[发明专利]一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法

说明书

一种基于BP神经网络的热处理态Mg‑Zn‑Zr系合金组织和力学性能预测方法，其属于镁合金组织和力学性能预测技术领域。首先，针对不同合金成分和热处理工艺下的Mg‑Zn‑Zr系合金进行一系列的组织和力学性能试验，获得的试验数据作为训练BP神经网络的样本数据集；其次，构建BP神经网络，包括输入层、隐含层和输出层，从而建立Mg‑Zn‑Zr系合金成分、热处理工艺与组织、力学性能之间的映射关系；最后，采用构建的BP神经网络对热处理态Mg‑Zn‑Zr系合金的组织和力学性能进行预测。本发明建立的BP神经网络具有较高的预测准确性，推广能力强，缩短优化镁合金成分和热处理工艺的时间，降低研制成本。

技术领域

本发明涉及镁合金组织和力学性能预测技术领域，具体是一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法。

背景技术

机器学习和人工神经网络作为人工智能领域的一个子集，能够被应用于可挖掘输入输出之间关联的大型复杂数据集中。人工神经网络近似模拟真实生物大脑的工作模式，通过学习过程来实现有用计算，已经成为材料科学领域强大而灵活的计算与预测工具。虽然人工神经网络在输出准确的结果前要有大量训练数据集输入，但研究者通常是从巨大的多维可能性空间中找出相对较小的能制造有益材料的配方空间。通过传统试错法来寻找这样的空间会花费很长的时间和很高的成本，而且对应属性已知材料的区域也仅是全空间的极小一部分，因此，采用已知的信息训练人工神经网络模型，进而用这些模型来预测未知的信息，将会显著提高材料研发的效率，降低研制成本。

目前，人工神经网络已应用于材料力学性能预测中，中国专利文献号为CN107609647A，专利名称为《一种基于BP神经网络轧辊合金力学性能预测方法》，公开了一种预测不同合金成分和热处理工艺参数对合金铸钢轧辊力学性能影响的人工神经网络模型，为研发新型合金铸钢轧辊提供新方法。中国专利CN101908083A公开了一种预测Q345焊接接头力学性能的人工神经网络模型，建立了焊接工艺参数和焊接接头力学性能之间的映射关系。此外，中国专利CN108763848A公开了一种基于BP人工神经网络的推进剂力学性能预测方法。然而，目前人们还尚未将BP神经网络应用于Mg-Zn-Zr系合金组织和力学性能预测的研究中。

Mg-Zn-Zr系合金以其较高的屈服强度和组织致密性，较好的耐腐蚀性等优点，被逐步应用于汽车、飞机的零部件中。合金化和热处理是改善镁合金组织、提高其力学性能的有效手段。然而，采用传统试错法研究合金成分和热处理工艺对镁合金组织和力学性能的影响，存在实验周期长、研发成本高等缺点，并且，镁合金的组织、力学性能与成分、热处理工艺之间为复杂的非线性关系，不能用简单的数学关系式表示。利用人工神经网络具有无限逼近非线性映射的特征，能够构建Mg-Zn-Zr系合金“成分/热处理工艺—组织/性能”之间的关联，从而对Mg-Zn-Zr系合金的组织和力学性能进行快速预测，提高研发效率，缩短优化镁合金成分和热处理工艺的时间，降低研制成本。

发明内容

针对现有技术中存在的问题，本发明的目的是提供一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法，以提高镁合金组织和力学性能的预测效率，缩短优化镁合金成分和热处理工艺的时间，降低研发成本。

为实现上述技术目的，达到上述技术效果，本发明提供一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法，包括如下步骤：

步骤S1：通过对不同合金成分和热处理工艺下的Mg-Zn-Zr系合金进行一系列的组织和力学性能试验，收集并筛选试验数据，经归一化处理后得到训练BP神经网络的样本数据集；

步骤S2：设计BP神经网络，包括网络层数、输入层神经元个数、隐含层神经元个数、输出层神经元个数，选择BP神经网络的传递函数、训练方法和训练参数；

步骤S3：利用上述样本数据集训练BP神经网络，得到最佳性能的BP神经网络，建立Mg-Zn-Zr系合金成分、热处理工艺与组织、力学性能之间的映射关系；