[发明专利]基于物理冶金学指导下机器学习的超高强不锈钢设计方法

说明书

本发明提供一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，涉及钢铁材料设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得超高强不锈钢，对不锈钢的成分及热处理条件进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、硬度。该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。

技术领域

本发明涉及钢铁材料设计技术领域，尤其涉及一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法。

背景技术

超高强不锈钢因其具有高强度、良好的耐蚀性等优良特性被广泛应用于核电，军工等高端装备行业。传统的超高强钢的性能优化主要是基于系统实验，虽然很多具有优良性能的超高强不锈钢已经被成功开发，但是随着合金体系和加工工艺的复杂化，系统实验的传统研发方式暴露出研发周期长，资金耗费大等劣势，同时低研发效率也难以满足人们对高效研发的要求，难以满足当今社会对科技发展的要求。

为了提升材料的研发效率，避免传统试错法低效的研发效率，一些以物理冶金学为基础的性能预测和材料设计也被广泛应用到高性能材料的研发中。对于强度的预测，已经形成了一些经典的物理模型，比如，析出强化计算所需的Orowan模型和Friedel模型，固溶强化计算所需的Fleischer模型，位错强化计算所需的Kocks-Mecking模型以及细晶强化计算所需的Hall-Petch模型。基于以上模型，很多学者已经成功预测了超高强钢的强度。在Olson的研究中，上述强化模型被用来计算各部分的强度贡献，最后累加各部分强度贡献计算得到超高强钢的强度。虽然基于物理模型成功设计出一些先进材料，但是在进一步应用中一些缺点也不断暴露出来：(1)PM模型存在大量物理冶金参数，这些参数对于模型的精度至关重要。但是这些重要参数的获取往往需要复杂的显微组织表征，大幅增加建模所需实验量，降低了PM模型的研发效率。(2)一些复杂的相变机制仍然在学术界存在争议，这限制了模型的进一步优化。(3)随着人们对相变中物理机制的理解更为深入，物理模型被不断优化，这大幅增加了PM模型的复杂程度，限制了模型的普适性。

随着材料研发进入大数据时代，擅长处理大数据的机器学习算法越来越得到人们的重视。机器学习作为近几年兴起的一门热门学科，在材料设计的方面具有独特的优势，其可以以相对较高的预测精度，低成本及高效率设计出具有优良性能的先进材料。机器学习通过大量的实验数据学习得到输入与输出之间的关系，例如成分工艺与强度之间的关系，基于此回归模型可以对材料的性能进行预测。在此基础之上，将机器学习模型与启发式算法结合可以完成对未知参数组合对应性能的预测，即进行材料设计。近些年来，一些学者利用机器学习回归或分类工具成功预测了多种材料性能。比如：马氏体时效钢的强度﹑海洋钢在耐蚀性能及混凝土的强度。近年来，众多学者将机器学习算法与优化算法如遗传算法结合以设计所需钢种。印度CSIR国家冶金实验室ChowdhuryS使用此方法设计API等级微合金化管线钢。并对ANN模型各输入参数进行分析，以研究成分工艺等参数对管线钢性能的影响，而Pareto前沿则揭示了最佳目标性能下的成分、工艺参数范围，这些都有助于设计具有更佳综合性能的管线钢。但是，当前基于纯机器学习方法对材料的性能预测和设计只是一个纯数学过程，很少有物理冶金参量涉及到设计过程中，这大幅浪费了物理冶金学在材料设计中的独特优势。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，使基于统计学的机器学习富有了物理冶金学含义，并且相比于单纯机器学习算法，该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，包括如下步骤：

步骤1：数据采集；