[發明專利]通過輸入多個力學性能生成鈦合金微觀組織圖像的方法

在審

• 申請號: 202111116174.0
• 申請日: 2021-09-23
• 公開（公告）號: CN113870373A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 金福生;張芷璇;范群波;貢海超
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/04;G06F30/20
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.通過輸入多個力學性能生成鈦合金微觀組織圖像的方法，其特征在于，包括：

采集大量不同組織類型的鈦合金微觀組織圖像；

設定不同組織類型鈦合金微觀組織圖像對應的力學性能范圍；在所述力學性能范圍內，對所述不同組織類型的鈦合金微觀組織圖像生成對應隨機力學性能數據，得到不同組織類型的鈦合金微觀組織圖像且分別包含所述隨機力學性能數據的圖像集；

對所述圖像集進行數據擴增；

將數據擴增后的所述圖像集作為訓練集數據，輸入到預設的生成對抗網絡按組織類別進行分別訓練，得到優化后的生成對抗網絡模型；

將多個力學性能數據輸入到所述優化后的生成對抗網絡模型，生成鈦合金微觀組織圖像。

2.根據權利要求1所述的通過輸入多個力學性能生成鈦合金微觀組織圖像的方法，其特征在于：

所述力學性能數據包括：準靜態屈服強度數據、洛氏硬度數據、動態壓縮強度數據、抗拉強度數據、動態屈服強度數據、斷后伸長率數據和臨界斷裂應變數據。

3.根據權利要求2所述的通過輸入多個力學性能生成鈦合金微觀組織圖像的方法，其特征在于，在所述力學性能范圍內對所述不同組織類型鈦合金微觀組織圖像生成對應隨機力學性能數據得到不同組織類型的鈦合金微觀組織圖像且分別包含所述隨機力學性能數據的圖像集具體包括：

在所述力學性能范圍內，對所述不同組織類型鈦合金微觀組織圖像生成對應的隨機抗拉強度數據；

計算所述隨機抗拉強度數據在對應所述力學性能范圍內的占比rate；

根據所述隨機抗拉強度數據的占比rate和1-rate，分別與所述力學性能數據中對應占比的力學性能正相關數據和負相關數據進行匹配，得到所述不同類型的鈦合金微觀組織圖像且分別包含所述隨機力學性能數據的圖像集；

所述正相關數據組成通過計算所述準靜態屈服強度數據、所述洛氏硬度數據和所述動態壓縮強度數據與所述抗拉強度數據呈正相關對應的數據組成；所述負相關數據通過計算所述動態屈服強度數據、所述斷后伸長率數據和所述臨界斷裂應變數據與所述抗拉強度數據呈負相關對應的數據組成。

4.根據權利要求3所述的通過輸入多個力學性能生成鈦合金微觀組織圖像的方法，其特征在于：

預設的所述生成對抗網絡模型包括：第一生成對抗網絡和第二生成對抗網絡；

所述第一生成對抗網絡通過輸入多個力學性能，直接投入生成器，生成簡單鈦合金微觀組織圖像；

所述第二生成對抗網絡通過輸入多個力學性能，映射成隨機噪聲，生成復雜鈦合金微觀組織圖像。

5.根據權利要求4所述的通過輸入多個力學性能生成鈦合金微觀組織圖像的方法，其特征在于，所述第一生成對抗網絡的搭建過程具體包括：

對多個力學性能數據使用concat方式拼接；將拼接后的所述多個力學性能數據經過全連接層，映射到128維度的特征空間，得到對應的特征向量；

將所述特征向量輸入到第一生成對抗網絡中改進的多標簽生成器和多標簽判別器進行多標簽擴展，生成所述簡單鈦合金微觀組織圖像；

分別重構所述多標簽生成器和多標簽判別器的損失函數；

重構的所述多標簽生成器的損失函數表達式為：

式中，表示所述特征向量；ε表示擾動；z_i表示第i個圖像所對應的噪聲；N(0,σ²)表示均值為0，標準差為σ的正態分布；

重構的所述多標簽判別器的損失函數表達式為：

其中，C₃和C₄是兩個常數；N^r和N^g分別表示真實圖像和假圖像的個數；和分別表示標簽為c的真假圖像數量；和分別表示標簽為c的第j幅真實圖像和第j幅假圖像；ε^r表示對真實圖像增加的擾動；ε^g表示對假圖像增加的擾動；

表示對每一類真實標簽加上擾動之后再映射到特征空間的結果；表示對每一類虛假標簽加上擾動之后再映射到特征空間的結果；k表示標簽的標號；表示第i個真實圖像的第k個標簽；表示第j個生成假圖像的第k個標簽；w^r表示真實圖像的權重、w^g表示生成假圖像的權重。

6.根據權利要求4所述的通過輸入多個力學性能生成鈦合金微觀組織圖像的方法，其特征在于，所述第二生成對抗網絡的搭建過程具體包括：

對輸入的多個力學性能數據使用concat方式拼接；將拼接后的所述多個力學性能數據經過多尺度全連接層，映射到32維度的特征空間，得到對應的特征向量；將所述特征向量輸入到MDN網絡，輸出混合高斯模型的參數；

使用所述混合高斯模型的參數建立對應的混合高斯模型；對所述高斯混合模型進行采樣，得到對應的噪聲；

將所述噪聲輸入到DCGAN網絡中新增層數的生成器，生成所述復雜鈦合金微觀組織圖像。