CN116844673A - 一种基于机器学习的高性能镁合金的逆向设计方法 - Google Patents
一种基于机器学习的高性能镁合金的逆向设计方法 Download PDFInfo
- Publication number
- CN116844673A CN116844673A CN202310805810.3A CN202310805810A CN116844673A CN 116844673 A CN116844673 A CN 116844673A CN 202310805810 A CN202310805810 A CN 202310805810A CN 116844673 A CN116844673 A CN 116844673A
- Authority
- CN
- China
- Prior art keywords
- performance
- machine learning
- model
- magnesium alloy
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910000861 Mg alloy Inorganic materials 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013461 design Methods 0.000 title claims abstract description 64
- 238000010801 machine learning Methods 0.000 title claims abstract description 35
- 239000000956 alloy Substances 0.000 claims abstract description 53
- 229910045601 alloy Inorganic materials 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 239000000203 mixture Substances 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 18
- 239000000243 solution Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000001125 extrusion Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 239000006104 solid solution Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000011161 development Methods 0.000 abstract description 10
- 229910000967 As alloy Inorganic materials 0.000 abstract description 2
- 238000005556 structure-activity relationship Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 229910001093 Zr alloy Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000012761 high-performance material Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于机器学习的高性能镁合金的逆向设计方法，通过收集关于镁合金成分、加工工艺与力学性能的数据，以机器学习算法解析镁合金成分、加工工艺与力学性能隐含构效关系，进而实现由力学性能需求高效设计新型高性能镁合金。本发明采用寻优算法与正向模型相结合，优化了合金成分等参数，有效提升预测的准确度(计算精度可达99％)、减少偏差(误差仅为0.5％)，可使合金数据体量少且工艺复杂组合也能达到良好的拟合效果，计算方法简单，易实现。本发明提高镁合金的设计效率，降低了实验成本，并是以实际性能需求为导向的逆向设计，既解决镁合金数据体量少的问题，又为基于机器学习方法的高性能镁合金高效开发设计提供了新思路。
Description
技术领域
本发明涉及镁合金材料设计技术领域，特别的涉及一种基于机器学习的高性能镁合金的逆向设计方法。
背景技术
随着汽车和航空航天技术的发展，汽车车身、航空发动机外壳等大型构件对材料性能的要求越来越高，因此，开发新型高性能材料是满足其需求的重要途经之一。而镁合金因低密度、比强度比刚度好、电磁屏蔽性能好等优点在汽车、航空航天等领域具有广泛的应用前景。但镁合金室温强塑性较差，成形性能差，这严重限制了其在大型结构部件中的应用。合金化是镁合金力学性能调控的有效方法之一。但在镁合金中，合金成分、热处理和变形工艺对其力学性能和显微组织的影响较为复杂、影响机制仍不清楚。同时随着镁合金材料的成分增加、工艺性能不断优化，合金材料各个参数的组合愈加复杂，且缺乏定量描述合金成分、结构、工艺和性能之间关系的模型。如何快速厘清合金力学性能与成分、工艺之间的复杂关系，进一步提升镁合金力学性能，是发展高性能镁合金的关键之一。
目前针对合金的开发仍停留在传统实验试错法，其开发周期长、且依靠大量的资源消耗，不仅成本高，而且开发效率低。而机器学习方法(ML)计算成本低，开发周期短，同时可以绕过复杂的方程式求解、利用数据分析寻找数据之间隐含关系，因此，它是替代重复实验室实验的最有效方法之一。但机器学习方法在镁合金设计领域的应用研究较少，主要集中于成分至性能的正向预测模型。如发明专利CN114898821A公开了一种基于机器学习模型融合的合金性能预测方法，通过数据挖掘合金成分-加工工艺-性能的历史数据，将机器学习中的boosting融合和stacking融合协同，其中boosting融合可以提升模型的准确度、减少偏差，stacking融合可以使模型更稳健，通过这两种模型协同，可以达到不同模型取长补短的效果，通过训练过程融合到训练结果融合，进而构建“成分-加工工艺-性能”之间的关系。但该方法无法实现全局最优解的快速、高效搜索，且不同机器学习算法的准确性和泛化性能也缺乏深入研究。同时镁合金研究的主要目的是达到应用结构的性能需求，近年来兴起的以性能为导向的逆向设计方法有利于实现合金的“按需设计”，但目前对于镁合金的逆向设计方法研究较少。如发明专利CN110010210A公开了一种基于机器学习并面向性能要求的多组元合金成分设计方法，通过挖掘已有大量关于合金成分与性能的数据，采用机器学习技术解锁“成分-性能”之间隐式复杂关系，实现根据性能要求快速、准确设计合金成分的目的；该方法包括：S1、根据历史数据建立数据集；S2、建立C2P和P2C模型并训练；S3、将目标性能作为输入数据输入到P2C，获得初始设计成分；S4、将所述初始设计成分作为输入数据输入到C2P，获得预测性能；S5、判断预测性能相对于目标性能的误差是否在可接受范围内，若不再重新建立模型，若在则设计完成。但该方法直接使用神经网络反向训练，然后根据正向模型和反向的神经网络串联进行模型结构优化，所以其设计精度低，计算复杂、速率低以及成本高。更重要的是，上述方法未考虑后续加工工艺和参数，而加工工艺和参数对合金性能的影响也是至关重要的。再者，针对合金数据体量少，而组合复杂，但力学性能指标少，用单纯的模型反向训练达不到可接受的拟合效果。因为算法是基于数据，如果数据量少，输入端纬度低而输出端纬度高，以目前常见机器学习方法来讲，良好的拟合效果不易实现。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于机器学习的高性能镁合金的逆向设计方法，解决现有机器学习方法存在计算复杂、效率低、准确率低、泛化能力弱及其针对数据量少的模型拟合效果不好等问题。
为了解决上述技术问题，本发明采用了如下的技术方案：一种基于机器学习的高性能镁合金的逆向设计方法，包括以下步骤：
S1：数据准备：收集镁合金相关的历史数据，构建镁合金原始数据库，然后将其进行数据预处理和特征选择，得到镁合金的数据集；
S2：正向预测模型的建立：将步骤S1得到的镁合金数据集划分为训练集和测试集，并对所述训练集进行标准化处理，以合金成分、加工工艺为输入，以力学性能为输出构建合金成分、加工工艺→力学性能的机器学习的正向预测模型，并通过测试集评估所述正向预测模型准确性；
S3：抽样寻优模型的选择和建立：分别选择以粒子群算法(PSO)和遗传算法(GA)为抽样寻优算法，自编程建立模型，进行参数寻优，通过对比两者寻优效果选择合适的算法；这样，抽样模型主要是根据实例搭配逆向设计思路来看两者的寻优效果，然后选择寻优效果较好的寻优算法，组成最终建立了镁合金逆向设计模型。
S4：逆向设计模型的构建：确定一个参数空间，通过步骤S3选择的抽样寻优算法在这个空间内随机抽样，然后将抽样结果通过与正向模型训练集相同的标准化处理后输入到正向预测模型中，得到相应的性能预测值，构建力学性能→合金成分、加工工艺的逆向设计模型；
S5：合金设计：以性能预测值和目标性能值的均方根误差和为适应度函数，通过抽样寻优算法的迭代，即根据是否达到要求，去更新一些值，这样不断循环，直到得到使得适应度函数达到最小值的最优解，该最优解即为与目标性能相匹配的合金成分和加工工艺参数的组合。
作为优选地，步骤S1中所述数据包括合金元素含量、热处理工艺参数、变形工艺参数和力学性能。
作为优选地，步骤S1中所述数据处理包括缺失值处理、重复值删除或异常值处理；所述特征选择包括对固溶温度和挤压温度进行范围缩放处理。
作为优选地，所述固溶温度是每20℃一个区间缩放，所述挤压温度是以每30℃一个区间缩放。
作为优选地，步骤S2中所述训练集与测试集的比为8：2；所述训练集通过公式(1)进行标准化处理
式中x表示各个特征样本，μ表示各个特征样本集均值，σ表示各个特征样本集的标准差。
作为优选地，步骤S2中构建的方法包括极限梯度提升树(XGBoost)和随机森林(RF)。
作为优选地，步骤S2还包括使用贪心算法对所述正向预测模型的超参数进行调节，即在每次调整参数时，选择对模型性能影响最大的一个参数进行调整，直到达到最优的性能为止。
作为优选地，所述PSO算法的具体实现方式如下：
1)设置初始参数，所述参数包括粒子群规模、粒子维度和迭代次数；粒子群规模指镁合金成分、加工工艺参数的一个范围空间；粒子维度是指选取的初始粒子有多少维度，维度的设置与所需设计的合金组合的参数相关；迭代次数是指设置的条件，即更新这个粒子多少次才结束更新，结束更新后就选择这个若干次迭代中适应度最优的即可。
2)随机初始化粒子位置和速度，计算初始化粒子的适应度函数值；
3)根据式(3)和式(4)更新粒子的速度和位置，计算每个粒子的适应度值，更新每个个体的历史最优位置和最优适应度以及更新每个群体的历史最优位置和适应度值；粒子的位置是指所求问题的一个解(如合金成分和加工参数的具体值)；粒子的速度是一个位置向量，指每一次粒子更新的距离和方向。
式中为粒子i在第k次迭代中第d维的历史最优位置；/>为群体在第k次迭代中第d维的历史最优位置，ω是惯性因子，r1、r2是介于(0,1)之间的随机数，c1、c2是学习因子；
4)判断是否达到最大迭代次数或是否达到两代粒子之间适应度差值的最小值，若是，迭代结束，输出个体最优位置；若否，则重复3)步骤，直到符合停止条件，输出最优解。
作为优选地，所述GA算法的具体实现方式是：导入geatpy遗传算法库并设置初始参数，所述参数包括种群规模、迭代次数和个体维度；采用适应度函数计算个体的适应度值；通过库中的差分进化算法模板对个体较优的适应度值进行抽样寻优，直到满足迭代终止条件；根据适应度的大小筛选出适应度最高的染色体并进行解码操作，输出最优解。
作为优选地，所述适应度函数采用式(2)表示：
式中为正向模型的预测值，yi为目标性能值。
相比现有技术，本发明具有如下有益效果：
1、本发明通过收集关于镁合金成分、加工工艺与力学性能的数据，以机器学习算法解析镁合金成分、加工工艺与力学性能隐含构效关系，进而实现由力学性能需求高效设计新型高性能镁合金。本发明通过抽样寻优算法优化正向模型的输入值，以降低正向模型的预测值与目标性能的误差为目标，然后不断搜索，直到寻找到使得误差达到目前最优的一个输入值，通过二者的结合，可以有效提升模型的准确度(计算精度可达99％)、减少偏差(误差仅为0.5％)，有利于实现新型高性能镁合金以及相匹配工艺制度的高效优化设计，也为基于机器学习方法的高性能镁合金高效开发设计提供指导，对镁合金应用与发展具有重要意义。
2、本发明提供了一种以实际力学性能需求为导向的合金成分和工艺的逆向设计方法，不仅考虑了合金成分，还考虑了后续加工工艺和参数，更全面，更可靠，计算方法简单，易实现，可实现高性能镁合金的“按需设计”，优化的是合金成分等参数，其不是模型结构问题，大大降低了建模时间，提高了合金开发效率，降低了实验成本。本发明采用寻优算法与正向模型相结合的方式进行优化整体模型的性能，可使合金数据体量少且工艺复杂组合达到良好的拟合效果。本发明的设计方法解决了单纯的模型反向训练计算复杂、效率低、准确率低、泛化能力弱的问题，与单纯的模型反向训练方法相比，具有更优的模型表现，对高性能镁合金的研发具有更大优势,是辅助镁合金研发的有效策略。总的来说，本发明提高镁合金的设计效率，并是以实际性能需求为导向的逆向设计，既解决镁合金数据体量少的问题，也提出镁合金领域目前少见的有力学性能到合金成分的逆向设计问题。
附图说明
图1为本发明高性能镁合金的逆性设计方法的流程示意图。
图2为本发明实施例中XGBoost和RF在Mg-Gd-Y镁合金测试集中的评价指标；A～C分别是XGBoost对YTS、UTS、EL的预测结果，D～F分别是EF对YTS、UTS、EL的预测结果。
图3为本发明实施例预测得到镁合金的实际力学性能图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
本实施例以Mg-Gd-Y系镁合金为候选合金，目标性能为UTS＝400MPa；EL＝10％，通过逆向设计模型进行合金组分和加工工艺的设计。如图1所示：根据逆向设计模型的组成，主要进行以下几个部分的建模：数据准备、正向预测模型的建立、抽样寻优模型的选择和建立、逆向设计模型的构建。具体实现步骤如下：
一、数据收集：
1)收集Mg-Gd-Y系镁合金相关的历史数据，构建镁合金原始数据库，其中数据库内容包括合金元素含量、热处理工艺参数、变形工艺参数和力学性能等参数。
2)根据所述原始数据库，分析数据分布和数据质量，然后进行数据预处理，包括缺失值处理、重复值删除和异常值处理，具体为：删除合金性能报道异常值、缺失值，而针对同一成分不同文献报道的性能数据，确定各报道值的相对误差，对所述相对误差小于误差阈值的重复值做平均处理，对所述相对误差大于误差阈值的重复值做删除处理。
3)采用Pearson相关性分析、基于树结构模型特征重要性分析等多种方法综合判断数据库进行特征选择。其中，为了使数据集中各个特征的数据统一尺度，避免较大的数据分散度对模型拟合效果的影响，对固溶温度和挤压温度进行范围缩放处理，具体实现方式固溶温度每20℃一个区间缩放，挤压温度以每30℃一个区间缩放。最终得到质量相对较优的镁合金数据集。
二、正向预测模型的建立
1)训练机器学习模型之前，得到的镁合金数据集划分为训练集和测试集，训练集与测试集的比为8：2。
2)由于数据集中每个特征之间具有明显的差异，为了这种差异性在模型拟合过程中不同单位或量级的指标能够进行比较和加权，对训练集进行标准化处理使其特征缩放，其具体实现方式为式中x表示各个特征样本，μ表示各个特征样本集均值，σ表示各个特征样本集的标准差。
3)根据所述训练集，以合金成分、加工工艺为输入，以性能为输出，采用极限梯度提升树(XGBoost)和随机森林(RF)构建合金成分、加工工艺→力学性能的机器学习的正向预测模型。并采用交叉验证的方式对正向预测模型在训练集上的表现进行评估。
4)机器学习算法包括一些影响模型拟合效果的超参数，为了提高模型的拟合效果，使用贪心算法对正向预测模型的超参数进行调节，即在每次调整参数时，选择对正向预测模型性能影响最大的一个参数进行调整，直到达到最优的性能为止。
5)为了测试在训练集上拟合的机器学习模型在没有遇见过的数据上的决策能力——泛化性能，通过测试集评估其泛化性能，其评价模型为XGBoost和RF。
XGBoost模型和RF模型在测试集上的泛化性能结果如图2所示。从图中可以看出，根据XGBoost模型和RF模型的评价指标R2和MAE的结果，两者在屈服强度和抗拉强度上表现接近，但XGBoost模型对于EL泛化性能较差，R2仅为0.77左右，而RF模型的R2在0.87左右，因此本发明选择RF作为主要使用模型。
三、抽样寻优模型的选择
分别选择以粒子群算法(PSO)和遗传算法(GA)为抽样寻优算法，进行参数寻优。
PSO算法的具体实现方式如下：
1)设置初始参数，所述参数包括粒子群规模、粒子维度和迭代次数；粒子群规模就指镁合金成分、加工工艺参数的一个范围空间；粒子维度是指选取的初始粒子有多少维度，维度的设置与所需设计的合金组合的参数相关；迭代次数是指设置的条件，即更新这个粒子多少次才结束更新，结束更新后就选择这个若干次迭代中适应度最优的即可。
2)随机初始化粒子的位置和速度，计算初始化粒子的适应度函数值；
3)根据式(3)和式(4)更新粒子的速度和位置，计算每个粒子的适应度值，更新每个个体的历史最优位置和最优适应度以及更新每个群体的历史最优位置和适应度值；粒子的位置是指所求问题的一个解(如合金成分和加工参数的具体值)；粒子的速度是一个位置向量，指每一次粒子更新的距离和方向。
式中为粒子i在第k次迭代中第d维的历史最优位置；/>为群体在第k次迭代中第d维的历史最优位置，ω是惯性因子，r1、r2是介于(0,1)之间的随机数，c1、c2是学习因子；
4)判断是否达到最大迭代次数或是否达到两代粒子之间适应度差值的最小值，若是，迭代结束，输出个体最优位置；若否，则重复3)步骤，直到符合停止条件，输出最优解。
GA算法的具体实现方式是：导入geatpy遗传算法库并设置初始参数，所述参数包括种群规模、迭代次数和个体维度；采用适应度函数计算个体的适应度值；通过库中的差分进化算法模板对个体较优的适应度值进行抽样寻优，直到满足迭代终止条件；根据适应度的大小筛选出适应度最高的染色体并进行解码操作，输出最优解。
四、逆向设计模型的构建
确定一个参数空间，通过选择的抽样寻优算法在这个空间内随机抽样，然后将抽样结果通过与正向模型训练集相同的标准化处理后输入到正向预测模型中，得到相应的性能预测值，构建力学性能→合金成分、加工工艺的逆向设计模型，根据寻优算法类别将逆向设计模型分为PSO-RF和GA-RF。
五、合金设计的确定
以性能预测值和目标性能值的均方根误差和为适应度函数，通过PSO-RF和GA-RF，得到使得适应度函数达到最小值的最优解，该最优解即为与目标性能相匹配的合金成分和加工工艺参数的组合，由于相似性能有不同的设计结果，为了反应模型的计算准确度，重复设计5次，取平均值为模型的计算精度，并取适应度最低的一组作为最终设计结果。根据设计结果，不约束屈服强度的情况下，PSO-RF和GA-RF两个模型的计算精度可达99％，且最终设计结果如表1所示。同时将合金成分和工艺参数带入正向预测模型，得到其性能预测值如表2所示。
表1
表2
根据模型设计结果，由于GA-RF所设计结果的适应度相比于PSO-RF的适应度更小，因此最终选择GA-RF的设计结果。
六、验证
结合实际实验条件，合金成分和加工工艺参数尽可能接近模型设计结果，制备Mg-Gd-Y-Zn-Zr合金，如表3所示为实验制备合金实际成分及相关加工工艺参数。
表3
按照上述成分和工艺参数获取所制备的合金拉伸试样，并测试其室温拉伸力学性能，结果如图3和表4所示。
表4
从结果可以看出，通过本发明GA-RF设计的Mg-Gd-Y-Zn-Zr合金其抗拉强度与目标强度的误差仅为0.5％。
以所述正向模型RF对实际所得合金进行力学性能预测，其结果如表5所示。正向预测模型对实验合金的拉伸屈服强度、抗拉强度和延伸率的预测值与实际检测值之间的误差分别为18MPa、4MPa、5.5％，因此本发明正向预测部分对合金力学性能具有良好的预测效果。
表5
综上，本发明以性能为导向的镁合金逆向设计模型，为实现新型高性能镁合金以及相匹配工艺制度的高效优化设计提供了一种快速有效的方法。
以上所述仅为本发明的较佳实施例而已，并不以本发明为限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的高性能镁合金的逆向设计方法，其特征在于，包括以下步骤：
S1：数据准备：收集镁合金相关的历史数据，构建镁合金原始数据库，然后将其进行数据预处理和特征选择，得到镁合金的数据集；
S2：正向预测模型的建立：将步骤S1得到的镁合金数据集划分为训练集和测试集，并对所述训练集进行标准化处理，以合金成分、加工工艺为输入，以力学性能为输出，构建合金成分、加工工艺→力学性能的机器学习的正向预测模型，并通过测试集评估所述正向预测模型准确性；
S3：抽样寻优模型的建立与选择：选择以粒子群算法和遗传算法为抽样寻优算法，自编程建立模型，进行参数寻优，通过对比两者寻优效果选择合适的寻优算法；
S4：逆向设计模型的构建：确定一个参数空间，通过步骤S3选择的抽样寻优算法在这个空间内随机抽样，抽样结果通过与正向模型训练集相同的标准化处理后输入到正向预测模型中，得到相应的性能预测值，构建力学性能→合金成分、加工工艺的逆向设计模型；
S5：合金设计：以性能预测值和目标性能值的均方根误差和为适应度函数，通过抽样寻优算法的迭代求解，得到使得适应度函数达到最小值的最优解，该最优解即为与目标性能相匹配的合金成分和加工工艺参数的组合。
2.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，步骤S1中所述数据包括合金元素含量、热处理工艺参数、变形工艺参数和力学性能。
3.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，步骤S1中所述数据处理包括缺失值处理、重复值删除或异常值处理；所述特征选择包括对固溶温度和挤压温度进行范围缩放处理。
4.根据权利要求3所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，所述固溶温度是每20℃一个区间缩放，所述挤压温度是以每30℃一个区间缩放。
5.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，步骤S2中所述训练集与测试集的比为8：2；所述训练集通过公式(1)进行标准化处理
式中x表示各个特征样本，μ表示各个特征样本集均值，σ表示各个特征样本集的标准差。
6.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，步骤S2中构建的方法包括极限梯度提升树和随机森林。
7.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，步骤S2还包括使用贪心算法对所述正向预测模型的超参数进行调节，即在每次调整参数时，选择对模型性能影响最大的一个参数进行调整，直到达到最优的性能为止。
8.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，所述PSO算法的具体实现方式如下：
1)设置初始参数，所述参数包括粒子群规模、粒子维度和迭代次数；
2)随机初始化粒子的位置和速度，计算初始化粒子的适应度函数值；
3)根据式(3)和式(4)更新粒子的速度和位置，计算每个粒子的适应度值，更新每个个体的历史最优位置和最优适应度以及更新每个群体的历史最优位置和适应度值；
式中为粒子i在第k次迭代中第d维的历史最优位置，/>为群体在第k次迭代中第d维的历史最优位置，ω是惯性因子，r1、r2是介于(0,1)之间的随机数，c1、c2是学习因子；
4)判断是否达到最大迭代次数或是否达到两代粒子之间适应度差值的最小值，若是，迭代结束，输出个体最优位置；若否，则重复3)步骤，直到符合停止条件，然后输出最优解。
9.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，所述GA算法的具体实现方式如下：导入geatpy遗传算法库并设置初始参数，所述参数包括种群规模、迭代次数和个体维度；采用适应度函数计算个体的适应度值；通过库中的差分进化算法模板对个体较优的适应度值进行抽样寻优，直到满足迭代终止条件；根据适应度的大小筛选出适应度最高的染色体并进行解码操作，输出最优解。
10.根据权利要求1所述基于机器学习的高性能镁合金的逆向设计方法，其特征在于，所述适应度函数采用式(2)表示：
式中为正向模型的预测值，yi为目标性能值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310805810.3A CN116844673A (zh) | 2023-07-03 | 2023-07-03 | 一种基于机器学习的高性能镁合金的逆向设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310805810.3A CN116844673A (zh) | 2023-07-03 | 2023-07-03 | 一种基于机器学习的高性能镁合金的逆向设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116844673A true CN116844673A (zh) | 2023-10-03 |
Family
ID=88161189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310805810.3A Pending CN116844673A (zh) | 2023-07-03 | 2023-07-03 | 一种基于机器学习的高性能镁合金的逆向设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116844673A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118248269A (zh) * | 2024-04-26 | 2024-06-25 | 广东腐蚀科学与技术创新研究院 | 一种增材制造铝合金工艺参数优化方法 |
| CN118446084A (zh) * | 2024-04-24 | 2024-08-06 | 广东腐蚀科学与技术创新研究院 | 一种电解铜箔工艺参数优化方法、系统及设备 |
| CN118486405A (zh) * | 2024-05-27 | 2024-08-13 | 西南交通大学 | 一种基于集成学习的改性沥青性能靶向制备工艺设计方法 |
-
2023
- 2023-07-03 CN CN202310805810.3A patent/CN116844673A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118446084A (zh) * | 2024-04-24 | 2024-08-06 | 广东腐蚀科学与技术创新研究院 | 一种电解铜箔工艺参数优化方法、系统及设备 |
| CN118248269A (zh) * | 2024-04-26 | 2024-06-25 | 广东腐蚀科学与技术创新研究院 | 一种增材制造铝合金工艺参数优化方法 |
| CN118486405A (zh) * | 2024-05-27 | 2024-08-13 | 西南交通大学 | 一种基于集成学习的改性沥青性能靶向制备工艺设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116844673A (zh) | 一种基于机器学习的高性能镁合金的逆向设计方法 | |
| Li et al. | High-throughput simulation combined machine learning search for optimum elemental composition in medium entropy alloy | |
| Wang et al. | A comparative review between Genetic Algorithm use in composite optimisation and the state-of-the-art in evolutionary computation | |
| Guo et al. | Breaking the curse of space explosion: Towards efficient nas with curriculum search | |
| CN112508104B (zh) | 一种基于快速网络架构搜索的跨任务图像分类方法 | |
| Lu et al. | A multi-objective optimizer-based model for predicting composite material properties | |
| Niu et al. | Machine learning-based beta transus temperature prediction for titanium alloys | |
| CN116680976A (zh) | 基于机器学习的增材制造金属材料逆向设计方法 | |
| Yang et al. | Research on composition-process-property prediction of die casting Al alloys via combining feature creation and attention mechanisms | |
| CN110442954A (zh) | 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 | |
| CN117577244A (zh) | 一种基于机器学习实现铝锂合金力学性能预测的方法 | |
| Cai et al. | EST-NAS: An evolutionary strategy with gradient descent for neural architecture search | |
| Zhang et al. | Optimization of LPDC process parameters using the combination of artificial neural network and genetic algorithm method | |
| CN113343566B (zh) | 基于深度学习的镍基合金断裂韧性预测方法及系统 | |
| CN110415769A (zh) | 基于物理冶金学指导下机器学习的低活化钢的设计方法 | |
| CN113468794B (zh) | 一种小型密闭空间温湿度预测及反向优化方法 | |
| CN105117559A (zh) | 基于模糊决策图与灰色关联分析的枪械设计方案评价方法 | |
| CN105719006A (zh) | 基于流特征的因果结构学习方法 | |
| Sun et al. | Optimization of chemical composition for TC11 titanium alloy based on artificial neural network and genetic algorithm | |
| CN117313474A (zh) | 一种代理模型辅助的混合整数变量连杆结构优化方法 | |
| You et al. | Advancements and prospects of deep learning in biomaterials evolution | |
| CN106548188A (zh) | 一种基于样本寻优支持向量机的镍价预测方法 | |
| CN105373831A (zh) | 一种基于群体阶段性样本训练的k-近邻预测全局优化方法 | |
| CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
| CN110442953B (zh) | 基于物理冶金学指导下机器学习的q&p钢的设计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tang Aitao Inventor after: Zhang Ang Inventor after: Bai Shengwen Inventor after: Song Jiangfeng Inventor after: Pan Fusheng Inventor after: Dong Zhihua Inventor after: Mi Xiaoxi Inventor after: Cheng Yunchuan Inventor after: Kang Jing Inventor after: Jiang Bin Inventor after: Qian Xiaoying Inventor after: Zheng Zhiying Inventor after: Wang Cuihong Inventor before: Dong Zhihua Inventor before: Pan Fusheng Inventor before: Cheng Yunchuan Inventor before: Jiang Bin Inventor before: Qian Xiaoying Inventor before: Zheng Zhiying Inventor before: Wang Cuihong Inventor before: Zhang Ang Inventor before: Bai Shengwen Inventor before: Song Jiangfeng |