(shù)據(jù)中每一維變量的標(biāo)準(zhǔn)差；

步驟1.2：根據(jù)熱動(dòng)力學(xué)軟件ThermoCalc計(jì)算原始數(shù)據(jù)集中每一種QP鋼的奧氏體體積分?jǐn)?shù)Vf，利用Andrews經(jīng)驗(yàn)公式計(jì)算馬氏體相變點(diǎn)Ms，Vf和Ms進(jìn)行標(biāo)準(zhǔn)化處理后，將Vf和Ms各作為一維變量添加到數(shù)據(jù)集中，形成標(biāo)準(zhǔn)數(shù)據(jù)集；

步驟2：令劃分比例為8：2，將標(biāo)準(zhǔn)數(shù)據(jù)集采用多次留出法第i次劃分成訓(xùn)練集及測(cè)試集；其中劃分次數(shù)i∈F，F(xiàn)為根據(jù)實(shí)驗(yàn)需求設(shè)置的劃分總次數(shù)；

步驟3：根據(jù)步驟2中的訓(xùn)練集建立基于物理冶金學(xué)指導(dǎo)的集成學(xué)習(xí)算法模型，即GBR-PM模型；

步驟3.1：設(shè)定集成學(xué)習(xí)算法中回歸器的數(shù)量H的范圍以及深度D的范圍，將范圍內(nèi)的回歸器的數(shù)量和深度取正整數(shù)隨機(jī)組合，獲得U種回歸器數(shù)量和深度的組合形式，形成參數(shù)集；所述回歸器的數(shù)量根據(jù)原數(shù)據(jù)集的規(guī)模設(shè)定，所述深度根據(jù)原數(shù)據(jù)集的數(shù)據(jù)維數(shù)設(shè)定；

步驟3.2：對(duì)參數(shù)集內(nèi)的每種組合形式都根據(jù)步驟2中的訓(xùn)練集建立GBR-PM模型；該模型為將成分、工藝、Vf和Ms作為GBR-PM模型的輸入，強(qiáng)塑積作為GBR-PM模型的輸出；最終得到U個(gè)GBR-PM模型；分別求出U個(gè)模型的平方相關(guān)系數(shù)R²；

第u個(gè)GBR-PM模型的平方相關(guān)系數(shù)的計(jì)算公式如下：

其中u∈U，n代表測(cè)試集的數(shù)據(jù)組總量，x_a代表由測(cè)試集內(nèi)第a組數(shù)據(jù)中成分、工藝、VF、Ms組成的向量，f(x_a)為x_a的GBR-PM模型預(yù)測(cè)的強(qiáng)塑積值，y_a為x_a所對(duì)應(yīng)的強(qiáng)塑積的實(shí)際值；

步驟3.3：對(duì)每個(gè)模型的平方相關(guān)系數(shù)R²進(jìn)行比較，將平方相關(guān)系數(shù)R²最大的模型設(shè)定為第i次劃分下的最優(yōu)GBR-PM模型，將該模型下回歸器的數(shù)量和深度的組合形式設(shè)定為最優(yōu)組合參數(shù)；

步驟4：判斷第i次劃分下的最優(yōu)GBR-PM模型的相關(guān)系數(shù)是否大于85％，若否，則刪除該模型，執(zhí)行步驟6；若是，則執(zhí)行步驟5，將該模型作為遺傳算法中的目標(biāo)函數(shù)；

步驟5：在原數(shù)據(jù)集的范圍內(nèi)，采用GBR-PM模型作為遺傳算法的目標(biāo)函數(shù)，遺傳算法被用于優(yōu)化設(shè)計(jì)成分及工藝獲得最佳強(qiáng)塑積的QP鋼，通過遺傳算法得到合金成分、工藝及其強(qiáng)塑積，并將該結(jié)果放入設(shè)計(jì)結(jié)果集M中；

步驟6：令i＝i+1，判斷i是否小于等于F，若是，則將標(biāo)準(zhǔn)數(shù)據(jù)集內(nèi)的數(shù)據(jù)隨機(jī)打亂，執(zhí)行步驟2重新劃分訓(xùn)練集和數(shù)據(jù)集；若否，則執(zhí)行步驟7，并輸出設(shè)計(jì)結(jié)果集M＝{e₁、e₂、…、e_m}，其中e_m代表劃分次數(shù)為第m次的設(shè)計(jì)結(jié)果數(shù)據(jù)組，該數(shù)據(jù)組包括成分、工藝、強(qiáng)塑積，m∈F；

步驟7：利用原數(shù)據(jù)集對(duì)初始SVC分類器進(jìn)行訓(xùn)練，采用網(wǎng)格搜索法對(duì)初始SVC分類器參數(shù)進(jìn)行優(yōu)化，得到SVC分類器，通過SVC分類器對(duì)設(shè)計(jì)結(jié)果集M中的每組數(shù)據(jù)進(jìn)行評(píng)價(jià)，SVC分類器通過成分及工藝來共同確定設(shè)計(jì)結(jié)果的類別，將每組數(shù)據(jù)中強(qiáng)塑積數(shù)值小于等于19.692GPa·％給予的標(biāo)簽為：-1，其中-1代表低可靠性，強(qiáng)塑積數(shù)值大于19.692GPa·％給予的標(biāo)簽為：1，其中1代表高可靠性；輸出所有高可靠性的設(shè)計(jì)結(jié)果數(shù)據(jù)組，形成結(jié)果集K＝{e₁、e₂、…、e_k}，其中e_k代表第k次劃分下的帶有高可靠性標(biāo)簽的設(shè)計(jì)結(jié)果數(shù)據(jù)組，k∈F；求出結(jié)果集內(nèi)成分中每一維變量的均值，選擇結(jié)果集內(nèi)與均值最相近的數(shù)據(jù)組作為最終的典型合金，輸出其典型合金的成分、工藝、強(qiáng)塑積。