[发明专利]基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法

权利要求书

1.一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，其特征在于，包括以下步骤：

步骤1：建立钢铁材料成分、工艺及性能数据集；

步骤1.1：获取钢铁材料中m种材料的成分、工艺及其对应的源性能，每一种材料的成分、工艺、源性能为一组原始数据；m组原始数据形成源数据集；所述成分为材料的元素及含量，所述工艺为材料的工艺参数；源数据集用于作为材料源性能预测的有效数据；对源数据集中的所有数据进行标准化处理，形成源性能初始数据集，标准化处理公式为：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：获取钢铁材料中n种材料的成分、工艺及其对应的目标性能，即疲劳性能，每一种材料的成分、工艺、目标性能为一组原始数据；n组原始数据形成目标数据集；所述成分为材料的元素及含量，所述工艺为材料的工艺参数；目标数据集用于作为材料目标性能预测的有效数据；对目标数据集中的所有数据进行标准化处理，形成目标性能初始数据集；

步骤2：对源性能初始数据集及目标性能初始数据集进行预处理；

步骤2.1：令划分比例为6：2：2，将源数据集采用随机法第i次划分为源训练集、源测试集及源验证集；其中划分次数i∈F，F为设置的划分总次数；令划分比例为3：1：10，将目标数据集采用随机法第i次划分为目标训练集、目标测试集及目标验证集；其中划分次数i∈F，F为设置的划分总次数；

步骤2.2：源数据集、目标数据集中输入input即d维的成分和工艺重塑为K×K维矩阵，矩阵中不足K²位置补充为0；

步骤3：使用步骤2.2处理后的源数据集中源训练集建立卷积神经网络源模型；训练好的卷积神经网络源模型通过输入成分、工艺获得源性能；

步骤4：根据步骤2.2处理后的目标数据集建立卷积神经网络迁移模型，并对卷积神经网络迁移模型进行训练；将训练好的卷积神经网络迁移模型通过输入成分、工艺获得目标性能。

2.根据权利要求1所述的一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1：建立卷积神经网络源模型，模型由卷积层、全连接层、输出层组成，其中卷积层为数量为2，全连接层数量为1；所述卷积层均采用3×3卷积核，激活函数选择ReLU，ReLU公式近似推导如下：

f(x)＝≈max(0,x)

其中x为输入数值；

步骤3.2：将步骤2.2中源数据集的输入数据即K×K维矩阵和输出数据源性能分别输入卷积神经网络源模型中，采用Adam优化器对源模型进行训练，并对Adam优化器进行参数优化；

所述Adam优化器的公式参数设定：为g_t的元素乘操作；α为学习率；β₁,β₂∈[0,1)为矩估计的指数衰减率；f(θ)为参数θ的随机目标函数值；θ₀为初始的参数向量；m₀←0为初始第一矩向量；v₀←0为第二矩向量；t←0为时间步长；

所述Adam优化器的参数优化过程：

当θ_t未收敛时：{t←t+1，获得新一轮的梯度值；

m_t←β₁·m_t-1+(1-β₁)·g_t更新第一矩向量；

更新第二矩向量；

计算偏差校正的第一矩向量；

计算偏差校正的第二矩向量；

更新参数；}

优化过程结束；优化过程中采用MeanSquareError，即MSE作为源模型性能的评价指标；设置源模型训练的迭代次数为t'；

步骤3.3：对源模型训练完毕后，使用该模型对源验证集进行预测，预测精度使用平方相关系数R²和平均绝对误差MAE指标评价，公式如下：

n代表源验证集的样本数据总量，x_i代表测试集内第i个样本，f(x_i)为模型预测的源性能值，y_i所对应的源性能的真实值；

若验证集中数据预测结果的R²均值大于95％，则模型精度达到应用要求；否则返回到步骤3.2，通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络源模型进行训练，直至满足应用要求。

3.根据权利要求2所述的一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，其特征在于，所述步骤4具体包括以下步骤：

步骤4.1：建立迁移模型，模型由卷积层、全连接层、输出层组成，其中卷积层为数量为2，全连接层数量为1；其中卷积层和全连接层应用步骤3中建立源模型的模型参数，在迁移模型训练中，卷积层和全连接层保持冻结状态；所述卷积层均采用3×3卷积核，激活函数选择步骤3.1中ReLU函数；

步骤4.2：将步骤2中目标数据集的即K×K维矩阵和输出数据目标性能分别输入到卷积神经网络迁移模型中，采用步骤3.2中Adam优化器对目标模型进行训练，并进行参数优化；

步骤4.3：对迁移模型训练完毕后，对目标验证集进行预测，预测精度使用平方相关系数R²和平均绝对误差MAE指标评价；若验证集中数据预测结果的R²均值大于90％，MAE低于15MPa，则模型精度达到应用要求；否则返回到步骤4.2，通过调节前述参数优化中优化器学习率、调节迭代次数重新对卷积神经网络迁移模型进行训练，直至满足应用要求；

步骤4.4：基于力学理论指导卷积神经网络迁移模型的应用；

通过基于力学理论指导的迁移学习模型的训练建立成分、工艺与目标性能的关系，在迁移学习模型的应用过程中，将目标钢铁材料的成分、工艺参数输入到迁移模型中预测得到对应的目标性能。