[發明專利]基于人工智能的微觀組織金屬強度分布預測方法及裝置

在審

• 申請號: 202010620550.9
• 申請日: 2020-06-30
• 公開（公告）號: CN111783338A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 張玉琪
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06N3/04;G06N3/08;G01N23/203
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 李翔宇

1.一種基于人工智能的微觀組織金屬強度分布預測方法，其特征在于，包括：

獲取金屬樣品訓練集；其中，所述金屬樣品訓練集包括多條金屬樣品訓練數據，每條所述金屬樣品訓練數據均包括幾何必須位錯位錯線面密度和總位錯位錯線面密度；

根據所述金屬樣品訓練集對待訓練卷積神經網絡模型進行訓練，得到卷積神經網絡；

接收掃描電子顯微鏡上傳的當前金屬樣品對應的當前幾何必須位錯位錯線面密度；其中，所述當前金屬樣品取自于待測量強度的試樣；

調用所述卷積神經網絡，將所述當前幾何必須位錯位錯線面密度輸入至所述卷積神經網絡，得到所述當前幾何必須位錯位錯線面密度對應的當前總位錯位錯線面密度；以及根據所述當前總位錯位錯線面密度及所述當前金屬樣品對應的材料常數和屈服強度，確定并顯示與所述當前總位錯位錯線面密度對應的抗拉強度分布圖；

其中，所述當前幾何必須位錯位錯線面密度是指當前金屬樣品對應的當前幾何必須位錯位錯線面密度；

所述金屬樣品訓練數據中幾何必須位錯位錯線面密度是通過對金屬樣品在平面上隨機分布的位錯矢量線進行矢量求和計算得到的和值結果，所述金屬樣品訓練數據中總位錯位錯線面密度是通過對金屬樣品在平面上隨機分布的位錯矢量線進行平方和后開方計算得到的計算結果。

2.根據權利要求1所述的基于人工智能的微觀組織金屬強度分布預測方法，其特征在于，還包括：

若檢測到金屬樣品訓練集生成指令，則構建用于隨機生成位錯線的模擬器；

通過所述模擬器生成在平面上隨機分布的且與各金屬樣品訓練數據分別對應的多個位錯線矢量；其中，i的取值范圍為[1，N]，N是所述模擬器所隨機生成的所述位錯線矢量的總個數；

根據計算各金屬樣品訓練數據的幾何必須位錯位錯線面密度；其中，表示一條所述金屬樣品訓練數據的幾何必須位錯位錯線面密度；

根據計算各金屬樣品訓練數據的總位錯位錯線面密度；其中，表示一條所述金屬樣品訓練數據的總位錯位錯線面密度。

3.根據權利要求1所述的基于人工智能的微觀組織金屬強度分布預測方法，其特征在于，所述根據所述金屬樣品訓練集對待訓練卷積神經網絡模型進行訓練，得到卷積神經網絡，包括：

將所述金屬樣品訓練集中每條所述金屬樣品訓練數據的幾何必須位錯位錯線面密度作為所述待訓練卷積神經網絡模型的輸入參數，將各金屬樣品訓練數據對應的幾何必須位錯位錯線面密度作為所述待訓練卷積神經網絡模型相應的輸出參數，經訓練得到所述卷積神經網絡。

4.根據權利要求3所述的基于人工智能的微觀組織金屬強度分布預測方法，其特征在于，所述根據所述金屬樣品訓練集對待訓練卷積神經網絡模型進行訓練，得到卷積神經網絡之后，還包括：

將所述卷積神經網絡發送至區塊鏈網絡進行存儲。

5.根據權利要求1所述的基于人工智能的微觀組織金屬強度分布預測方法，其特征在于，所述根據所述當前總位錯位錯線面密度及所述當前金屬樣品對應的材料常數和屈服強度，確定并顯示與所述當前總位錯位錯線面密度對應的抗拉強度分布圖，包括：

通過計算與所述當前總位錯位錯線面密度對應的抗拉強度；其中，k表示與當前金屬樣品對應的材料常數，表示與當前金屬樣品對應的屈服強度，表示與當前金屬樣品對應的當前總位錯位錯線面密度，表示與所述當前總位錯位錯線面密度對應的抗拉強度；

根據與所述當前總位錯位錯線面密度對應的所述抗拉強度獲取抗拉強度分布圖，并顯示。