[发明专利]基于物理冶金学指导下机器学习的超高强不锈钢设计方法

摘要

本发明提供一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，涉及钢铁材料设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得超高强不锈钢，对不锈钢的成分及热处理条件进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、硬度。该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。

主权项

1.一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，其特征在于：包括如下步骤：步骤1：数据采集；步骤1.1：获取g种超高强不锈钢的成分、工艺及其对应的硬度，每一种超高强不锈钢的成分、工艺、硬度为一组原始数据，g组原始数据形成原数据集；所述成分为组成超高强不锈钢的元素及含量，所述工艺为热处理温度以及时间；原数据集用于作为超高强不锈钢硬度预测的有效数据；对原数据集中的所有数据进行标准化处理，形成初始数据集；步骤1.2：根据热动力学软件ThermoCalc计算原始数据集中每一种超高强不锈钢的析出相体积分数VF和驱动力DF，VF和DF进行标准化处理后，将VF和DF各作为一维变量添加到数据集中，形成标准数据集；步骤2：令划分比例为8：2，将标准数据集采用多次留出法第i次划分成训练集及测试集；其中划分次数i∈F，F为根据实验需求设置的划分总次数；步骤3：根据步骤2中的训练集建立基于物理冶金学指导的集成学习算法模型，即GBR‑PM模型；步骤3.1：设定集成学习算法中回归器的数量H的范围以及深度D的范围，将范围内的回归器的数量和深度取正整数随机组合，获得U种回归器数量和深度的组合形式，形成参数集；所述回归器的数量根据原数据集的规模设定，所述深度根据原数据集的数据维数设定；步骤3.2：对参数集内的每种组合形式都根据步骤2中的训练集建立GBR‑PM模型；该模型为将成分、工艺、VF、DF作为GBR‑PM模型的输入，硬度作为GBR‑PM模型的输出；最终得到U个GBR‑PM模型；分别求出U个模型的平方相关系数R²；第u个GBR‑PM模型的平方相关系数的计算公式如下：其中u∈U，n代表测试集的数据组总量，x_a代表由测试集内第a组数据中成分、工艺、VF、DF组成的向量，f(x_a)为x_a的GBR‑PM模型预测的硬度值，y_a为x_a所对应的硬度的实际值；步骤3.3：对每个模型的平方相关系数R²进行比较，将平方相关系数R²最大的模型设定为第i次划分下的最优GBR‑PM模型，将该模型下回归器的数量和深度的组合形式设定为最优组合参数；步骤4：判断第i次划分下的最优GBR‑PM模型的相关系数是否大于90％，若否，则删除该模型，执行步骤6；若是，则执行步骤5，将该模型作为遗传算法中的目标函数；步骤5：在原数据集的范围内，采用GBR‑PM模型作为遗传算法的目标函数，遗传算法被用于优化设计成分及工艺获得最佳硬度的超高强不锈钢，对超高强不锈钢的成分及工艺进行设计；通过遗传算法得到合金成分、工艺及其硬度，并将该结果放入设计结果集M中；步骤6：令i＝i+1，判断i是否小于等于F，若是，则将标准数据集内的数据随机打乱，执行步骤2重新划分训练集和数据集；若否，则执行步骤7，并输出设计结果集M＝{e₁、e₂、…、e_m}，其中e_m代表划分次数为第m次的设计结果数据组，该数据组包括成分、工艺、硬度，m∈F；步骤7：利用原数据集对初始SVC分类器进行训练，采用网格搜索法对初始SVC分类器参数进行优化，得到SVC分类器，通过SVC分类器对设计结果集M中的每组数据进行评价，SVC分类器通过成分及工艺来共同确定设计结果的类别，将每组数据中硬度数值小于等于49HRC给予的标签为：‑1，其中‑1代表低可靠性，屈服强度数值大于49HRC给予的标签为：1，其中1代表高可靠性；输出所有高可靠性的设计结果数据组，形成结果集K＝{e₁、e₂、…、e_k}，其中e_k代表第k次划分下的带有高可靠性标签的设计结果数据组，k∈F；求出结果集内成分中每一维变量的均值，选择结果集内与均值最相近的数据组作为最终的典型合金，输出其典型合金的成分、工艺、硬度。