[发明专利]一种含Re、Ru镍基单晶高温合金蠕变寿命预测方法

说明书

本发明提供了一种含Re、Ru镍基单晶高温合金蠕变寿命预测方法，涉及镍基单晶高温合金领域。该方法基于镍基单晶高温合金成分‑蠕变条件‑蠕变寿命小型数据集，利用机器学习，实现了两模型联动预测镍基单晶高温合金的蠕变寿命。该方法通过耦合低精度和高精度模型，提高了机器学习在小型数据集上的预测精度，对材料科学领域一些复杂且数据量较少的机器学习问题具有借鉴意义。此外，该蠕变寿命预测方法可在数据集覆盖的成分和蠕变条件范围内，对含Re、Ru镍基单晶高温合金的蠕变寿命做出快速预测，在镍基单晶高温合金的成分设计及优化中具有较强工程应用意义及广阔前景。

技术领域

本发明属于镍基单晶高温合金领域，具体涉及一种含Re、Ru镍基单晶高温合金蠕变寿命预测方法。

背景技术

镍基单晶高温合金具有优异的高温综合性能，主要用于制造航空发动机、燃气轮机热端涡轮叶片。为了提高发动机的性能、效率和可靠性，单晶高温合金的研发非常重要。建立合金成分与高温力学性能的定量关系对镍基单晶高温合金的合金成分设计和优化具有重要指导意义。蠕变寿命是评价镍基单晶高温合金高温力学性能的重要指标。虽然可以通过实验测定合金的蠕变寿命，但随着合金的发展，加入了大量的Re、Ru等贵金属元素进行合金化，导致镍基单晶高温合金的制备成本极高。因此，建立镍基单晶高温合金的蠕变寿命预测方法对加速其成分设计和优化具有十分重要的意义。

传统的蠕变寿命预测方法主要包括Larson-Miller参数法和θ投影法，两种方法均是根据短时的实验室加速蠕变数据来估计合金的长时服役寿命，这意味着对某一合金的蠕变寿命进行预测时，需要先对该合金进行大量蠕变实验来拟合模型参数。显然，上述两种方法无法满足含Re、Ru的镍基单晶高温合金的高效开发。

近年来，随着材料基因组理论和数据挖掘方法的发展，基于统计学、人工智能和计算机科学的机器学习方法在材料性能预测、材料设计等方面的成功运用逐渐引起人们的广泛关注。机器学习方法在镍基高温合金蠕变性能预测方面也取得了一定的进展，但总体而言均是长期从事镍基单晶高温合金设计的研究所如NIMS或大型航空发动机公司GE等在强大的历史数据的基础上实现的，而镍基单晶高温合金作为一种具有战略意义的材料，通常研究人员能够公开获得的数据量是有限的，因此面对数据量少、机制复杂的问题，如何提高机器学习的预测能力是关键。

因此，有必要从小型数据集出发，在小数据量的情况下尽可能提高机器学习的预测能力和稳定性，建立一种镍基单晶高温合金蠕变寿命预测方法。

发明内容

本发明的目的是提供一种基于小型数据集和机器学习的镍基单晶高温合金蠕变寿命预测方法。该方法可在数据集覆盖的成分和蠕变条件范围内，对含Re、Ru镍基单晶高温合金的蠕变寿命做出快速预测。

一种含Re、Ru镍基单晶高温合金蠕变寿命预测方法，其核心技术要点为：将高、低精度的两个机器学习模型结合起来，利用高精度模型对低精度模型的预测结果进行判断和调整，有效提高了预测精度。具体的预测方法如图1所示，主要包括以下步骤：

1)构建数据集：收集与镍基单晶高温合金蠕变寿命相关的数据，构建小型数据集，包括合金成分、测试条件及蠕变寿命；

2)针对1)中构建的数据集，以合金成分、蠕变温度、蠕变应力为输入，蠕变寿命为输出，比较不同机器学习算法的预测能力后，选取BP神经网络构建寿命模型Model L；

3)针对1)中构建的数据集，以合金成分、蠕变温度、蠕变寿命为输入，蠕变应力为输出，比较不同机器学习算法的预测能力后，选取BP神经网络构建应力模型Modelσ；

4)对目标合金的蠕变寿命进行预测时，先采用Model L模型获得初始预测寿命值，然后将初始预测寿命作为输入传递给Modelσ，通过准确度更高的Modelσ获得预测应力，再根据预测应力与实际测试应力的差别对合金的初始预测寿命值进行判断和调整。