一种基于机器学习模型的金属材料性能计算方法与流程

1.本发明涉及机器学习算法技术领域，特别涉及材料信息学领域中金属材料性能指标的基于机器学习模型的优化算法，具体为一种基于机器学习模型的金属材料性能计算方法。


背景技术：

2.金属材料是指具有光泽、延展性、容易导电、传热等性质的材料。金属材料种类多种多样，对于国家的经济发展有着至关重要的作用。
3.目前的制造厂商在设计产品或部件时，通常是在一定的材料性能标准下进行的。为了保证指标符合预期，厂商会进行模拟仿真、实验测试与试生产。制造厂商通常会从手册中选取合适的材料标号或设计一款新型材料，并要求供应商根据需求开发一款符合该性能的材料。然而新型材料能否符合预期，对厂商或供应商而言都无从得知，同时有些性能指标对于供应商难以实现。


技术实现要素：

4.针对上述情况，为弥补上述现有缺陷，本发明基于现有实验试错方法的不足，提供了一种基于机器学习模型的金属材料性能计算方法，该方法通过算法模型实现自动化机器学习模型调参；并通过计算模型优化置信度，找出当前训练集下一个或多个最有可能实现材料性能提升的材料成分配比。
5.本发明提供如下的技术方案：本发明一种基于机器学习模型的金属材料性能计算方法，具体包括下列步骤：
6.步骤一，根据已有数据的材料成分分布与工艺、经验确定实验样本的输入空间，输入空间的确定包括如下部分：
7.(1)输入成分的参数空间m；
8.(2)输入加工工艺的参数空间c；
9.(3)输入后处理工艺的参数空间p；
10.(4)确定了三个子空间后，输入空间x为m
×
c
×
p(笛卡尔积)，输出空间y；
11.例如对钛合金，已有的标号有ti6al4v，则输入空间的确定包括如下步骤：
12.(1)输入成分的参数空间m
13.对于已有标号ti6al4v，输入空间应包含ti，al和v的成分比例；同时根据经验，c和b的成分比例也应加以考虑，因此材料成分的输入空间应为m＝{ti％,al％,v％,c％,b％}，其中ti％为ti的成分比例，其他成分类似，同时材料的生产工艺与后处理工艺参数也需要考虑在内；
14.(2)输入加工工艺的参数空间c
15.加工工艺是制造方在原材料基础上进行的增材、减材、变形等手段，使最终形态符合制造方的期望，加工类型包括但不限于锻造、铸造、切削、3d打印，以3d打印为例，加工工
艺包括但不限于激光功率c1、扫描速率c2，激光尺寸c3、能量密度c4等，可表示为c＝{c1,c2,c3,c4,
…
}。
16.(3)输入后处理工艺的参数空间p
17.后处理工艺是金属部件在制作完成后为了消除内部应力或缺陷，通过温度或环境的适当变化使其性能进一步提升的手段。此步骤为非必须(当所有数据点的后处理工艺相同时，不需要考虑后处理工艺的影响)。后处理工艺包括但不限于退火温度p1、碳化时间p2和正火温度p3等，可表示为p＝{p1,p2,p3,
…
}；
18.步骤二，需要确定每个输入样本所提取的特征提取的特征包括：
19.(1)输入空间的参数自身：如各成分的比例、后处理的淬火温度；
20.(2)微观与介观的参数：如元素质量、带宽能量、位错；
21.(3)材料组织相关的数据：如金相图等；
22.步骤三，确定输入样本所提取的特征后，进行迭代式的序列学习循环：
23.(1)通过算法模型在训练集/验证集上搜索模型超参数，得到在验证集上性能指标最好的模型超参数组合，所述的性能指标包括mse和mae，所用的模型包括但不限于贝叶斯优化算法模型(hyperopt/optuna等)、随机森林算法模型、梯度提升树算法模型、深度集成算法模型中的一种或多种结合；
24.(2)根据经验及实验设置，得到最小步长下的备选测试集，在测试集上运行上一步得到的最优模型，得到各个测试数据对应的预测性能指标与对应的不确定度；
25.(3)根据各个测试数据的预测性能指标与对应的不确定度，计算模型优化置信度，并选择置信度最高的一个或多个测试数据进行真实实验并测量性能指标，可用的模型优化置信度包括但不限于最大改善似然、最大期望改善和最大不确定度等，以最大改善似然为例，首先我们计算单样本不确定度：
[0026][0027]
其中cov
j
代表在第j棵树上计算的方差，n
i,j
代表在训练第j课树中用到的样本i的个数，t
j
(x)代表第j棵树的预测结果，代表所有树中样本i没有参与训练的树的预测结果的平均值，是所有树的预测结果均值，e与v分别代表欧拉常数与所有树的方差，t则是树的个数。则不确定度为：
[0028][0029]
令f
x
为正态分布n(x,σ2(x))的积累分布函数，最大改善似然等于1
‑
f
x
(x
best
)，其中x
best
为目前实验的最优结果；
[0030]
(4)上一步实验得到的数据性能指标如果满足要求，则循环结束，否则回到第一步继续进行迭代。
[0031]
采用上述结构本发明取得的有益效果如下：本发明一种基于机器学习模型的金属材料性能计算方法，通过使用模型改善置信度来寻找最优的备选实验点，与随机采样方法相比，在达到同样的性能指标的情况下，大幅减少了实验点的数量，节省了材料开发的时间
与成本；与人工试错方法相比，不需要丰富的开发经验，降低了对于资深研发人员的需求。同时全流程实现了数字化、自动化，也提升了产品开发的整体效率。
附图说明
[0032]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0033]
图1为本发明一种基于机器学习模型的金属材料性能计算方法使用随机森林算法模型和和贝叶斯优化算法模型优化得到样本模型分支图一；
[0034]
图2为本发明一种基于机器学习模型的金属材料性能计算方法使用随机森林算法模型和和贝叶斯优化算法模型优化得到样本模型分支图二；
[0035]
图3为本发明一种基于机器学习模型的金属材料性能计算方法使用随机森林算法模型和和贝叶斯优化算法模型优化得到样本模型分支图三；
[0036]
图4为本发明一种基于机器学习模型的金属材料性能计算方法实施例的测试样本的预测性能与不确定度分布的示意图。
具体实施方式
[0037]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
[0039]
实施例
[0040]
假设优化的目标是ti6al4v，已有的训练样本为：
[0041]
(1){ti％＝0.907,al％＝0.05,v％＝0.04,c％＝0.001,b％＝0.002}，激光功率100、扫描速率5，激光尺寸1、能量密度2，性能指标500mpa。
[0042]
(2){ti％＝0.916,al％＝0.04,v％＝0.04,c％＝0.002,b％＝0.002}，激光功率50、扫描速率3，激光尺寸1、能量密度3，性能指标600mpa。
[0043]
(3){ti％＝0.918,al％＝0.05,v％＝0.03,c％＝0.001,b％＝0.001}，激光功率100、扫描速率2，激光尺寸1、能量密度3，性能指标400mpa。
[0044]
由于各样本的后处理工艺相同，训练时不考虑后处理工艺参数的影响。
[0045]
步骤一：确定问题的输入空间x。设置输入空间为m
×
c
×
p，则该问题的输入空间为{ti％,al％,v％,c％,b％,p1,p2,p3}。
[0046]
步骤二：确定每个样本的输入特征只选用输入空间的参数本身作为输入特征，则每个训练样本的输入特征为：
[0047]
(1){0.907,0.05,0.04,0.001,0.002,100,5,1,2}
[0048]
(2){0.916,0.04,0.04,0.002,0.002,50,3,1,3}
[0049]
(3){0.918,0.05,0.03,0001,0.001,100,2,1,3}
[0050]
步骤三：进入序列训练循环：
[0051]
使用随机森林算法模型和贝叶斯优化算法模型得到最优模型，分别为附图1、附图2和附图3。
[0052]
生成若干备选的测试样本如下：
[0053]
{0.908,0.04,0.05,0.001,0.00,100,5,1,2}
[0054]
{0.92,0.04,0.04,0.000,0.000,50,3,1,3}
[0055]
{0.916,0.05,0.03,0.002,0.001,100,2,1,3}
[0056]
{0.91,0.05,0.035,0.003,0.002,100,5,1,3}
[0057]
计算各测试样本的预测性能指标为400mpa,425mpa,475mpa,500mpa。
[0058]
根据公式和
[0059][0060]
计算各样本预测的不确定度，同时已知目前最优性能指标为480mpa，则可计算各样本的最大改善似然为0,0.1,0.5,0.7，见附图4，阴影部分的面积即为最大改善似然，由于第4个测试样本的最大改善似然最大，选取该组参数进行真实实验，实验结果性能指标为470mpa，性能指标未提升，则回到第1步继续迭代。
[0061]
要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物料或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物料或者设备所固有的要素。
[0062]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。