[发明专利]一种基于深度学习的材料显微图像与性能双向预测方法

说明书

本发明涉及一种基于深度学习的材料显微图像与性能双向预测方法，提出CNN与DNN相结合的算法用以处理多种输入的并行预测。以CNN提取材料显微图像特征，在第一层全连接层加入以材料成分，工艺为代表的一维特征向量。综合图像特征，其他特征为DNN输入，实现材料综合特征与性能的回归预测或分类。在GAN大量生成图像的基础上，使用前面预测模型对生成的图像性能进行预测。为了增加实验结果的可信度，可以训练三个不同的网络进行预测，最终去三者的交集作为目标图像输出。通过结合卷积神经网络提取特征与成分、工艺等特征，模型与性能的拟合度大幅提升，避免模型欠拟合，性能分类的预测方法符合生产实际需求。

技术领域

本发明属于计算机视觉材料图像识别技术领域，涉及一种基于深度学习的材料显微图像与性能双向预测方法

背景技术

材料是人类赖以生存和发展的物质基础，历史上每一种重要材料的发现和使用，都会给人类生活水平和社会生产力带来巨大的改变。因此，材料在人类社会发展进程中一直扮演着重要的角色，其与能源和信息并称为现代文明的三大支柱。新材料技术的研究和开发对国家的发展起着决定性的作用。传统的材料研制方法周期长、成本高,以试错法为主,即利用现有关于材料的理论与知识经验，通过调整研究材料配比和制备工艺，完成样品数量巨大的制备、表征、测试和检验等流程,最终找到满足需求的材料。材料基因工程将传统的实验筛选方法与高通量计算和大数据技术相结合，通过物理模型、数学计算和材料学原理等方法预测材料的组成、结构和性质，使新材料研发从完全经验型向理论预测型转变，被认为是材料研发方式的一次革命性改变。

强外加载下材料的响应是热力学非平衡过程，非平衡过程的内在机制能够在材料内部产生诸多可能的复杂微结构。例如，金属在应力或惯性加载下积累的较大能量可通过塑性变形、相变、熔化、损伤、断裂等产生微结构来释放。这些微结构主要包括位错、层错、晶界、相畴、液相区、空洞、微裂纹、剪切带等。已有的实验与理论研究表明金属材料中微结构的产生、运动和相互作用对其弹塑性有重要影响，构建具有普适性和预测性的宏观物性模型，需要定量上阐明材料宏观性质与微结构间的关系。不同加载条件下材料内部的微结构尺度不一、种类繁多、相互作用复杂，使基于微结构机理的宏观物性研究极具挑战性。

深度神经网络在材料领域的应用比较广泛，已经成为加速新材料、工艺和技术开发的重要推动因素。过去五年里这个领域已经发表了上千篇研究成果，其中在晶体结构预测、稳定性分析、化学合成研究中取得了很好的应用效果、并逐步扩展到材料的状态方程、力学性质、光学性质、高温超导、腐蚀等诸多领域。材料微结构和物性研究与深度学习方法的结合是其中极具前景的研究方向，相关研究文献很多。材料的宏观物性不仅依赖于其化学组成，也与其内在的微结构密切相关。外加载下材料的变形过程由系统能量较低的微结构承载，这些微结构的演化规律是理解材料复杂宏观物性的桥梁。由于塑性变形的高耗散性，不同加载条件下材料内部的微结构尺度跨度大、种类多，使得构建基于微结构特性的具有普适性和可预测性的多尺度模型研究极具挑战。实际工程用材料的时空尺度较大，因此原则上可用统计力学方法联系宏观可观测量与微观量。

目前多数研究都是基于机器学习分析材料成分与性能之间的回归关系或基于深度学习对材料进行分类预测。本项目除了完成材料微观结构与性能的预测，还预期实现通过合理的已知性能反向预测材料微观结构，具有创新性和前瞻性。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于深度学习的材料显微图像与性能双向预测方法，能够材料微结构到性能的预测，实现性能到微结构的方向预测。

技术方案

一种基于深度学习的材料显微图像与性能双向预测方法，其特征在于步骤如下：

步骤1、构建卷积神经网络提取显微图像特征：