[發(fā)明專利]基于物理冶金學指導下機器學習的QP鋼的設計方法

有效

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

本發(fā)明提供一種基于物理冶金學指導下機器學習的QP鋼的設計方法，涉及汽車鋼的成分工藝設計技術領域。本發(fā)明首先采集數(shù)據(jù),采用多次留出法將數(shù)據(jù)劃分訓練集及測試集；根據(jù)訓練集建立基于物理冶金學指導的集成學習算法模型；將集成學習算法模型的相關系數(shù)大于85％的作為遺傳算法中的目標函數(shù)；遺傳算法被用于優(yōu)化設計成分及工藝獲得最佳強塑積的QP鋼，對QP鋼的成分及工藝進行設計；對于得到的大量設計結(jié)果采用SVC分類器進行分類篩選，輸出其典型合金的成分、工藝、強塑積。本方法相對于單純機器學習，可以提升模型泛化能力，使設計更為高效，設計結(jié)果更加符合物理冶金學原理。

技術領域

本發(fā)明涉及汽車鋼的成分工藝設計技術領域，尤其涉及一種基于物理冶金學指導下機器學習的高強塑積QP鋼的設計方法。

背景技術

現(xiàn)今，隨著汽車輕量化和對汽車碰撞安全性要求的日益增加，第三代先進超高強汽車鋼已經(jīng)成為汽車結(jié)構材料領域備受關注的研究方向。第三代先進超高強汽車鋼中的QP鋼是指通過淬火-配分(QuenchingPartitioning,QP)獲得的一類鋼種，其熱處理工藝為：首先將鋼淬火至馬氏體轉(zhuǎn)變開始溫度(M_S)和馬氏體轉(zhuǎn)變結(jié)束溫度(M_f)之間，隨后在該溫度下(一步法)或在M_S溫度以上(兩步法)保溫，從而使得殘余奧氏體富碳并在隨后冷卻至室溫的過程中保持穩(wěn)定。經(jīng)過QP工藝處理后的材料，組織中得到的馬氏體基體為鋼材提供了高強度，適量的穩(wěn)定殘余奧氏體為良好的塑性和韌性做出貢獻，因而最終具有良好的強度和塑性。由于其具有優(yōu)良綜合力學性能，該材料在汽車領域具有廣闊的應用前景。

然而目前QP鋼還沒有形成標準的成分工藝體系，其性能潛力也未完全發(fā)揮出來，所以尋求合理的成分設計和有效的工藝控制參數(shù)是目前研究的重點。隨著材料研發(fā)進入大數(shù)據(jù)時代，擅長處理大數(shù)據(jù)的機器學習算法越來越得到人們的重視。機器學習作為近幾年興起的一門熱門學科，在材料設計的方面具有獨特的優(yōu)勢，其可以以相對較高的預測精度，低成本及高效率設計出具有優(yōu)良性能的先進材料。機器學習通過大量的實驗數(shù)據(jù)學習得到輸入與輸出之間的關系，例如成分工藝與強度之間的關系，基于此回歸模型可以對材料的性能進行預測。在此基礎之上，將機器學習模型與啟發(fā)式算法結(jié)合可以完成對未知參數(shù)組合對應性能的預測，即進行材料設計。近年來，學者們利用機器學習回歸或分類工具成功預測了多種材料性能。比如：馬氏體時效鋼的強度﹑海洋鋼在耐蝕性能及混凝土的強度。部分學者還將機器學習算法與優(yōu)化算法如遺傳算法結(jié)合以設計所需鋼種。印度CSIR國家冶金實驗室ChowdhuryS使用此方法設計API等級微合金化管線鋼。并對ANN模型各輸入?yún)?shù)進行分析，以研究成分工藝等參數(shù)對管線鋼性能的影響，而Pareto前沿則揭示了最佳目標性能下的成分、工藝參數(shù)范圍，這些都有助于設計具有更佳綜合性能的管線鋼。但是，當前基于純機器學習方法對材料的性能預測和設計只是一個純數(shù)學過程，少有物理冶金參量涉及到設計過程中，浪費了物理冶金學在材料設計中的獨特優(yōu)勢；并且我們無法獲取材料性能優(yōu)化過程中顯微組織演變信息，限制了對其中關鍵物理冶金過程的理解因此，將物理冶金機制引入到機器學習中，同時結(jié)合優(yōu)化算法形成完備的理性設計平臺將是材料科學中一個重要的研究方向。

發(fā)明內(nèi)容

本發(fā)明要解決的技術問題是針對上述現(xiàn)有技術的不足，提供一種基于物理冶金學指導下機器學習的QP鋼的設計方法，相對于單純機器學習，本方法可以提升模型泛化能力，使設計更為高效，設計結(jié)果更加符合物理冶金學原理。

為解決上述技術問題，本發(fā)明所采取的技術方案是：

本發(fā)明提供一種基于物理冶金學指導下機器學習的QP鋼的設計方法，包括如下步驟：

步驟1：數(shù)據(jù)采集；