[发明专利]一种基于机器学习的材料均匀延伸率预测方法

说明书

本发明提供基于机器学习的材料均匀延伸率预测方法，包括：初步获取若干组待测材料的微观结构参数及均匀延伸率，得到标准数据集；根据标准数据集对第一极限学习机模型进行训练和测试，得到初始均匀延伸率预测模型；有针对性地再获取若干组待测材料的微观结构参数及均匀延伸率，得到真实数据集和第二均匀延伸率预测模型；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虚拟样本；使用第二均匀延伸率预测模型对全部样本进行训练和测试，得到最终均匀延伸率预测模型。本发明的均匀延伸率预测方法，能够以较少的数据量，较为准确地预测均匀延伸率；本发明可以节省原始材料成本和计算时间成本，具有高精度、低成本的优点。

技术领域

本发明涉及一种基于机器学习的材料均匀延伸率预测方法，属于材料性能预测研究领域。

背景技术

通过将金属材料晶粒细化到超细晶或纳米晶层次，通常可以获得比粗晶金属更优异的力学和物理性能，如超细晶/纳米晶材料的强度和硬度可以大大提高，是相同成分粗晶材料的几倍甚至几十倍。但强化机制通常会牺牲延性，导致延伸率大幅降低，这严重限制了超细晶/纳米晶材料的工程应用。而双峰结构金属在不明显降低屈服强度的同时，可以显著提高均匀延伸率，可以突破传统均质金属强度—延性的倒置曲线。

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。传统研究主要通过实验或晶体塑性方法来获取双峰结构金属的均匀延伸率等力学性能，原始成本和时间成本较多，且无法倒推双峰金属特定力学性能所对应的微观结构。因此需要一种快速、合理的新方法来有效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均匀延伸率预测方法，从而以较小的误差预测双峰结构金属的均匀延伸率。

为了实现上述目的，本发明提供一种基于机器学习的材料均匀延伸率预测方法，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均匀延伸率，进行数据预处理，得到标准数据集；

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；

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；

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；

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；

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。

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；

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；

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。

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。

所述步骤S2包括：