[发明专利]一种高强韧耐高温RAFM钢及其基于机器学习的设计方法

权利要求书

1.一种高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，包括如下步骤：

步骤1、数据采集

获取g组RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能数据；其中，所述拉伸性能为极限抗拉强度UTS和总延伸率TE；每一种RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能作为一组原始数据；所述成分为组成RAFM钢的元素及其对应的质量百分比；所述热处理参数为RAFM钢的正火温度、正火时间、回火温度及回火时间；

步骤2、数据标准化处理

对原始数据集中的所有数据进行标准化处理；标准化公式为：

式(1)中：z为标准化数据，x为原始数据，x_max和x_min分别为原始数据集中每一维变量的最大值和最小值；

步骤3、构建正向模型；

步骤4、构建逆向模型；

步骤5、构建智能筛选模型

利用步骤3构建的正向模型和步骤4构建的逆向模型来建立智能筛选模型，用于根据RAFM钢的目标拉伸性能快速设计成分和热处理参数；

其中，最终获得的RAFM钢的化学成分及质量百分比含量为：C：0.12～0.16％，Cr：9.5～10.5％，W：1.6～1.8％，Si：0.48～0.52％，Mn：0.6～0.7％，V：0.23～0.27％，Ta：0.10～0.26％，Zr：0.001～0.005％，Y：0.01～0.05％，Ti：0.002～0.012％，N：0.02～0.04％，其余为Fe和其他不可避免的杂质元素；所述RAFM钢的热处理参数为：正火温度1010～1050℃，正火时间20～55min，回火温度600～720℃，回火时间50～90min。

2.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述步骤3具体包括：

步骤3.1：将成分、热处理参数和测试温度作为输入，将拉伸性能作为正向模型的输出；

步骤3.2：将步骤2得到的标准数据集采用留出法划分成训练集及测试集，训练集的百分比为30％～80％；

步骤3.3：利用决策树回归、随机森林回归、支持向量机回归、梯度增强回归、k近邻回归和人工神经网络算法结合训练集构建极限抗拉强度UTS和总延伸率TE的预测模型；

步骤3.4：利用测试集对构建的预测模型进行评价，计算均方根误差RMSE和相关系数R，所采用的公式分别如下：

式(2)和式(3)中：n为样本个数；y_i和分别为第i个样本的实验值和预测值，i＝1，2，…，n；和分别为n个样本的实验值和预测值的平均值；

步骤3.5：根据计算的RMSE和R值，选择最佳的算法及合适的训练集/测试集划分比例，构建从成分和热处理参数到UTS和TE的正向模型。

3.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述步骤4具体包括：

步骤4.1：将目标拉伸性能作为输入，将成分、热处理参数作为逆向模型的输出；

步骤4.2：采用人工神经网络算法及与正向模型相同的训练集/测试集划分比例，选取适当的参数对模型进行训练；

步骤4.3：训练完成后在测试集上统计R值，根据统计的R值对模型参数进行优化，得到最佳的从拉伸性能到成分和热处理参数的逆向模型。

4.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述步骤5具体包括：

步骤5.1：将目标拉伸性能输入到逆向模型，得到成分及热处理参数的初始设计方案；

步骤5.2：利用正向模型对初始设计方案的拉伸性能进行预测；

步骤5.3：将目标拉伸性能与正向模型的预测结果进行了对比，它们之间的相对偏差error用如下公式进行计算：

式(4)中，Y和分别为目标值和预测值；

步骤5.4：根据error值是否大于预设阈值ε，选择是执行“将筛选的成分和热处理参数输出”操作，还是执行“对输入数据进行微调”操作；如果error值大于ε，则对输入的数据进行微调，并重复执行步骤5.1、5.2和5.3，直到达到要求的阈值；如果error值小于或等于ε，则输出筛选的成分和热处理参数，计算结束。