[發明專利]一種基于EBSD與深度學習方法的鋼鐵材料性能預測方法

有效

• 申請號: 202110368798.5
• 申請日: 2021-04-06
• 公開（公告）號: CN113033106B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 徐偉;任達;魏曉蓼;沈春光;黃健;張朕;王晨充
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02;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EBSD與深度學習方法的鋼鐵材料性能預測方法，其特征在于，包括以下步驟：

步驟1：建立目標鋼鐵材料的原始數據集；通過EBSD實驗建立目標鋼鐵材料的原始數據集，原始數據集包含X個性能的鋼種材料圖像數據，且所包含的BC圖不低于N組；

步驟1.1：進行EBSD實驗采集目標鋼鐵材料圖像數據；

在目標鋼鐵材料的一個隨機區域進行EBSD實驗，實驗組數不低于N組，應用EBSD數據處理軟件獲得每組實驗數據的BC圖，共獲得P張BC圖片，其中P＝X×N；

步驟1.2：進行目標性能測試實驗獲得與BC圖相對應的性能數據；

步驟2：對圖像數據進行預處理，并劃分數據集；

步驟2.1：應用圖像處理軟件對BC圖進行切分，形成M個A*A像素的子圖，處理后共獲得E張BC圖子圖，其中，E＝M×P，得到原始數據集；所述切分保證每張BC子圖中的馬氏體分布均勻；

步驟2.2：采用數據增強方法將原始數據集中全部BC圖子圖分別順時針翻轉90°，180°和270°，再進行鏡像操作，隨后將翻轉及鏡像后的圖像添加至原始數據集，使原始數據集樣本數量增加7倍；

步驟2.3：使用6：2：2的劃分策略將步驟2.2得到的數據集隨機劃分為訓練集、驗證集和測試集；

步驟3：根據步驟2.3的訓練集建立CNN深度學習模型；

步驟4：對深度學習模型進行應用，實現鋼鐵材料性能預測；

通過深度學習CNN模型的訓練建立鋼鐵材料組織BC圖與材料性能間的對應關系，在深度學習模型應用過程中，對于一張EBSD的BC圖，首先按照步驟2中的方法將其切分為A×A像素的子圖，然后分別輸入深度學習模型，得到M個性能輸出數值，一個子圖對應一個性能輸出數值，最后，取M個性能輸出數值的中位數作為最終的性能預測結果。

2.根據權利要求1所述的一種基于EBSD與深度學習方法的鋼鐵材料性能預測方法，其特征在于，所述步驟3具體包括以下步驟：

步驟3.1：建立CNN深度學習模型，模型由卷積層、池化層和全連接層三部分構成；模型訓練時，訓練集圖片經過32個卷積核的2次卷積后，采用一次最大池化操作，再經過64個卷積核的2次卷積后，采用一次最大池化操作，隨后經過128個卷積核的3次卷積后，采用一次最大池化操作；最后跟隨2個全連接層，模型最終設置1個神經元以輸出預測結果；

所述卷積層采用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；為提升模型的收斂速率及精度，采用批量歸一化BN，即BatchNormalization處理數據，偽代碼如下：

y_i←γm_i+β≡BN_γ,β(x_i)

其中，x_i為第i個數據，m為數據量，μ_B為批量數據均值；為批量數據的方差；m_i為批量數據歸一化結果；ξ為常數；BN表示歸一化轉換網絡，γ和β為該網絡中的訓練參數；y_i為歸一化數據引入縮放和平移操作后的數據，即最終輸出結果；

步驟3.2：采用Adaptive?momentum，即Adam優化器對深度學習模型進行訓練，并進行參數優化；

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優化器的優化過程如下：

當θ_t未收斂時：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；}

所述參數優化過程中采用Mean?Absolute?Error，即MAE作為模型性能的評價指標；設置深度學習模型訓練的迭代次數為F；

步驟3.3：對深度學習模型訓練完畢后，應用測試集中圖像數據測試模型的對新數據的預測能力，預測精度使用平方相關系數Square?correlation?coefficient，即R²和MAE作為評價指標，所述R²指標評價表征模型預測結果與實際結果之間線性相關程度，R²及MAE公式如下：

其中n代表測試集的樣本數據總量，x_r代表測試集內第r個圖片樣本，f(x_i)為f(x_i)的CNN模型預測的目標性能值，y_r為x_r所對應的目標性能的真實值；

若測試集中數據預測結果R²值大于90％，則模型精度達到應用要求；否則返回到步驟3.2，通過調節優化器學習率、更換訓練過程評價函數、調節迭代次數重新對深度學習模型進行訓練，直至滿足應用要求。