[发明专利]基于物理冶金学指导下机器学习的低活化钢的设计方法

说明书

本发明提供一种基于物理冶金学指导下机器学习的低活化钢的设计方法，涉及材料计算设计技术领域。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最佳强度的低活化钢，对低活化钢的成分及工艺进行设计；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、屈服强度。该方法使基于统计学的机器学习富有了物理冶金学含义，并且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。

技术领域

本发明涉及材料计算设计技术领域，尤其涉及一种基于物理冶金学指导下机器学习的低活化钢的设计方法。

背景技术

面对日益严峻的能源危机问题，开发清洁的聚变能源是解决能源短缺的重要途径。然而，由于需要承受长时间的中子辐照，聚变堆的结构材料问题亟待解决。由于低活化钢(RAFM)具有良好的耐高温、组织构成稳定性、抗辐照性能，因此被认为是最具工程应用前景的聚变堆的结构材料之一。根据我国核聚变工程实验堆的发展路线，计划在30年内将我们的结构材料抗辐照性能从5个dpa提升到20个dpa，这对低活化钢的强度提出了更高的要求。低活化钢的强化设计一般依托于工程实践，通过大量的实验研究，确定出优化的合金成分及热处理工艺参数。然而，这种实验为指导的材料设计方法耗时长﹑效率低﹑成本高且易受到实验设备及条件的限制，不能满足CFETR的要求。

通过新兴的机器学习，能够显著提升提高低活化钢强化设计效率。机器学习的方法在材料设计与研发领域具有重要的应用前景，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。在更全面、完善的数据库，更深入的人工智能算法支撑下，机器学习方法能够为科研人员提供更准确的信息，对材料的性能进行预测及设计，加速材料的研发过程。目前，集成学习算法对于高维非线性问题具有很好的处理效果，如GBR算法，通过构建多个回归器来协同预测性能，并取得了较好的结果，并且该算法也被广泛应用到材料科学领域。然而，对于大多数的机器学习只是对数据库进行统计推断及优化计算，其结果极大依赖数据的可靠性。实际上，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，其对材料的预测和设计过程很少有物理冶金参数的参与，无法体现出物理冶金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，提供一种基于物理冶金学指导下机器学习的低活化钢的设计方法，使基于统计学的机器学习富有了物理冶金学含义，并且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。

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冶金学指导下机器学习的低活化钢的设计方法，包括如下步骤：

步骤1：数据采集；

步骤1.1：获取g种低活化钢的成分、工艺及其对应的屈服强度，每一种低活化钢的成分、工艺、屈服强度为一组原始数据，g组原始数据形成原数据集；所述成分为组成低活化钢的元素及含量，所述工艺为热处理温度以及时间；原数据集用于作为低活化钢强度预测的有效数据；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；标准化公式为：z＝(x-μ)/σ，其中z是标准化数据，x是原始数据，μ是原始数据中每一维变量的均值，σ是原始数据中每一维变量的标准差；

步骤1.2：根据热动力学软件ThermoCalc计算原始数据集中每一种低活化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；