[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

本發明提供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，涉及鋼鐵材料的設計和機器學習應用技術領域。本發明將力學理論機制引入到機器學習中，解決了材料高成本屬性預測的小樣本問題。通過基于力學理論指導建立鋼種成分、工藝與目標性能之間的關系。本方法針對獲取成本高的目標性能，利用目標性能與源性能間的高相關性，即基于力學理論指導，僅利用數十組目標性能數據便可建立起準確預測目標性能的遷移學習模型。該方法顯著降低了機器學習對于高成本目標性能的數據量要求，顯著提高了高成本目標性能評估、預測效率，并最終有利于提高新材料研發速率。

技術領域

本發明涉及鋼鐵材料的設計和機器學習應用技術領域，尤其涉及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。

背景技術

疲勞失效是工程材料的主要失效形式之一，其約占金屬結構部件機械失效的90％。因此，評估和預測金屬材料的疲勞性能至關重要。金屬材料的疲勞可分為高周疲勞(HCF)和低周疲勞(LCF)。對于HCF，應力-壽命方法在疲勞分析中得到了廣泛應用，其最早由Wohler提出，并提出疲勞極限。許多高強度鋼通常不表現出疲勞極限，此條件下耐久極限稱為疲勞強度，通常將其定義為在給定的循環(107～109)后無失效的最大應力振幅。疲勞強度是最重要的性能之一。然而，為了獲得疲勞強度，諸如階梯法的疲勞測試非常昂貴且耗時。隨著材料基因組和大數據技術概念的發展，機器學習已廣泛應用于材料屬性預測和新材料發現。與傳統實驗方法相比，依靠材料大數據的統計學習，組成/過程屬性與材料性能間的關系相對容易建立。從傳統機器學習方法例如人工神經網絡和支持向量回歸到新穎機器學習方法例如極限梯度增強和深度學習算法(如卷積神經網絡)，它們對各種材料屬性均實現了良好的預測。對于金屬材料疲勞性能的預測，目前已有部分研究并取得一些應用成果，例如疲勞壽命預測、疲勞裂紋驅動力預測、疲勞強度預測等。然而先前研究是基于相對較大的數據集，其中包含數十年來積累的數百個樣本。而對于新材料的疲勞強度而言，為機器學習積累足夠的數據既昂貴又費時。即使我們目前在某些材料科學領域處于大數據時代，但就鋼鐵領域而言，仍然相距甚遠，因為開放、可訪問和標準的統一數據相當有限，尤其是對于新材料。因此，通常只能獲得數十個疲勞數據，這不足以建立良好的機器學習模型。

長期以來，人們發現疲勞強度與其他機械性能有關，例如硬度、拉伸性能和沖擊韌性。與疲勞強度相比，拉伸測試顯然易于進行，因此可以獲得大量數據。依靠足夠的數據，通過機器學習方法實現以上性能預測是可行的。同時，考慮到疲勞強度與拉伸性能之間的良好相關性，它們可以用作材料疲勞強度預測的中間階段。因此，當疲勞數據不足時，借助拉伸性能預測疲勞強度是一種有效的策略。它可以被稱為基于力學理論指導的遷移學習。

發明內容

針對現有技術存在的不足，本發明提出了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，本方法將力學理論機制引入到機器學習中，解決了材料高成本屬性預測的小樣本問題。

本發明所采取的技術方案是：

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，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；