一种基于深度学习的耐热合金高温力学性能预测方法技术

一种基于深度学习的耐热合金高温力学性能预测方法，包括以下步骤：S1、形成原始实验数据库；S2、对原始实验数据库中的显微组织照片进行数据预处理；S3、根据耐热合金高温力学性能实验值分布情况，将原始实验数据库划分为连续的N类，并将划分的类别值作为对应图像的类别标签；将标签化后的图像数据分组；S4、并将所有组图像数据分别进行数字张量化处理；S5、构建深度学习模型，配置模型结构与模型参数，优化深度学习模型的预测效果；S6、采用优化深度学习模型，根据耐热合金显微组织图片预测其高温力学性能。本发明专利技术能够实现耐热合金从显微组织到高温力学性能的直接预测，提升耐热合金高温性能检测效率、节约耐热合金高温检测成本。

A prediction method of high temperature mechanical properties of heat-resistant alloy based on deep learning

【技术实现步骤摘要】
一种基于深度学习的耐热合金高温力学性能预测方法
本专利技术涉及耐热合金材料高温性能分析领域，尤其涉及一种基于深度学习的耐热合金高温力学性能预测方法。
技术介绍
材料的力学性能由其显微组织直接决定，耐热合金是金属材料的高端产品，广泛应用于石油、化工、发电、航空航天等关系国家安全和国民经济命脉的行业领域，耐热合金的发展也与这些领域的进步有非常密切的联系。伴随着世界工业化高速发展，对耐热合金的需求呈不断上升趋势。随着耐热合金在当今社会越来越广泛的应用，对耐热合金的高温力学性能检测需求的规模也随之提升。虽然目前已经积累了大量的耐热合金组织性能实验数据，对于耐热合金高温力学性能的检测一直采用常规方法，需要对耐热合金进行长时高温测试，耗能耗时。例如对于喷气式涡轮机的设计寿命常为104小时(1年)，乙烯裂解炉炉管设计寿命则为105小时(10年)，而对于核反应堆耐热合金，其使用标准则长达40年。材料力学性能的预测是材料基因组技术的重点与难点，其困难在于宏观材料由极大数量原子构成的，其力学性能则通常是多个物理机制复杂耦合的结果，很少只受单一因素影响。尽管目前的位错动力学方法、晶体塑性理论和微观力学方法试图预测耐热合金在某些特定尺度下的力学行为，但还没有一种普适且广泛采用的直接从显微组织出发预测耐热合金力学性能的方法。另一方面，目前耐热合金领域里根据显微组织预测力学行为的方法完全依靠人工处理且仅能做定性分析。而同牌号系列耐热合金显微组织也存在细节上的差异，仅靠人工归纳需要集中大量人力耗费较长时间才能完成，且尚不能获得比较精确可靠的结果。以上问题严重制约了材料基因组技术在耐热合金中的应用。自2011年以来世界范围内广泛发展的材料基因组技术(MaterialsGenomeInitiative,MGI)强调寻找和建立材料从原子排列到相的形成到显微组织形成到材料宏观性能之间的相互关系。材料基因组技术提供了一种革新材料研发方法、加速材料从研究到应用进程的新思路，以最终支撑高端材料、先进制造和高新技术的发展。材料基因组技术发展多年，材料力学性能的预测一直是其短板，原因在于力学性能涉及位错的形成及其交互作用、位错与显微组织及其他缺陷之间交互作用、缺陷和裂纹的形成与长大、材料和缺陷与环境的交互作用等从原子到微观到介观尺度不同的机制作用，因此建立材料力学性能的预测模型至今仍是一个非常复杂和困难的工作。
技术实现思路
本专利技术提出一种基于深度学习的耐热合金高温力学性能预测方法。其深度学习模型采用卷积神经网络(ConvolutionalNeuralNetworks：CNN)结构，以标准统一化后的耐热合金显微组织图像(含未服役与服役后材料)及其对应高温力学性能实验结果为数据库，构建与优化深度学习模型，以实现根据耐热合金显微组织图像预测其高温力学性能的目的。本专利技术能够充分利用目前已积累的大量耐热合金组织性能实验数据，挖掘其重要价值，并建立起耐热合金由显微组织到高温力学性能的定量预测方法。本专利技术对提升耐热合金性能检测效率，改善耐热合金性能预测方法的效率与准确性具有重要意义。为实现上述目的，本专利技术采用以下技术方案：一种基于深度学习的耐热合金高温力学性能预测方法，包括以下步骤：S1、获得同一牌号系列耐热合金在特定检测条件下的不同显微组织照片及其对应的高温力学性能测试结果，形成原始实验数据库；S2、对原始实验数据库中的显微组织照片进行数据预处理；S3、根据耐热合金高温力学性能实验值分布情况，将原始实验数据库划分为连续的N类，并将划分的类别值作为对应图像的类别标签；将标签化后的图像数据分成训练组数据、验证组数据、测试组数据；S4、读取每组图像数据，并将所有组图像数据分别进行数字张量化处理；S5、构建深度学习模型，配置模型结构与模型参数，采用训练组数据训练深度学习模型，根据验证组数据验证与优化深度学习模型，通过测试组数据检验最终测试优化后深度学习模型的预测效果，以获得优化深度学习模型；S6、采用优化深度学习模型，输入待测耐热合金的显微组织图片，输出其高温力学性能预测结果。本专利技术的优点在于：深度学习模型可以进行自动特征提取，而不受人工主观判断干预。在深度学习模型中，每一个节点层在整合重组前一层输出的基础上学习识别一组特定的特征。随着神经网络深度增加，节点所能识别的特征也就越来越复杂。这种特征层次结构的复杂度与抽象度逐层递增，因此深度学习模型能处理大规模高维度显微组织图像数据。本专利技术能够实现耐热合金从显微组织到高温力学性能的直接预测，补充材料基因组技术在力学性能预测方面的短板，在提升性能预测精度基础上为耐热合金的检测减少大量时间与经费消耗。并且经过训练的深度学习模型也能通过迁移学习方法对其它材料的性能预测提供支持。附图说明图1为本专利技术的研究方法主要步骤流程示意图。图2为一种典型的深度学习网络结构示意图。图3为本专利技术具体实施例中的深度学习网络结构示意图。图4为本专利技术实施例中原始深度学习网络训练与验证精度图。图5为本专利技术实施例中原始深度学习网络训练与验证损失图。图6为本专利技术实施例中优化后深度学习网络训练与验证精度图。图7为本专利技术实施例中优化后深度学习网络训练与验证损失图。图8为本专利技术具体实施例中优化深度学习网络对待测数据的处理过程及其性能预测结果图。具体实施方式如图1所示，一种基于深度学习的耐热合金高温力学性能预测方法，包括以下步骤：S1、获得同一牌号系列耐热合金在特定检测条件下的不同显微组织照片及其对应的高温力学性能测试结果，形成原始实验数据库；所述显微组织照片可取自未进行高温服役耐热合金或服役后耐热合金，但同一个性能预测模型所用显微组织须为相同服役状态耐热合金。在该实施例中，材料选为乙烯裂解炉炉管用25Cr35Ni+微合金系列耐热合金，显微组织照片取自未进行高温服役耐热合金，显微组织照片为扫描电子显微镜照片，耐热合金的高温力学性能在温度1100℃与应力17MPa条件下检测获得，高温力学性能为持久性能。S2、对原始实验数据库中的显微组织照片进行数据预处理；所述原始实验数据库中的显微组织照片拍摄时放大倍数和或尺寸不同，步骤S2中的数据预处理是先对所述显微组织照片进行缩放，使所有显微组织照片的放大倍数一致，然后经过等大小切割处理。该实施例中，以放大500倍显微组织图片为基准，通过对其它放大倍数图片的长宽等比例缩放，使其实际显微组织放大倍数等于500倍；随后对所有图片进行170×170像素切割。S3、根据耐热合金高温力学性能实验值分布情况，将原始实验数据库划分为连续的N类，并将划分的类别值作为对应图像的类别标签；该实施例中，根据原始实验数据库中耐热合金持久性能值分布，将原始实验数据库划分为50-100小时、100-200小时、200-250小时三类，并将类别名称作为类中显微组织图像标签。将标签化后的图像数据分成训练组数据、验证组数据、测试组数据；训练组数据数量远远高于本文档来自技高网...

【技术保护点】
1.一种基于深度学习的耐热合金高温力学性能预测方法，其特征在于，包括以下步骤：/nS1、获得同一牌号系列耐热合金在特定检测条件下的不同显微组织照片及其对应的高温力学性能测试结果，形成原始实验数据库；/nS2、对原始实验数据库中的显微组织照片进行数据预处理；/nS3、根据耐热合金高温力学性能实验值分布情况，将原始实验数据库划分为连续的N类，并将划分的类别值作为对应图像的类别标签；将标签化后的图像数据分成训练组数据、验证组数据、测试组数据；/nS4、读取每组图像数据，并将所有组图像数据分别进行数字张量化处理；/nS5、构建深度学习模型，配置模型结构与模型参数，采用训练组数据训练深度学习模型，根据验证组数据验证与优化深度学习模型，通过测试组数据检验最终测试优化后深度学习模型的预测效果，以获得优化深度学习模型；/nS6、采用优化深度学习模型，输入待测耐热合金的显微组织图片，输出其高温力学性能预测结果。/n

【技术特征摘要】
1.一种基于深度学习的耐热合金高温力学性能预测方法，其特征在于，包括以下步骤：
S1、获得同一牌号系列耐热合金在特定检测条件下的不同显微组织照片及其对应的高温力学性能测试结果，形成原始实验数据库；
S2、对原始实验数据库中的显微组织照片进行数据预处理；
S3、根据耐热合金高温力学性能实验值分布情况，将原始实验数据库划分为连续的N类，并将划分的类别值作为对应图像的类别标签；将标签化后的图像数据分成训练组数据、验证组数据、测试组数据；
S4、读取每组图像数据，并将所有组图像数据分别进行数字张量化处理；
S5、构建深度学习模型，配置模型结构与模型参数，采用训练组数据训练深度学习模型，根据验证组数据验证与优化深度学习模型，通过测试组数据检验最终测试优化后深度学习模型的预测效果，以获得优化深度学习模型；
S6、采用优化深度学习模型，输入待测耐热合金的显微组织图片，输出其高温力学性能预测结果。


2.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法，其特征在于，所述显微组织照片可取自未进行高温服役耐热合金或服役后耐热合金，但同一个性能预测模型所用显微组织须为相同服役状态耐热合金。


3.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法，其特征在于，所述原始实验数据库中的显微组织照片拍摄时放大倍数和或尺寸不同，步骤S2中的数据预处理是先对所述显微组织照片进行缩放，使所有显微组织照片的放大倍数一致，然后经过等大小切割处理。


4.根据权利要求1所述的一种基于深度学习的耐热合金高温力学性能预测方法，其特征在于，步骤S3具体为：训练组数据数量远远高于验证组数据数量，验证组数据数量不低于测试组数据数量。


5.根据权利要求1所述的一种基于深度学习的耐热合金高温力...

【专利技术属性】
技术研发人员：向抒林，陈涛，范志超，陈学东，连晓明，吴志刚，刘春娇，
申请(专利权)人：合肥通用机械研究院有限公司，合肥通用机械研究院特种设备检验站有限公司，
类型：发明
国别省市：安徽;34