[发明专利]基于Hybrid思想的不锈钢环境开裂判别方法及系统

说明书

本发明公开了一种基于Hybrid思想的不锈钢环境开裂判别方法及系统。该方法包括：采用粒子群算法对若干类型的分类模型的预设参数进行寻优，得到基于各自最优预设参数的最优分类模型，其中，粒子的适应度采用基于所述粒子训练得到的分类模型的准确度来确定，用于训练所述分类模型的样本为环境参数，标签为不锈钢是否开裂；采用各最优分类模型根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各最优分类模型的预测结果；基于各预测结果确定所述不锈钢是否发生开裂。本发明对不锈钢开裂情况的预测准确度更高、泛化能力更强。而且，本发明引入了粒子群优化算法来确定各分类模型所需的最优参数，避免了人为给定参数的不科学性。

技术领域

本发明涉及不锈钢开裂判别领域，特别是涉及一种基于Hybrid思想的不锈钢环境开裂判别方法及系统。

背景技术

不锈钢因其优越的耐热性、耐腐蚀性以及力学性能，被广泛应用于核电、石油、化工等行业，对国民经济发展起到了不可替代的作用。应力腐蚀开裂 (Stress CorrosionCracking,SCC)是指材料在应力和环境的共同作用下发生的失效开裂。SCC极为复杂、破坏力大、易突发，通常在没有明显迹象的低应力状态下造成灾难性的后果，一直是不锈钢服役期间主要的安全隐患。因此，对SCC的预测研究尤为重要，其成果能够给企业一定的启示，以便采取相应的安全措施来提前应对风险，保障人民群众生命与财产安全。

相较于基于SCC机理提出的滑移-氧化/溶解、Shoji、环境耦合致裂(CEFM) 等预测SCC裂纹扩展速率的模型，以机器学习为代表的经验性模型给我们提供了新的选择。国内外已有部分学者将机器学习应用于不锈钢应力腐蚀开裂敏感性预测中，例如属于联结主义的BP神经网络算法与行为类推主义的支持向量机(Support Vector Machine,SVM)。结果表明这些模型表现较好，证明了机器学习在预测SCC上是可行的。但这些算法都有各自的缺点，例如BP神经网络的可解释性差，易陷入局部极值，SVM在处理大样本和多类别的问题上有明显的不足，且它们都容易发生过拟合。

发明内容

本发明的目的是提供一种分类准确度高、泛化能力强的基于Hybrid思想的不锈钢环境开裂判别方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于Hybrid思想的不锈钢环境开裂判别方法，包括：

采用粒子群算法对若干类型的分类模型的预设参数进行寻优，得到基于各自最优预设参数的最优分类模型，其中，粒子的适应度采用基于所述粒子训练得到的分类模型的准确度来确定，用于训练所述分类模型的样本为环境参数，标签为不锈钢是否开裂；

采用各最优分类模型根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各最优分类模型的预测结果；

基于各预测结果确定所述不锈钢是否发生开裂。

可选的，所述分类模型包括RF分类模型、XGBoost分类模型、SVM分类模型中的至少一种。

可选的，所述RF分类模型和所述XGBoost分类模型的预设参数均包括决策树的数量以及树的最大深度；所述SVM分类模型的预设参数包括误差的宽容度以及核函数自带参数σ。

可选的，在所述基于各预测结果确定所述不锈钢是否发生开裂之前，还包括：

采用NBM分类模型和/或ELM分类模型分别根据不锈钢的环境参数对所述不锈钢是否开裂进行预测，得到各分类模型的预测结果。

可选的，粒子适应度的计算方法包括：

将训练集分为n份，其中，n为大于等于2的整数；

轮流取n-1份训练分类模型，1份验证模型，计算n次测试得到平均准确度，其中，所述分类模型中的预设参数由所述粒子提供，所述平均准确度为所述粒子的适应度，所述适应度越高的粒子越优秀。