申请/专利权人：华东理工大学

申请日：2021-01-22

公开（公告）日：2024-04-02

公开（公告）号：CN112951344B

主分类号：G16C20/70

分类号：G16C20/70;G16C60/00;G16C10/00;G06F18/2111;G06N3/006;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.07.02#实质审查的生效;2021.06.11#公开

摘要：本发明提供基于机器学习的材料均匀延伸率预测方法，包括：初步获取若干组待测材料的微观结构参数及均匀延伸率，得到标准数据集；根据标准数据集对第一极限学习机模型进行训练和测试，得到初始均匀延伸率预测模型；有针对性地再获取若干组待测材料的微观结构参数及均匀延伸率，得到真实数据集和第二均匀延伸率预测模型；利用结合粒子群优化算法的虚拟样本生成方法，围绕一部分真实样本生成虚拟样本；使用第二均匀延伸率预测模型对全部样本进行训练和测试，得到最终均匀延伸率预测模型。本发明的均匀延伸率预测方法，能够以较少的数据量，较为准确地预测均匀延伸率；本发明可以节省原始材料成本和计算时间成本，具有高精度、低成本的优点。

主权项：1.一种基于机器学习的材料均匀延伸率预测方法，其特征在于，包括：步骤S1：初步获取p组待测材料的微观结构参数及其对应的均匀延伸率，进行数据预处理，得到标准数据集；步骤S2：根据所述标准数据集对第一极限学习机模型进行训练和测试，得到初始的均匀延伸率预测模型；步骤S3：根据初始的均匀延伸率预测模型的预测结果，有针对性地再获取r组待测材料的微观结构参数及其对应的均匀延伸率，得到含有多个真实样本的真实数据集，并根据所述真实数据集得到第二均匀延伸率预测模型；步骤S4：在真实数据集的基础上，利用结合粒子群优化算法的虚拟样本生成方法，围绕一部分真实样本生成u个虚拟样本；步骤S5：使用第二均匀延伸率预测模型对真实样本和虚拟样本共同进行训练和测试，得到最终的均匀延伸率预测模型；步骤S6：利用待测材料的微观结构参数和最终的均匀延伸率预测模型预测待测材料的均匀延伸率；所述步骤S1包括：步骤S11：利用晶体塑性方法获取p组待测材料的微观结构参数及其对应的均匀延伸率，每一组双峰结构金属的微观结构参数和均匀延伸率作为一组原始数据，p组原始数据形成原数据集；对原数据集中的所有数据进行归一化处理，形成初始数据集；步骤S12：利用微观结构参数计算中间计算参数，并对中间计算参数进行归一化处理，将归一化后的中间计算参数分别作为一个维度的数据添加到初始数据集中，形成标准数据集；步骤S13：将标准数据集随机分为70％的第一训练集和30％的第一测试集；所述步骤S3包括：步骤S31：进行待测材料的微观结构参数的多个维度的全因子分析，水平数设置为s，进而获得s3组待测材料的微观结构参数，并计算s3组待测材料的微观结构参数所对应的中间计算参数，形成新的微观结构数据集；水平数s设置在2-10之间；步骤S32：对新的微观结构数据集中的所有数据进行归一化处理，形成新的初始微观结构数据集；步骤S33：将新的标准微观结构数据集的微观结构参数和中间计算参数作为输入，利用初始的均匀延伸率预测模型对其进行均匀延伸率预测，每一组微观结构参数均重复预测多次来得到对应的多个均匀延伸率的预测值；步骤S34：分别计算新的标准微观结构数据集中的每一组微观结构参数和中间计算参数对应的多个均匀延伸率的预测值的方差值；选取r组最大的方差值所对应的微观结构参数，分别获取其中间计算参数和利用晶体塑性方法获取其均匀延伸率，并将微观结构参数、中间计算参数和均匀延伸率均进行归一化处理，形成补充数据集；步骤S35：结合所述步骤S1的标准数据集和所述步骤S34的补充数据集，形成真实数据集；步骤S36：将真实数据集随机分为70％的第二训练集和30％的第二测试集，通过试参法设置不同的隐藏层的神经元个数，使用第二训练集的数据对一第二极限学习机模型进行训练，使用第二测试集的数据对所述第二极限学习机模型进行测试；确定使平均绝对百分比误差最小的第二极限学习机模型的隐藏层的神经元个数b；设定第二均匀延伸率预测模型的隐藏层的神经元个数为b，并将此时第二极限学习机模型的权重矩阵和偏置向量保存为第二均匀延伸率预测模型的权重矩阵和偏置向量；在所述步骤S4中，围绕第二训练集中的每一个真实样本生成u个虚拟样本；所述步骤S4包括：步骤S41：将真实数据集中的微观结构参数和中间计算参数均作为虚拟样本的输入参数，并确定虚拟样本的所有输入参数的上界和下界；步骤S42：随机选定真实数据集中的一个真实样本，初始化粒子群优化算法的最大迭代次数和种群规模；初始化待生成的虚拟样本的所有输入参数并将该输入参数作为粒子的空间位置，根据步骤S41确定的下界和上界对粒子的空间位置的取值范围进行约束，此时粒子的迭代次数为1；步骤S43：利用步骤S3的第二均匀延伸率预测模型根据所述粒子的空间位置进行预测，得到待生成的虚拟样本的输出参数的预测值，并得到粒子的适应度；步骤S44：增加粒子的迭代次数，使用粒子群优化算法对粒子的位置和速度进行更新；步骤S45：再次确定粒子的适应度，更新每个粒子的个体极值和所有粒子的全局极值；步骤S46：重复所述步骤S44和步骤S45，直到迭代次数满足预设的最大迭代次数Tmax；步骤S47：将此时所有粒子的全局极值作为生成的虚拟样本的输入参数；通过第二均匀延伸率预测模型对输入参数进行预测，得到对应的输出参数；将输入参数和输出参数结合，以得到一个完整的虚拟样本；步骤S48：重复步骤S42—步骤S47，直到围绕第二训练集中的每一个真实样本生成u个虚拟样本；所述步骤S41包括：步骤S41：描述真实数据集中所有输入参数的每一维变量的中间位置；所有输入参数的每一维变量的中间位置为： 其中，真实数据集中的第k组真实样本中的所有输入参数的第i维变量，CLi为真实数据集中所有输入参数的第i维变量的中间位置；t为真实数据集中真实样本的总组数；步骤S42：确定虚拟样本所有输入参数的第i维变量的上界和下界；虚拟样本所有输入参数的第i维变量的上界和下界为： 其中，LBi是虚拟样本所有输入参数的第i维变量的下界，UBi是拟样本所有输入参数的第i维变量的上界，SkewLi和SkewUi是人为设置的第i维变量的左右扩展偏度，mini是真实数据集中所有输入参数的第i维变量的最小值，maxi是真实数据集中所有输入参数的第i维变量的最大值，NLi是真实数据集中所有输入参数的第i维变量中数值小于CLi的样本数量，NUi是真实数据集中所有输入参数的第i维变量中数值大于CLi的样本数量；SPi是人为设置的偏度修正因子；且在所述步骤S43和步骤S45中，粒子的适应度为： 其中，xi是粒子的空间位置；fxi是空间位置为xi的粒子的适应度值；是待生成的虚拟样本的输出参数的预测值；yj是步骤S42中选定的真实样本中的均匀延伸率。

全文数据：

权利要求：

百度查询： 华东理工大学 一种基于机器学习的材料均匀延伸率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD