[發明專利]基于力學理論指導遷移學習的鋼鐵材料疲勞性能預測方法

有效

• 申請號: 202110368797.0
• 申請日: 2021-04-06
• 公開（公告）號: CN113033105B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 徐偉;魏曉蓼;張朕;任達;黃健;沈春光;王晨充
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/04;G06F119/14
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

1.一種基于力學理論指導遷移學習的鋼鐵材料疲勞性能預測方法，其特征在于，包括以下步驟：

步驟1：建立鋼鐵材料成分、工藝及性能數據集；

步驟1.1：獲取鋼鐵材料中m種材料的成分、工藝及其對應的源性能，每一種材料的成分、工藝、源性能為一組原始數據；m組原始數據形成源數據集；所述成分為材料的元素及含量，所述工藝為材料的工藝參數；源數據集用于作為材料源性能預測的有效數據；對源數據集中的所有數據進行標準化處理，形成源性能初始數據集，標準化處理公式為：z＝(x-μ)/σ，其中z是標準化數據，x是原始數據，μ是原始數據中每一維變量的均值，σ是原始數據中每一維變量的標準差；

步驟1.2：獲取鋼鐵材料中n種材料的成分、工藝及其對應的目標性能，即疲勞性能，每一種材料的成分、工藝、目標性能為一組原始數據；n組原始數據形成目標數據集；所述成分為材料的元素及含量，所述工藝為材料的工藝參數；目標數據集用于作為材料目標性能預測的有效數據；對目標數據集中的所有數據進行標準化處理，形成目標性能初始數據集；

步驟2：對源性能初始數據集及目標性能初始數據集進行預處理；

步驟2.1：令劃分比例為6：2：2，將源數據集采用隨機法第i次劃分為源訓練集、源測試集及源驗證集；其中劃分次數i∈F，F為設置的劃分總次數；令劃分比例為3：1：10，將目標數據集采用隨機法第i次劃分為目標訓練集、目標測試集及目標驗證集；其中劃分次數i∈F，F為設置的劃分總次數；

步驟2.2：源數據集、目標數據集中輸入input即d維的成分和工藝重塑為K×K維矩陣，矩陣中不足K²位置補充為0；

步驟3：使用步驟2.2處理后的源數據集中源訓練集建立卷積神經網絡源模型；訓練好的卷積神經網絡源模型通過輸入成分、工藝獲得源性能；

步驟4：根據步驟2.2處理后的目標數據集建立卷積神經網絡遷移模型，并對卷積神經網絡遷移模型進行訓練；將訓練好的卷積神經網絡遷移模型通過輸入成分、工藝獲得目標性能。

2.根據權利要求1所述的一種基于力學理論指導遷移學習的鋼鐵材料疲勞性能預測方法，其特征在于，所述步驟3具體包括以下步驟：

步驟3.1：建立卷積神經網絡源模型，模型由卷積層、全連接層、輸出層組成，其中卷積層為數量為2，全連接層數量為1；所述卷積層均采用3×3卷積核，激活函數選擇ReLU，ReLU公式近似推導如下：

f(x)＝≈max(0,x)

其中x為輸入數值；

步驟3.2：將步驟2.2中源數據集的輸入數據即K×K維矩陣和輸出數據源性能分別輸入卷積神經網絡源模型中，采用Adam優化器對源模型進行訓練，并對Adam優化器進行參數優化；

所述Adam優化器的公式參數設定：為g_t的元素乘操作；α為學習率；β₁,β₂∈[0,1)為矩估計的指數衰減率；f(θ)為參數θ的隨機目標函數值；θ₀為初始的參數向量；m₀←0為初始第一矩向量；v₀←0為第二矩向量；t←0為時間步長；

所述Adam優化器的參數優化過程：

當θ_t未收斂時：{t←t+1，獲得新一輪的梯度值；

m_t←β₁·m_t-1+(1-β₁)·g_t更新第一矩向量；

更新第二矩向量；

計算偏差校正的第一矩向量；

計算偏差校正的第二矩向量；

更新參數；}

優化過程結束；優化過程中采用MeanSquareError，即MSE作為源模型性能的評價指標；設置源模型訓練的迭代次數為t'；

步驟3.3：對源模型訓練完畢后，使用該模型對源驗證集進行預測，預測精度使用平方相關系數R²和平均絕對誤差MAE指標評價，公式如下：

n代表源驗證集的樣本數據總量，x_i代表測試集內第i個樣本，f(x_i)為模型預測的源性能值，y_i所對應的源性能的真實值；

若驗證集中數據預測結果的R²均值大于95％，則模型精度達到應用要求；否則返回到步驟3.2，通過調節前述參數優化中優化器學習率、調節迭代次數重新對卷積神經網絡源模型進行訓練，直至滿足應用要求。

3.根據權利要求2所述的一種基于力學理論指導遷移學習的鋼鐵材料疲勞性能預測方法，其特征在于，所述步驟4具體包括以下步驟：

步驟4.1：建立遷移模型，模型由卷積層、全連接層、輸出層組成，其中卷積層為數量為2，全連接層數量為1；其中卷積層和全連接層應用步驟3中建立源模型的模型參數，在遷移模型訓練中，卷積層和全連接層保持凍結狀態；所述卷積層均采用3×3卷積核，激活函數選擇步驟3.1中ReLU函數；

步驟4.2：將步驟2中目標數據集的即K×K維矩陣和輸出數據目標性能分別輸入到卷積神經網絡遷移模型中，采用步驟3.2中Adam優化器對目標模型進行訓練，并進行參數優化；

步驟4.3：對遷移模型訓練完畢后，對目標驗證集進行預測，預測精度使用平方相關系數R²和平均絕對誤差MAE指標評價；若驗證集中數據預測結果的R²均值大于90％，MAE低于15MPa，則模型精度達到應用要求；否則返回到步驟4.2，通過調節前述參數優化中優化器學習率、調節迭代次數重新對卷積神經網絡遷移模型進行訓練，直至滿足應用要求；

步驟4.4：基于力學理論指導卷積神經網絡遷移模型的應用；

通過基于力學理論指導的遷移學習模型的訓練建立成分、工藝與目標性能的關系，在遷移學習模型的應用過程中，將目標鋼鐵材料的成分、工藝參數輸入到遷移模型中預測得到對應的目標性能。