[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

本發明涉及一種基于深度學習的鎳基合金斷裂韌性預測方法及系統，通過將基于注意力機制的深度置信網絡和支持向量回歸網絡組合在一起進行斷裂韌性值的預測，將深度學習模型強大的特征提取能力以及支持向量回歸的回歸預測能力進行了有機結合，相比于傳統的機器學習方法需要依賴人工經驗進行特征的選擇，本發明能夠提取到與鎳基高溫合金斷裂韌性更密切相關的特征，提高了模型預測的準確性。同時將基于注意力機制的深度置信網絡得到的特征向量與原始特征進行拼接輸入到支持向量回歸模型中，使得本發明的斷裂韌性預測方法同時考慮到了與斷裂韌性相關的高階組合特征與低階線性特征，具有更高的精確度。

技術領域

本發明涉及韌性預測技術領域，特別是涉及一種基于深度學習的鎳基合金斷裂韌性預測方法及系統。

背景技術

隨著航空航天工業的不斷發展，對航空發動機的性能及可靠性的需求不斷提升，對材料的綜合性能、承溫能力等的要求也越來越高。由于鎳基高溫合金在高溫條件下仍具有較高的強度、優異的抗氧化和抗腐蝕能力，使其成為現代航空發動機、航天器和火箭發動機等關鍵熱端部件的首選材料。

斷裂韌性是材料抵抗脆性破壞的韌性參數，是判斷材料裂紋是否達到不穩定水平的臨界值，對損傷容限設計和結構完整性評估起著至關重要的作用。對于工作在高溫下的部件，其溫度分布往往梯度較大，在室溫下測量的斷裂韌性遠遠不能滿足實際工程的設計要求。因此，在鎳基高溫合金的設計中，迫切需要一種能夠精確預測鎳基合金斷裂韌性的方法。

發明內容

本發明的目的是提供一種基于深度學習的鎳基合金斷裂韌性預測方法及系統，能夠根據已有實驗數據對不同溫度和不同組分的鎳基高溫合金的斷裂韌性進行精確預測。

為實現上述目的，本發明提供了如下方案：

一種基于深度學習的鎳基合金斷裂韌性預測方法，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。

本發明還提供了一種基于深度學習的鎳基合金斷裂韌性預測系統，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；

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。

根據本發明提供的具體實施例，本發明公開了以下技術效果：

本發明提供了一種基于深度學習的鎳基合金斷裂韌性預測方法及系統，將基于注意力機制的深度置信網絡和支持向量回歸模型組合在一起進行斷裂韌性值的預測，將深度學習模型強大的特征提取能力以及支持向量回歸的回歸預測能力進行了有機結合，相比于傳統的機器學習方法需要依賴人工經驗進行特征的選擇，本發明能夠提取到與鎳基合金斷裂韌性更密切相關的特征，提高了模型預測的準確性。同時將基于注意力機制的深度置信網絡得到的特征向量與原始特征進行拼接，并輸入到支持向量回歸模型中，使得本發明的預測方法同時考慮到了與鎳基合金斷裂韌性相關的高階組合特征與低階線性特征，具有更高的精確度。

附圖說明