[发明专利]一种基于EBSD与深度学习方法的钢铁材料性能预测方法

说明书

本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。

技术领域

本发明涉及钢铁材料性能预测和深度学习应用技术领域，尤其涉及一种基于EBSD与深度学习方法的钢铁材料性能预测方法。

背景技术

显微组织-力学性能关系的建立一直以来是钢铁材料领域关注的焦点问题。传统钢铁材料显微组织-力学性能关系的建立多采用基于物理冶金模型的性能预测方法。例如采用叠加各强化机制的经验公式来预测钢的屈服强度，其一般要通过人工抽象或测量的方式去提取显微组织中的晶粒尺寸等显微组织信息。因此，传统物理模型的精度受显微组织信息精确度的影响。然而在实际操作中，由于受到经验水平等因素限制导致不同操作者之间的显微组织信息提取结果相差很大，这影响了模型的客观准确性；另外，人工提取也只能局限于具有显微组织构成简单的材料。而对于大多数工程实际钢种，例如淬火配分(QP)钢，均具有复杂的显微组织，这种基于人工提取信息的方法显然无法应用到这类钢种的性能预测之中。同时，传统预测模型仅能考虑部分微观组织信息，而部分重要组织信息难以统计量化。

随着材料研究逐渐与大数据时代接轨，机器学习算法得到广泛关注。深度学习是机器学习的一个分支领域，在图像分类、语音识别、机器翻译等感知问题上取得了大量成果。它可以通过一系列数据变换(层)来实现输入到目标的映射，即可以实现直接以显微组织图片为输入，性能为输出，跳过抽象组织信息的步骤，建立显微组织与性能的对应关系，在性能预测方面体现出良好的发展前景。Xiaolong Zheng等人建立了以页岩样品图像为输入，模量为输出的深度学习模型。Ruho Kondo等人建立了陶瓷材料的性能预测模型，Jinlong Wu等人也通过深度学习建立了多孔介质的渗透率预测模型。然而，钢铁材料涉及长流程及复杂的生产制造工艺，组织、性能关系更为复杂，在钢铁材料体系下尚鲜有相关工作。尽管基于传统的物理冶金模型的方法可以实现性能预测，但是这些研究均是建立在人工提取的组织信息的基础上。人为提取的组织信息精确度有限且并不能全面客观的描述显微组织特征，而深度学习则可以从原始组织图片中精准地提取到更加丰富的信息，因此模型具有更高的预测精度。同时，电子背散射衍射(Electron Backscattered Diffraction，简称EBSD)已在材料微观组织结构及微织构表征中广泛应用，EBSD的Band Contrast map(BC图)具有相衬度对比明显等优势而被使用在该方法中。

发明内容

针对现有技术存在的不足，本发明提出了一种基于EBSD与深度学习方法的钢铁材料性能预测方法，以EBSD的BC图为基础，利用深度学习方法卷积神经网络ConvolutionalNeural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。

本发明所采取的技术方案是：

一种基于EBSD与深度学习方法的钢铁材料性能预测方法，包括以下步骤：

步骤1：建立目标钢铁材料的原始数据集；通过EBSD实验建立目标钢铁材料的原始数据集，原始数据集包含X个性能的钢种材料图像数据，且所包含的BC图不低于N组；

步骤1.1：进行EBSD实验采集目标钢铁材料图像数据；

在目标钢铁材料的一个随机区域进行EBSD实验，实验组数不低于N组，应用EBSD数据处理软件获得每组实验数据的BC图，共获得P张BC图片，其中P＝X×N；

步骤1.2：进行目标性能测试实验获得与BC图相对应的性能数据；