基于无监督识别的钢铁材料力学性能预测方法及系统技术方案

本发明专利技术提出了一种基于无监督识别的钢铁材料力学性能预测方法及系统。包括：对材料进行取样，利用光学显微镜或扫描电镜获取材料的显微图像；利用机器学习算法，根据图像的颜色、边缘信息、将图像划分成为若干超像素；计算各超像素的纹理特征；根据纹理特征对各个超像素进行聚类，从而识别图像中钢铁材料各种组织；以材料组织识别结果，结合各单相组织力学性能，建立代表性体积元模型，对材料虚拟拉伸过程进行计算，获得各结点应力应变值，统计获得材料整体应力应变，从而分析计算出各项力学性能参数。本方法的提出实现了通过观察材料显微组织预测出其力学性能，具有取样区域小、方法简单的特点，可以用于难以获得拉伸试样区域的力学性能预测。力学性能预测。力学性能预测。

【技术实现步骤摘要】
基于无监督识别的钢铁材料力学性能预测方法及系统


[0001]本专利技术涉及力学性能预测领域，尤其涉及一种基于无监督识别的钢铁材料力学性能预测方法及系统。

技术介绍

[0002]近些年，汽车的节能减排得到人们很大程度的重视，轻量化是实现节能减排的一种方式。传统热冲压将坯料加热奥氏体化，之后在冷模具中成形
‑
淬火。所获零件组织为全马氏体，强度高塑性低(约1500MPa
×
6％)，导致零件冷弯性能不足、碰撞吸能差，易发生二次碰撞，造成人身伤害。随着变强度热冲压技术的兴起，通过降低冷却速度使零件整体或局部获得软质相(铁素体、贝氏体等)形成多相高强度钢增加塑性，可以很好地提高零件服役性能，但是钢铁材料力学性能数据通过实验方法获得费时费力，通过钢铁材料显微组织图像对其力学性能进行预测是一种简便可行的替代方法，有助于热冲压工艺的设计。
[0003]传统的利用代表性体积元法进行力学性能预测，材料微观组织结构，需要通过人工进行组织识别费时费力容易产生误差。通过机器学习算法实现组织识别的方法通常利用深度神经网络实现，需要大量的标记数据，限制了该方法运用，因此亟待一种无监督算法对钢铁材料组织进行高效，准确的识别，进而预测其力学性能。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种基于无监督识别的钢铁材料力学性能预测方法及系统，旨在解决现有技术通常利用深度神经网络实现，需要大量的标记数据的问题。本专利技术通过k均值聚类算法，对相邻超像素的特征向量进行归类及合并，从而实现钢铁材料各种组织的无监督识别。
[0005]本专利技术的技术方案是这样实现的：
[0006]一方面，本专利技术提出了一种基于无监督识别的钢铁材料力学性能预测方法，其包括以下步骤；
[0007]S1，通过扫描电镜拍摄并制备钢铁材料显微组织照片，对显微组织照片进行预处理，得到清晰的钢铁材料的显微图像；
[0008]S2，对显微图像进行超像素分割，生成紧凑、近似均匀的各个超像素，提取各个超像素的纹理特征参数，将各个超像素的纹理特征参数组成超像素的特征向量；
[0009]S3，通过k均值聚类算法对超像素的特征向量进行聚类，根据预先已知各种组织的纹理特征参数，对聚类结果进行标注，并将相同标签的超像素的特征向量子块进行融合，得出钢铁材料显微组织的识别结果；
[0010]S4，利用代表性体积元法，对钢铁材料显微组织的识别结果进行虚拟拉伸过程仿真，获得钢铁材料力学性能参数。
[0011]优选的，步骤S1中，对显微组织照片进行预处理，具体包括以下步骤，
[0012]S11，利用图像增强的方法，使原来不清晰的图像变得清晰；
[0013]S12，通过去除噪声点的方法，均值滤波降噪，降低噪声点对图像的干扰；
[0014]S13，对图像进行归一化处理，得到相同形式的标准显微图像。
[0015]在以上技术方案的基础上，优选的，步骤S1中所述钢铁材料显微组织照片选用SEM照片，在制备照片的时候采用扫描电镜拍摄的方式，保证了初始待处理的显微组织照片的清晰度。
[0016]在以上技术方案的基础上，进一步优选的，步骤S1中所述钢铁材料显微组织照片优先选用均值滤波或空域滤波方法对图像进行平滑，梯度算子法对图像进行锐化提高晶界的可识别性。
[0017]优选的，步骤S2中，利用SLIC(Simple Linear Iterative Clustering，简单的线性迭代聚类)对显微图像进行超像素分割。
[0018]在以上技术方案的基础上，优选的，所述SLIC分割的超像素选用的种子数为200
‑
400，即初始超像素数目。
[0019]优选的，步骤S2中，利用GLCM(Gray
‑
Level Co
‑
occurrence Matrix，灰度共生矩阵)提取各个超像素的纹理特征参数。
[0020]优选的，步骤S2中，所述纹理特征参数包括，能量、对比度、逆差距、熵、自相关等，并在将各个超像素的纹理特征参数组成超像素的特征向量之前对所有纹理特征参数进行加权。
[0021]优选的，步骤S3中，通过所述k均值聚类算法，对相邻超像素的特征向量进行归类及合并，从而实现钢铁材料各种组织的无监督识别。
[0022]在以上技术方案的基础上，优选的，所述k均值聚类算法的k值取2
‑
4。
[0023]进一步优选的，步骤S3中，得出钢铁材料显微组织的识别结果之后，还包括以下步骤，统计所述各种组织的相比例、晶粒尺寸、相间距等，用于定量的分析钢铁微观结构与力学性能的关系。
[0024]在以上技术方案的基础上，再进一步优选的，步骤S3中，所述各种组织包括，马氏体、贝氏体、铁素体、珠光体等。
[0025]优选的，步骤S4中，具体包括以下步骤，
[0026]S41，根据钢铁材料显微组织的识别结果，截取图像作为微观结构图像，用三次样条曲线对晶粒边缘进行拟合，完成微观结构图像的矢量化；
[0027]S42，根据矢量化后的微观结构图像，重构钢铁材料显微组织的RVE几何模型，选择适当的网格尺寸并划分网格；
[0028]S43，在网格中选择有限元单元，对不同的钢铁材料显微组织赋予各个单相组织微观条件下的力学性能，获得各结点应力应变值，统计获得钢铁材料整体应力应变，并绘制得到钢铁材料应力应变曲线；
[0029]S44，根据应力应变曲线，计算出材料的力学性能参数。
[0030]进一步优选的，步骤S41中，还包括以下步骤，不同组织中的晶粒之间会形成晶界，晶界处还会引入内聚力单元模型，模拟晶间破坏过程。
[0031]在以上技术方案的基础上，再进一步优选的，所述内聚力单元模型采用修正的Mohr
‑
Coulomb模型。
[0032]进一步优选的，步骤S43中，所述的各个单相组织微观条件下的力学性能，可以通
过纳米压痕试验获得行程
‑
载荷曲线，从而利用逆算法反求获得。
[0033]具体的，步骤S43中，获得各结点应力应变值，具体包括施加边界条件，进行虚拟拉伸过程有限元模拟，得出各结点应力应变值。
[0034]在以上技术方案的基础上，再进一步优选的，施加边界条件，具体包括以下步骤，建立具有一定厚度的粘结单元薄层，厚度设为2
‑
5微米，边界将与其周围单元共享相同的节点。
[0035]另一方面，本专利技术提出了一种基于无监督识别的钢铁材料力学性能预测系统，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于无监督识别的钢铁材料力学性能预测方法程序，所述基于无监督识别的钢铁材料力学性能预测方法程序配置为实现如前文第一方面所述的基于无监督识别的钢铁材料力学性能预测方法的步骤。
[0036]本专利技术的一种基于无监督识别的钢铁材料力学性能预测方法及系统相对于现有技术具有以下有益效果：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督识别的钢铁材料力学性能预测方法，其特征在于：包括以下步骤；S1，通过扫描电镜拍摄并制备钢铁材料显微组织照片，对显微组织照片进行预处理，得到清晰的钢铁材料的显微图像；S2，对显微图像进行超像素分割，生成紧凑、均匀的各个超像素，提取各个超像素的纹理特征参数，将各个超像素的纹理特征参数组成超像素的特征向量；S3，通过k均值聚类算法对超像素的特征向量进行聚类，根据预先已知各种组织的纹理特征参数，对聚类结果进行标注，并将相同标签的超像素的特征向量子块进行融合，得出钢铁材料显微组织的识别结果；S4，利用代表性体积元法，对钢铁材料显微组织的识别结果进行虚拟拉伸过程仿真，获得钢铁材料力学性能参数。2.如权利要求1所述的一种基于无监督识别的钢铁材料力学性能预测方法，其特征在于：步骤S1中，对显微组织照片进行预处理，具体包括以下步骤，S11，利用图像增强的方法，使原来不清晰的图像变得清晰；S12，通过去除噪声点的方法，均值滤波降噪，降低噪声点对图像的干扰；S13，对图像进行归一化处理，得到相同形式的标准显微图像。3.如权利要求1所述的一种基于无监督识别的钢铁材料力学性能预测方法，其特征在于：步骤S2中，所述纹理特征参数包括，能量、对比度、逆差距、熵和自相关，并在将各个超像素的纹理特征参数组成超像素的特征向量之前对所有纹理特征参数进行加权。4.如权利要求1所述的一种基于无监督识别的钢铁材料力学性能预测方法，其特征在于：步骤S3中，得出钢铁材料显微组织的识别结果之后，还包括以下步骤，统计所述各种组织的组织参数，所述组织参数包括但不限于，相比例、晶粒尺寸和相间距，用于定量的分析钢铁微观结构与力学性能的关系。5.如权利要求4所述...

【专利技术属性】
技术研发人员：张辉，朱彬，徐晋梅，王义林，李宏，张宜生，李玉萍，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：