[發明專利]一種基于機器學習的疲勞性能預測方法

在審

• 申請號: 202011123975.5
• 申請日: 2020-10-20
• 公開（公告）號: CN112214933A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 黃理;趙海龍;劉如學;方宇東;吳賽楠;劉釗;李鉬石;李大永;韓維建
• 申請（專利權）人: 集萃新材料研發有限公司;長三角先進材料研究院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N20/10;G16C60/00;G06F111/06;G06F119/04;G06F119/18
• 代理公司: 南京智造力知識產權代理有限公司 32382
• 代理人: 汪芬

1.一種基于機器學習的疲勞性能預測方法，其特征在于，收集材料數據，所述材料數據包括材料成分、顯微組織參數、熱處理工藝參數、加工工藝參數、材料力學性能和材料物理性能的相關數據形成初始樣本數據，表示為S＝{(x₁，y₁)；(x₂，y₂)；…(x_n，y_n)}，x_i為第i組樣本的特征變量，i＝1，2，...，n；y_i為為第i組試樣在10⁶循環壽命下的疲勞強度，且x_i作為機器學習的輸入向量，y_i作為機器學習的輸出向量；并對樣本數據進行歸一化處理；

采用Sobol全局靈敏度分析方法評估各特征變量對輸出變量方差的貢獻度，通過方差分析得出各個特征變量的變化對標簽變量方差的貢獻量；對特征變量的重要性進行排序，進而篩選出關鍵特征變量，形成訓練樣本數據；

將訓練樣本數據劃分為訓練集、驗證集和測試集用于訓練模型；基于訓練集與驗證集數據進行模型訓練學習，獲取對應模型參數，輸出基于現有訓練集/驗證集學習訓練的模型，采用決定系數R²來定量評估模型預測表現，完成模型的建立，利用訓練好的模型進行疲勞性能預測。

2.根據權利要求1所述的一種基于機器學習的疲勞性能預測方法，其特征在于，所述初始樣本數據中的特征變量x_i的維度v為13，分別為C、Si、Mn、P、S、Cr、Ni和Cu這8種元素的重量百分含量、屈服強度、抗拉強度、延伸率、斷面收縮率和布氏硬度。

3.根據權利要求1所述的一種基于機器學習的疲勞性能預測方法，其特征在于，采用極差變換法對樣本數據中的特征值進行歸一化處理，表示為：

其中，x_i,j為第i組樣本中第j個特征歸一化后的值，和分別為所有樣本數據中第j個特征的最小值和最大值。

4.根據權利要求1所述的一種基于機器學習的疲勞性能預測方法，其特征在于，采用主成分分析法對歸一化后的樣本數據進行核主成分分析，將初始樣本數據中的特征變量矩陣從低維空間映射到高維線性空間實現非線性數的線性化，壓縮并去除數據中部分冗余的噪聲信息。

5.根據權利要求4所述的一種基于機器學習的疲勞性能預測方法，其特征在于，通過RBF核函數將現有的特征變量矩陣從低維空間映射到高維線性空間實現非線性數的線性化：

RBF核函數：

其中，核參數σ是提前預定義的實數,x_i和x_j為歸一化后的第i組和第j組的樣本數據。

6.根據權利要求1-5中任意一項權利要求所述的一種基于機器學習的疲勞性能預測方法，其特征在于，通過Sobol采樣在給定的特征變量分析空間生成大量的樣本，分析出與10⁶循環壽命下的疲勞強度密切相關的特征變量，根據計算機的計算能力確定樣本量，推薦值為10^v，v為特征變量的總數。

7.根據權利要求6所述的一種基于機器學習的疲勞性能預測方法，其特征在于，所述模型選用BP神經網絡模型，兩層前饋網絡包含S型隱藏神經元和線性輸出神經元，適用于解決多維映射問題；設置隱藏神經元數量為10，對訓練集與驗證集數據進行訓練學習，獲取對應模型參數，輸出基于現有訓練集/驗證集學習訓練的NNF模型。

8.根據權利要求7所述的一種基于機器學習的疲勞性能預測方法，其特征在于，所述模型選用線性回歸、精細樹、二次支持向量機回歸或有理二次高斯過程回歸。