[發明專利]物理冶金原理指導圖神經網絡的抗蠕變不銹鋼設計方法

在審

• 申請號: 202310519932.6
• 申請日: 2023-05-10
• 公開（公告）號: CN116469496A
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 王晨充;潘成博;張玉琪;徐偉;張朕;任冰濤;劉曉琪
• 申請（專利權）人: 東北大學
• 主分類號: G16C60/00
• 分類號: G16C60/00;G16C10/00;G06F30/27;G06N3/042;G06N3/0464;G06N3/048;G06N3/126;G06F18/2411
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

本發明提供物理冶金原理指導圖神經網絡的抗蠕變不銹鋼設計方法，涉及鋼鐵材料設計和機器學習應用的技術領域；首先收集蠕變數據，建立蠕變數據集，將數據隨機劃分為訓練集和測試集50次；根據訓練集建立基于物理冶金學原理指導的圖神經網絡模型GNN?PM；將相關系數大于90％的GNN?PM模型作為遺傳算法中的目標函數；得到優化后的化學成分、加工工藝及最佳抗蠕變性能的不銹鋼；最后采用SVC分類器對得到的設計結果進行分類篩選，輸出其典型合金的化學成分、加工工藝和蠕變壽命；本方法將物理冶金原理引入到機器學習中，同時結合優化算法形成完備的設計方案，使設計結果更加符合物理冶金學原理。

技術領域

本發明涉及鋼鐵材料設計和機器學習應用技術領域，尤其涉及物理冶金原理指導圖神經網絡的抗蠕變不銹鋼設計方法。

背景技術

抗蠕變不銹鋼是一種在高溫和高壓環境下具有優異抵抗蠕變變形、斷裂的鋼材。它通常含有高比例的鉻、鎳、鉬等元素，并且經過特殊的熱處理和冷加工工藝來提高其抗蠕變性能，被廣泛應用于航空航天、核工業、化工、能源等領域，開發具有優異抗蠕變性能的不銹鋼材具有重要意義。傳統的鋼鐵材料研發及性能優化主要基于傳統試錯法的正交試驗，通過對符合實際應用要求的鋼種進行大量實驗，確定符合要求的成分和熱處理工藝，很多具有優良性能的抗蠕變不銹鋼已經被成功開發。然而，隨著合金體系、加工工藝及服役環境越來越復雜，傳統正交實驗試錯法暴露出耗時長、成本高、效率低以及容易受到實驗設備條件和人為因素的影響等劣勢，難以滿足現代社會對科技發展的需求。

為了避免傳統正交試驗試錯低效的研發效率，一些力學模型被用于模擬和預測蠕變。為了估算蠕變壽命，基于連續損傷力學的蠕變損傷模型得到了蓬勃發展，采用蠕變本構方程和蠕變損傷演化方程來模擬三次蠕變行為。根據材料特性的不同，這些模型可分為各向同性蠕變損傷模型(Kachanov-Rabotnov損傷模型、Liumurakami損傷模型等)和各向異性蠕變損傷模型(Murakami損傷模型、Chaboche損傷模型等)。但這些模型的適用范圍特定，必須弄清材料的損傷機理，限制了這些模型在合金設計中的應用價值。此外，這些模型的參數通常很復雜，而且對合金成分很敏感。因此，如果沒有參數值的通用數據庫支持，這些模型不能直接用于合金設計。

隨著材料基因組計劃的提出，為了克服損傷機制復雜且不明確以及參數值對合金成分敏感的局限性，能夠直接建立材料特性/環境因素與蠕變特性之間數學關系的機器學習算法越來越得到人們的重視。機器學習新興的熱門學科，在材料設計的方面具有獨特的優勢，并且能夠以相對較高的預測精度，較低的成本以及較高的效率設計出先進的高性能材料。圖神經網絡的節點、邊和全圖包含大量信息，而合金的化學成分和加工工藝與蠕變性能之間存在復雜的非線性關系，圖神經網絡算法對于蠕變性能預測具有巨大應用價值。但當前基于純機器學習方法對材料的性能預測和設計只是一個純數學過程，雖然一定程度上提高了材料的研發效率和模型的通用性，但同時也降低了模型的可解釋性。物理冶金學模型的發展致力于通過理論計算手段建立起“成分/工藝-組織-性能”之間的定量關聯，但目前很少有人將物理冶金參量引入到材料設計過程中，這大大浪費了物理冶金學原理在材料設計中的獨特優勢。

發明內容

針對上述現有技術存在的不足，本發明提供了物理冶金原理指導圖神經網絡的抗蠕變不銹鋼設計方法，通過將物理冶金學原理引入到基于統計學的機器學習算法中，有效提升機器學習模型的泛化能力，同時結合優化算法，使合金設計過程更加高效，設計結果更加符合物理冶金學原理；

為解決上述技術問題，本發明所采取的技術方案是：

物理冶金原理指導圖神經網絡的抗蠕變不銹鋼設計方法，具體包括如下步驟：

步驟1：建立蠕變數據集，并對其進行預處理，得到標準蠕變數據集；

步驟1.1：收集抗蠕變不銹鋼文獻資料，獲取g種抗蠕變不銹鋼的的化學成分、加工工藝及其對應的蠕變壽命，每一種抗蠕變不銹鋼的化學成分、加工工藝、蠕變壽命為一組原始數據，g組原始數據構成原始數據集；