[发明专利]混合材料参数压缩的板料挤压成形力快速预测方法

说明书

一种混合材料参数压缩的板料挤压成形力快速预测方法，通过无监督学习算法形成自编码器，充分利用现有的大应变下不同材料本构模型，压缩材料流动应力曲线，构建材料参数压缩模型，获取压缩后材料性能特征；再通过监督学习建立起材料性能特征、工艺参数与板料挤压成形力之间复杂的非线性关系，从而实现板料板料挤压成形力的快速精准预测，本发明基于神经网络无监督学习和监督学习的方法，克服神经网络在特征较多、数据量较小的场景中，容易出现陷入局部最小值、过拟合等问题，提高了模型的预测精度，可以为板料挤压的工艺和模具设计提供有力支撑。

技术领域

本发明涉及的是一种材料成形领域的技术，具体是一种混合材料参数压缩的板料挤压成形力快速预测方法。

背景技术

现有的板料挤压成形力的预测方法主要有力学解析法和数值仿真法。在板料挤压成形过程中，成形力的大小不仅受到材料本身力学性能的影响，还受到许多工艺参数的影响，力学解析法在工程上应用较广，但主要借鉴棒料挤压的模型，误差较大。数值仿真法能有效提升成形力的预测精度，但有限元建模过程繁琐、需要专门软件，无法快速获取结果，工程上难以推广。近年来随着神经网络技术的快速发展，可用于预测模型的建立，但是对于板料挤压成形力的预测来说，输入参数众多，特别材料性能参数的输入，无法获得训练所需的大量样本，而样本少的时候，又容易出现陷入局部最小值、过拟合等问题。

发明内容

本发明针对现有技术存在的上述不足，提出一种混合材料参数压缩的板料挤压成形力快速预测方法，基于神经网络无监督学习和监督学习的方法，克服神经网络在特征较多、数据量较小的场景中，容易出现陷入局部最小值、过拟合等问题，提高了模型的预测精度，可以为板料挤压的工艺和模具设计提供有力支撑。

本发明是通过以下技术方案实现的：

本发明涉及一种混合材料参数压缩的板料挤压成形力快速预测方法，通过无监督学习算法形成自编码器，充分利用现有的大应变下不同材料本构模型，压缩材料流动应力曲线，构建材料参数压缩模型，获取压缩后材料性能特征；再通过监督学习建立起材料性能特征、工艺参数与板料挤压成形力之间复杂的非线性关系，从而实现板料板料挤压成形力的快速精准预测，具体包括以下步骤：

步骤一、为了使所获得的预测模型尽可能地适用于不同类型材料，采用常用的适用范围不同的材料本构模型构建不同类型材料的材料应力应变关系数据，具体为：对于不同的材料本构模型确定对应的待定系数空间，在系数空间内通过不同系数的配置批量获取不同模型的应力应变关系曲线，然后将应力应变关系曲线按照应变0.01的间隔离散成若干个点应力点作为无监督学习的输入。

所述的本构模型包括：Ludwik模型：σ＝A+B·(ε_p)ⁿ；Swift模型：σ＝A·(B+ε_p)ⁿ；Ghosh模型：σ＝A·(B+ε_p)ⁿ-C；Hockett-Sherby模型：σ＝B-(B-A)·exp(-C·(ε_p)ⁿ)；Voce模型：σ＝B-(B-A)·exp(-C·ε_p)，其中：σ为材料的流动应力，ε_p为等效塑性应变，A、B、C、n为待定系数。

步骤二、采用自编码器对材料应力应变关系数据进行无监督学习，从而获取不同材料类型对应的应力应变数据中的结构化信息，完成材料参数压缩模型的构建，解决不同类型材料性能参数的输入问题。

所述的自编码器为具有参数压缩功能的堆叠多层受限波尔兹曼机，其中单层受限波尔兹曼机的可见层和隐藏层之间的能量函数其中：n_v为可见层的结点个数，n_h为隐藏层的结点个数，w_ij为可见层结点i与隐藏层结点j之间连接的权重，b_i为可见层结点的偏置，c_j隐藏层结点的偏置。