[发明专利]一种基于机器学习的材料屈服强度预测方法

说明书

本发明提供了一种基于机器学习的材料屈服强度预测方法，包括：初步获取若干组待测材料的微观结构参数及其对应的屈服强度，得到初始数据集；根据初始数据集对第一极限学习机模型进行训练，得到初始的屈服强度预测模型；根据初始的屈服强度预测模型的预测结果，有针对性地再获取若干组微观结构参数及其对应的屈服强度，得到真实数据集；利用真实数据集对第二极限学习机模型进行训练和测试，得到最终的屈服强度预测模型；利用待测材料的微观结构参数和最终的屈服强度预测模型预测得到待测材料的屈服强度。本发明的材料屈服强度预测方法，能够以有限的数据量，较为准确地预测待测材料的屈服强度，具有精度高、快速预测、可实施材料性能评估的优点。

技术领域

本发明涉及一种基于机器学习的材料屈服强度预测方法，属于材料性能预测研究领域。

背景技术

金属材料被大量应用在航空、能源、建筑、机械等各种领域，已经成为了人类社会的重要物质基础。随着社会的进一步发展，现代化工业对金属材料的性能要求也随着提高，传统金属材料已经无法适应高温、高压、辐射等严苛环境，因此有必要对金属材料的综合性能进行深入的研究。其中就包括针对材料强度-韧性的研究，纳米结构金属虽然解决了人类对强度方面的要求，但是其低延性严重限制了实际应用。因此必须提出更好的方法来提高材料的综合性能。

大量研究表明，双峰结构金属具有显著的强度-延性协同效应。影响双峰结构金属力学性能的因素主要有细晶尺寸、粗细晶尺寸比、粗晶体积分数。传统方法主要通过实验手段或有限元模拟手段得到双峰结构金属的屈服强度等力学性能，需要花费大量的材料成本、时间成本、计算成本等。因此需要一种新方法来较为快速、合理地预测双峰结构金属的力学性能。

发明内容

本发明的目的在于提供一种基于机器学习的材料屈服强度预测方法，从而以提高预测效率并减小预测误差。

为了实现上述目的，本发明提供了一种基于机器学习的材料屈服强度预测方法，其特征在于，包括：

S1：初步获取p组待测材料的微观结构参数及其对应的屈服强度，得到初始数据集；

S2：根据所述初始数据集对第一极限学习机模型进行训练，得到初始的待测材料的屈服强度预测模型；

S3：根据初始的待测材料的屈服强度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屈服强度，得到真实数据集；

S4：利用真实数据集对第二极限学习机模型进行训练和测试，得到最终的待测材料的屈服强度预测模型；

S5：利用待测材料的微观结构参数和最终的待测材料的屈服强度预测模型预测得到待测材料的屈服强度。

所述步骤S1包括：

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屈服强度，每一组待测材料的微观结构参数和屈服强度作为一组原始数据，得到p组原始数据并作为原数据集；对原数据集中的各个数据均进行归一化处理，形成初始数据集；原数据集中的各个数据的归一化公式为：

其中，x是归一化后的数据，x_old是归一化前的数据，x_min是数据x_old所在维度的最小值，x_max是数据x_old所在维度的最大值；

S12：将初始数据集随机分为70％的初始训练集和30％的初始测试集。

在所述步骤S2中，初始的待测材料的屈服强度预测模型是通过试参法和所述初始测试集确定第一极限学习机模型的隐含层的神经元个数，进而得到的。

所述步骤S2包括：