[發明專利]基于深度學習的鎳基合金斷裂韌性預測方法及系統

有效

• 申請號: 202110601155.0
• 申請日: 2021-05-31
• 公開（公告）號: CN113343566B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 徐雅斌;崔露露
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/045;G06F113/26;G06F119/08;G06F119/14
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

1.一種基于深度學習的鎳基合金斷裂韌性預測方法，其特征在于，所述方法包括：

對鎳基合金斷裂韌性實驗數據進行預處理，得到實驗數據集；

利用基于注意力機制的深度置信網絡對所述實驗數據集進行特征的學習及優化，得到優化特征向量；

將所述優化特征向量與所述實驗數據集的原始特征向量進行拼接得到預測特征向量；

根據所述預測特征向量，通過訓練好的支持向量回歸模型對鎳基合金斷裂韌性進行預測；

所述利用基于注意力機制的深度置信網絡對所述實驗數據集進行特征的學習及優化，得到優化特征向量包括：

將所述實驗數據集輸入深度置信網絡中，得到第一特征向量；

將所述第一特征向量輸入注意力機制模塊，得到第二特征向量；

將所述第二特征向量作為優化特征向量；

所述第二特征向量為其中，α_i為注意力分布，表示在給定查詢向量q時，輸入信息向量X中第i個信息與查詢向量q的相關程度；S(X_i,q)＝V^Ttanh(W_Xi+Uq)，其中，S(X_i,q)是注意力打分函數，W，U和V為權重矩陣；

所述得到第二特征向量后，還包括：

將所述第二特征向量輸入到BP神經網絡中，得到錯誤信息；

利用反向傳播網絡將所述錯誤信息傳播至每一層的受限玻爾茲曼機網絡中，完成對所述基于注意力機制的深度置信網絡的微調，得到微調后的基于注意力機制的深度置信網絡；

利用所述微調后的基于注意力機制的深度置信網絡得到優化特征向量；

所述訓練好的支持向量回歸模型包括：

其中，C為懲罰因子，l_ε是ε-不敏感損失函數，ε為偏差閾值，W為權重矩陣，f(x_i)為模型輸出，y_i為真實輸出，i為訓練樣本的計數變量，m為訓練樣本總數。

2.根據權利要求1所述的一種基于深度學習的鎳基合金斷裂韌性預測方法，其特征在于，所述對鎳基合金斷裂韌性實驗數據進行預處理，得到實驗數據集包括：

將所述鎳基合金斷裂韌性實驗數據整合成二維矩陣；

將所述二維矩陣中成分含量和淬火溫度作為輸入，對應的斷裂韌性值作為輸出構建實驗訓練集與實驗測試集，所述實驗訓練集與所述實驗測試集構成實驗數據集。

3.根據權利要求1所述的一種基于深度學習的鎳基合金斷裂韌性預測方法，其特征在于，所述訓練好的支持向量回歸模型的核函數為徑向基核函數。

4.根據權利要求1所述的一種基于深度學習的鎳基合金斷裂韌性預測方法，其特征在于，支持向量回歸模型的訓練方法包括：

通過K折交叉驗證的方式使用網格搜索算法對支持向量回歸模型的懲罰因子與徑向基函數寬度的最佳組合進行優化選取，得到訓練好的支持向量回歸模型。

5.根據權利要求4所述的一種基于深度學習的鎳基合金斷裂韌性預測方法，其特征在于，使用網格搜索算法對支持向量回歸模型的懲罰因子與徑向基函數寬度的最佳組合進行優化選取包括：

列出支持向量回歸模型的懲罰因子與徑向基函數寬度的所有組合，所述所有組合組成網格；

依次對所述網格中的組合進行支持向量回歸建模；

利用k折交叉驗證法選擇建模精度最高的組合作為支持向量回歸模型的懲罰因子與徑向基函數寬度的最佳組合。

6.一種基于深度學習的鎳基合金斷裂韌性預測系統，其特征在于，所述系統包括：

輸入模塊，用于對鎳基合金斷裂韌性實驗數據進行預處理，得到實驗數據集；

基于注意力的深度學習模塊，用于利用基于注意力機制的深度置信網絡對所述實驗數據集進行特征的學習及優化，得到優化特征向量；

所述利用基于注意力機制的深度置信網絡對所述實驗數據集進行特征的學習及優化，得到優化特征向量包括：

將所述實驗數據集輸入深度置信網絡中，得到第一特征向量；

將所述第一特征向量輸入注意力機制模塊，得到第二特征向量；

將所述第二特征向量作為優化特征向量；

所述第二特征向量為其中，α_i為注意力分布，表示在給定查詢向量q時，輸入信息向量X中第i個信息與查詢向量q的相關程度；S(X_i,q)＝V^Ttanh(W_Xi+Uq)，其中，S(X_i,q)是注意力打分函數，W，U和V為權重矩陣；

所述得到第二特征向量后，還包括：

將所述第二特征向量輸入到BP神經網絡中，得到錯誤信息；

利用反向傳播網絡將所述錯誤信息傳播至每一層的受限玻爾茲曼機網絡中，完成對所述基于注意力機制的深度置信網絡的微調，得到微調后的基于注意力機制的深度置信網絡；

利用所述微調后的基于注意力機制的深度置信網絡得到優化特征向量；

特征拼接模塊，用于將所述優化特征向量與所述實驗數據集的原始特征向量進行拼接得到預測特征向量；

輸出模塊，用于根據所述預測特征向量通過訓練好的支持向量回歸模型對鎳基合金斷裂韌性進行預測；

所述訓練好的支持向量回歸模型包括：

其中，C為懲罰因子，l_ε是ε-不敏感損失函數，ε為偏差閾值，W為權重矩陣，f(x_i)為模型輸出，y_i為真實輸出，i為訓練樣本的計數變量，m為訓練樣本總數。