[发明专利]一种基于机器学习的材料均匀延伸率预测方法

权利要求书

1.一种基于机器学习的材料均匀延伸率预测方法，其特征在于，包括：

步骤S1：初步获取p组待测材料的微观结构参数及其对应的均匀延伸率，进行数据预处理，得到标准数据集；

步骤S2：根据所述标准数据集对第一极限学习机模型进行训练和测试，得到初始的均匀延伸率预测模型；

步骤S3：根据初始的均匀延伸率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均匀延伸率，得到含有多个真实样本的真实数据集，并根据所述真实数据集得到第二均匀延伸率预测模型；

步骤S4：在真实数据集的基础上，利用结合粒子群优化算法的虚拟样本生成方法，围绕一部分真实样本生成u个虚拟样本；

步骤S5：使用第二均匀延伸率预测模型对真实样本和虚拟样本共同进行训练和测试，得到最终的均匀延伸率预测模型；

步骤S6：利用待测材料的微观结构参数和最终的均匀延伸率预测模型预测待测材料的均匀延伸率。

2.根据权利要求1所述的基于机器学习的材料均匀延伸率预测方法，其特征在于，所述步骤S1包括：

步骤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均匀延伸率，每一组双峰结构金属的微观结构参数和均匀延伸率作为一组原始数据，p组原始数据形成原数据集；对原数据集中的所有数据进行归一化处理，形成初始数据集；

步骤S12：利用微观结构参数计算中间计算参数，并对中间计算参数进行归一化处理，将归一化后的中间计算参数分别作为一个维度的数据添加到初始数据集中，形成标准数据集；

步骤S13：将标准数据集随机分为70％的第一训练集和30％的第一测试集。

3.根据权利要求2所述的基于机器学习的材料均匀延伸率预测方法，其特征在于，所述待测材料为双峰结构金属；在所述步骤S1中，所述微观结构参数包括双峰结构金属的细晶尺寸、粗细晶尺寸比、粗晶体积分数这3个维度的数据，所述中间计算参数包括双峰结构金属中细晶对应的屈服强度σ_f和粗晶对应的屈服强度σ_c这2个维度的数据，并且中间计算参数利用Hall-Petch经验公式计算得到。

4.根据权利要求2所述的基于机器学习的材料均匀延伸率预测方法，其特征在于，所述步骤S2包括：

步骤S21：设置一个第一极限学习机模型的神经元个数，其中输入层的神经元个数等于微观结构参数和中间计算参数的维度数量，输出层的神经元个数为1，隐藏层的神经元个数通过人为设定q个不同的值，以获得q个不同的第一极限学习机模型；q为大于1的正整数；

步骤S22：将第一训练集中的微观结构参数和中间计算参数作为第一极限学习机模型的输入，均匀延伸率作为第一极限学习机模型的输出，对q个第一极限学习机模型均进行训练，得到q个训练好的第一极限学习机模型；

步骤S23：利用第一测试集的微观结构参数、中间计算参数和均匀延伸率对q个训练好的第一极限学习机模型进行测试，确定q个训练好的第一极限学习机模型各自的平均绝对百分比误差；

平均绝对百分比误差MAPE为：

其中，n_test为第一测试集中真实样本的总组数，x_i是由第一测试集中第i组真实样本中微观结构参数和中间计算参数组成的向量，f(x_i)是输入为x_i时训练好的第一极限学习机模型的均匀延伸率的预测值，y_i是第一测试集中向量x_i所对应的均匀延伸率；

步骤S24：对各个训练好的第一极限学习机模型的平均绝对百分比误差进行比较，确定使平均绝对百分比误差最小的隐藏层的神经元个数a，设定初始的均匀延伸率预测模型的隐藏层的神经元个数为a。