[发明专利]一种基于物理指导的机器学习算法的钢铁材料设计方法

说明书

本发明提供一种基于物理指导的机器学习算法的钢铁材料设计方法，涉及钢铁材料的设计和机器学习应用技术领域。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支持向量机模型；将基于物理冶金学指导的支持向量机模型的相关系数大于90％的作为遗传算法中的目标函数；得到优化后的成分、工艺及最佳目标性能的材料；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、目标性能。本方法将物理冶金机制引入到机器学习中，同时结合优化算法形成完备的设计平台，设计结果更加符合物理冶金学原理。

技术领域

本发明涉及钢铁材料的设计和机器学习应用技术领域，尤其涉及一种基于物理指导的机器学习算法的钢铁材料设计方法。

背景技术

随着材料研发进入大数据时代，应用新方法加速新材料的研发已成为现在材料研发的主流趋势。材料研发一般是随着社会需求而发展起来的，形成了多种基础理论及设计方法。传统的材料研发基于传统试错法进行开发设计，对符合实际要求的钢种通过大量的正交实验研究，确定出符合要求的成分及热处理工艺。而这种实验为指导的材料设计方法被广泛认为是一种耗时长﹑低效率﹑成本高及受到实验设备及条件的限制。

为了提升材料的研发效率，避免传统试错法低效的研发效率，一些以物理冶金学为基础的性能预测和材料设计方法也被广泛应用到高性能材料的研发中。以强度预测为例，已经形成了许多经典的物理模型，比如，析出强化计算所需的Orowan模型和Friedel模型，固溶强化计算所需的Fleischer模型，位错强化计算所需的Kocks-Mecking模型以及细晶强化计算所需的Hall-Petch模型。基于以上模型，很多学者已经成功预测了材料的强度。在Olson的研究中，上述强化模型被用来计算各部分的强度贡献，最后累加各部分强度贡献计算得到材料的强度。虽然基于物理模型成功设计出一些先进材料，但是在进一步应用中一些缺点也不断暴露出来：(1)PM模型存在大量物理冶金参数，这些参数对于模型的精度至关重要。但是这些重要参数的获取往往需要复杂的显微组织表征，大幅增加建模所需实验量，降低了PM模型的研发效率。(2)一些复杂的相变机制仍然在学术界存在争议，这限制了模型的进一步优化。(3)随着人们对相变中物理机制的理解更为深入，物理模型被不断优化，这大幅增加了PM模型的复杂程度，限制了模型的普适性。

机器学习作为近几年兴起的一门热门学科，在材料设计的方面具有独特的优势，其目的是以相对较低的错误率，低成本及高效率，获得先进的材料的性能。机器学习通过大量的实验数据和其他相关的计算机技术，如数据挖掘和图像识别，对材料的性能进行预测及设计。近些年来，一些学者利用机械学习回归或分类工具成功预测了多种材料性能和微观结构信息。比如：马氏体时效钢﹑海洋钢及混凝土等方面。近年来，众多学者将机器学习算法与优化算法如遗传算法结合以设计所需钢种。印度CSIR国家冶金实验室ChowdhuryS使用此方法设计API等级微合金化管线钢。并对ANN模型各输入参数进行分析，以研究成分工艺等参数对管线钢性能的影响，而Pareto前沿则揭示了最佳目标性能下的成分、工艺参数范围，这些都有助于设计具有更佳综合性能的管线钢。但是，当前基于纯机器学习方法对材料的性能预测和设计只是一个纯数学过程，很少有物理冶金参量涉及到设计过程中，这大幅浪费了物理冶金学在材料设计中的独特优势。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于物理指导的机器学习算法的钢铁材料设计方法，本方法将物理冶金机制引入到机器学习中，同时结合优化算法形成完备的设计平台，设计结果更加符合物理冶金学原理；

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于物理指导的机器学习算法的钢铁材料设计方法，包括如下步骤：

步骤1：建立数据集；