[发明专利]基于机器学习算法的RPV材料辐照脆化预测模型的开发方法

权利要求书

1.一种基于机器学习算法的RPV材料辐照脆化预测模型的开发方法，其特征在于，包括如下步骤：

1)确定RPV辐照脆化的关联因素，所述关联因素至少包括中子注量f、注量率φ、化学元素Cu、P的含量；

2)依据步骤1)确定的关联因素收集RPV辐照脆化数据，数据科目为韧脆转变温度ΔT_41J及步骤1)中的辐照脆化关联因素；

3)对步骤2)中收集的辐照脆化数据进行特征选择与数据清洗；

4)对经过步骤3)中特征选择与数据清洗后的RPV辐照脆化数据进行可视化分析或相关性分析，确定化学元素Cu的含量为对辐照脆化影响最显著的因素；

5)依据化学元素Cu含量，将经过步骤3)中特征选择与数据清洗后的RPV辐照脆化数据划分为至少5种类别，其中至少一种数据类别的Cu含量≤0.07％，且至少一种数据类别的Cu含量＞0.26％；

6)依据步骤5)确定的Cu含量数据类别，采用分层抽样的方法将数据划分为训练集和测试集；

7)将步骤6)中训练集数据与测试集数据采用贝叶斯函数进行归一化，归一化之前将中子注量f、注量率φ取对数计算，即logf和logφ；

8)采用不同机器学习算法，使用归一化后的训练集数据，调整参数后，建立基于其中一种机器学习算法的RPV辐照脆化预测模型；

9)根据步骤8)建立的辐照脆化预测模型，采用归一化后的测试集数据，依次开展预测值-试验值的分布分析、残差标准差SD分析、R²分析和残差R分析；

10)对通过步骤9)的预测模型，开展Cu含量影响分析，得到最终建立的RPV辐照脆化预测模型；

步骤8)中所述机器学习算法包括K最近邻、线性回归、岭回归、套索回归、决策树、支持向量机、AdaBoost、GBDT和XGBoost；步骤8)中所述参数包括正则化项参数、学习率参数及每种算法的各自的特有参数；

步骤9)具体包括如下步骤：

9.1)ΔT_41J预测值-试验值的分布分析：绘制预测模型的预测值-试验值分布图，计算预测结果的SD，若分布图中≥95％的数据点分布在2倍SD以内，则进行下一步分析，否则舍弃该预测模型；

9.2)对于通过步骤9.1)的预测模型，如果SD＜12℃，且R²≥0.85，则进行下一步分析，否则舍弃该预测模型；

9.3)对于通过步骤9.1)和9.2)的预测模型，依据步骤3)确定的辐照脆化影响因素，逐一进行R分析，其中，残差曲线通过最小二乘法确定；

步骤9.3)中，若|R|≤3.5℃，且|R_max+R_min|≤3.5℃，则进行下一步分析，否则舍弃该预测模型；

步骤10)具体包括如下步骤：

10.1)以f＝1×10¹⁹n/cm²、φ＝1×10⁹n/cm²·s、T＝290℃、Mn＝1.4％、P＝0.01％、Si＝0.25％、Ni＝0.7％为输入参数，计算Cu含量≤0.2％条件下ΔT_41J随Cu含量的变化曲线，随后对所获曲线进行两段线性拟合，判断拟合曲线的交叉点的Cu含量是否满足0.06％≤Cu≤0.08％，若满足则进行下一步分析，否则舍弃该预测模型；

10.2)以f＝1×10¹⁹n/cm²、φ＝1×10⁹n/cm²·s、T＝290℃、Mn＝1.4％、P＝0.01％、Si＝0.25％、Ni＝0.7％为输入参数，计算Cu含量≥0.1％条件下ΔT_41J随Cu含量的变化曲线，随后对所获曲线进行两段线性拟合，判断拟合曲线的交叉点的Cu含量是否满足0.24％≤Cu≤0.31％，若满足，则基于该算法的模型即为最终建立的RPV辐照脆化预测模型，否则舍弃该模型。

2.根据权利要求1所述的开发方法，其特征在于，步骤1)中所述关联因素包括中子注量f、注量率φ、辐照温度T、化学元素Cu、P、Ni、Mn、Si含量。