[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

本發明提供一種基于EBSD與深度學習方法的鋼鐵材料性能預測方法，涉及鋼鐵材料性能預測和深度學習應用技術領域。本發明以EBSD的BC圖為基礎，利用深度學習方法卷積神經網絡Convolutional?Neural?Network(CNN)建立鋼鐵材料組織(BC圖)與性能間的對應關系，實現鋼鐵材料的性能預測。以EBSD的BC圖為基礎，利用深度學習方法卷積神經網絡Convolutional?Neural?Network(CNN)建立鋼鐵材料組織(BC圖)與性能間的對應關系，實現鋼鐵材料的性能預測。

技術領域

本發明涉及鋼鐵材料性能預測和深度學習應用技術領域，尤其涉及一種基于EBSD與深度學習方法的鋼鐵材料性能預測方法。

背景技術

顯微組織-力學性能關系的建立一直以來是鋼鐵材料領域關注的焦點問題。傳統鋼鐵材料顯微組織-力學性能關系的建立多采用基于物理冶金模型的性能預測方法。例如采用疊加各強化機制的經驗公式來預測鋼的屈服強度，其一般要通過人工抽象或測量的方式去提取顯微組織中的晶粒尺寸等顯微組織信息。因此，傳統物理模型的精度受顯微組織信息精確度的影響。然而在實際操作中，由于受到經驗水平等因素限制導致不同操作者之間的顯微組織信息提取結果相差很大，這影響了模型的客觀準確性；另外，人工提取也只能局限于具有顯微組織構成簡單的材料。而對于大多數工程實際鋼種，例如淬火配分(QP)鋼，均具有復雜的顯微組織，這種基于人工提取信息的方法顯然無法應用到這類鋼種的性能預測之中。同時，傳統預測模型僅能考慮部分微觀組織信息，而部分重要組織信息難以統計量化。

隨著材料研究逐漸與大數據時代接軌，機器學習算法得到廣泛關注。深度學習是機器學習的一個分支領域，在圖像分類、語音識別、機器翻譯等感知問題上取得了大量成果。它可以通過一系列數據變換(層)來實現輸入到目標的映射，即可以實現直接以顯微組織圖片為輸入，性能為輸出，跳過抽象組織信息的步驟，建立顯微組織與性能的對應關系，在性能預測方面體現出良好的發展前景。Xiaolong?Zheng等人建立了以頁巖樣品圖像為輸入，模量為輸出的深度學習模型。Ruho?Kondo等人建立了陶瓷材料的性能預測模型，Jinlong?Wu等人也通過深度學習建立了多孔介質的滲透率預測模型。然而，鋼鐵材料涉及長流程及復雜的生產制造工藝，組織、性能關系更為復雜，在鋼鐵材料體系下尚鮮有相關工作。盡管基于傳統的物理冶金模型的方法可以實現性能預測，但是這些研究均是建立在人工提取的組織信息的基礎上。人為提取的組織信息精確度有限且并不能全面客觀的描述顯微組織特征，而深度學習則可以從原始組織圖片中精準地提取到更加豐富的信息，因此模型具有更高的預測精度。同時，電子背散射衍射(Electron?Backscattered?Diffraction，簡稱EBSD)已在材料微觀組織結構及微織構表征中廣泛應用，EBSD的Band?Contrast?map(BC圖)具有相襯度對比明顯等優勢而被使用在該方法中。

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EBSD與深度學習方法的鋼鐵材料性能預測方法，以EBSD的BC圖為基礎，利用深度學習方法卷積神經網絡ConvolutionalNeural?Network(CNN)建立鋼鐵材料組織(BC圖)與性能間的對應關系，實現鋼鐵材料的性能預測。

本發明所采取的技術方案是：

一種基于EBSD與深度學習方法的鋼鐵材料性能預測方法，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；