一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法技术

本发明专利技术公开了一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，包括：对钢铁疲劳强度数据进行处理，利用动态图构建方法将钢铁材料疲劳强度序列数据构建成为图数据；有效的将特征金字塔和图卷积网络进行融合，构建预测钢铁疲劳强度的模型，预测钢铁疲劳强度。本发明专利技术创新性的将钢铁材料疲劳强度系列数据通过图构建方法构建成为图数据，而且首次创新性的将特征金字塔和图卷积神经网络结合用于钢铁材料疲劳强度的预测，利用图卷积神经网络和特征金字塔的优势互补，合理的解决两种算法本身存在的问题，在解决钢铁材料疲劳强度的预测问题上取得显著的成果。测问题上取得显著的成果。测问题上取得显著的成果。

【技术实现步骤摘要】
一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法


[0001]本专利技术涉及化学材料工程中材料特性研究领域，具体涉及一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法。

技术介绍

[0002]材料的机械性能会影响其在承受负载时的状态。材料的弹性模量会影响它在承受负载时的变形程度，而材料的强度决定了它在失效之前可以承受的负载。材料的延展性在确定材料在超过其弹性极限时何时会断裂方面也起着重要作用。由于每个机械系统在运行过程中都会承受负载，因此了解构成这些机械系统的材料的行为方式非常重要。影响力学性能的参数有很多，如微观结构、热处理、工艺方法、成分等。传统研究材料的机械性能时常通过大量的人工实验测量分析材料的性能，该方法研发周期长、资源浪费大，且操作中往往由于人工干预存在较大误差，不能达到实验预期，这在时间和金钱方面都是不利的。
[0003]在过去的二十年里，材料表征设备和基于物理的多尺度材料建模工具领域都取得了令人印象深刻的进展，这开创了材料科学和工程的大数据时代。随着大数据的出现，人们认识到，先进的统计数据和现代数据分析将不得不在未来开发新材料或改进材料的工作流程中发挥重要作用。数据科学在生成数据方面的能力已经远远超过了在几乎所有的科学领域中理解分析数据的能力，材料科学也不例外。这导致了科学的第四种范式的出现，它是数据驱动的科学和发现，并且是基于以全面的方式对大数据开发预测和基于发现的数据挖掘方法。第四种范式补充了数学建模、实验和计算机模拟这三种传统的科学进步模型。事实上，最先进的在这个领域的技术来自于计算机科学、高性能计算、机器学习和数据挖掘算法，并且，预测类数据挖掘已经通过应用程序的形式在商业领域，气候科学、生物信息学、天文学/宇宙学、入侵检测、网络分析和许多其他领域发挥着关键作用，有效地用于这些领域重大收益的决策与相关的结果。
[0004]在影响材料的机械性能的诸多因素中，机械的疲劳强度是一项重要的参数。它在许多工程应用中都能够一定程度上反映出材料机械性能。过去已经有一些基于物理和数据驱动的方法被用来预测合金的各种性质和它们的组成以及制造工艺参数之间的相关性。然而，目前最先进的基于物理的模型有严重的局限性。如今，机器学习方法已被证明在预测大量材料特性方面是成功的。然而，仍然没有一套标准化的协议来系统地探索这种方法在许多潜在的应用中，因此，针对材料特性预测任务建立组合
‑
处理
‑
结构
‑
属性关系仍然是一项艰巨的任务。
[0005]相关研究结果表明，一些先进的数据分析技术，如神经网络、决策树和多元多项式回归已经证明了这些数据挖掘方法在对成分和工艺参数进行预测钢疲劳强度的潜力排序方面的实用性，但是在材料机械性能预测方法上还有待创新，在预测精度上还有很大的提升的空间。

技术实现思路

[0006]本专利技术的目的在于：针对上述存在的问题，提供一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，将特征金字塔和图卷积神经网络结合用于钢铁材料疲劳强度的预测，利用图卷积神经网络和特征金字塔的优势互补，合理的解决两种算法本身存在的问题，在解决钢铁材料疲劳强度的预测问题上取得显著的效果。
[0007]本专利技术的技术方案如下：
[0008]本专利技术一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，包括：对钢铁疲劳强度数据进行处理，利用动态图构建方法将钢铁材料疲劳强度序列数据构建成为图数据；有效的将特征金字塔和图卷积网络进行融合，构建预测钢铁疲劳强度的模型，预测钢铁疲劳强度。
[0009]作为优选，融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法具体包括以下步骤：
[0010]步骤一：采集钢铁疲劳数据集，进行数据清洗，获得影响钢铁疲劳强度的属性特征；
[0011]步骤二：对原始数据进行预处理以保证一致性，使用相似度矩阵对属性特征进行处理，去除钢铁疲劳数据中的冗余数据和特征，对处理后的数据进行特征工程和标准化处理得到所需数据集；
[0012]步骤三：使用动态图创建方法将数据构建图结构；
[0013]步骤四：从所学习到的全连接图提取稀疏图，并将不同特征之间的相似矩阵作为邻接矩阵；
[0014]步骤五：有效的将特征金字塔和图卷积网络进行融合，构建预测钢铁疲劳强度的模型；
[0015]步骤六：使用构建的模型对图嵌入后的数据进行训练，并调整和优化模型；
[0016]步骤七：利用模型预测钢铁疲劳强度。
[0017]作为优选，步骤一中的钢铁疲劳数据集为序列数据且每条数据包含属性特征：化学成分、上游处理细节、热处理条件和机械性能。
[0018]作为优选，步骤二中疲劳强度属性特征之间的相似度计算公式：
[0019][0020]其中，Sim
x，Y
为属性特征X和属性特征Y的相关系数，cov(X，Y)＝E[(X
‑
μ
x
)(Y
‑
μ
Y
)为属性特征X和属性特征Y之间的协方差，σ
X
、σ
Y
分别为属性特征X和属性特征Y的标准差，μ
X
、μ
Y
分别为属性特征X和属性特征Y的均值。
[0021]作为优选，步骤三中的动态图创建方法包括：通过一种学习成对节点相似性的结构感知注意机制来度量节点之间的相似度，利用以下公式计算构建图结构，公式所示：
[0022][0023]其中，表示连接节点i和j在第l层图神经网络层的相似度；表示节点i的嵌入向量，表示连接节点i和j的边的嵌入向量，表示节点i在第l层图神经网络层的嵌入向量，和分别是可训练的权向量和权重矩阵。
[0024]作为优选，步骤四中稀疏图的提取方法包括：使用图稀疏化组件，通过knn式稀疏
运算，从相似度度量学习函数计算的节点相似度矩阵中得到稀疏邻接矩阵，稀疏邻接矩阵计算如下所示：
[0025][0026]其中，对于topK函数，表示对于节点i的相似度矩阵，每个节点只保留K个最邻近节点(包括其自身)和相关的相似度分数，其余的相似度分数会被忽略，最终得到该节点的稀疏矩阵
[0027]作为优选，步骤五中的预测钢铁疲劳强度的模型包括：5个层次的图像金字塔，为两组卷积层、池化层、全连接层、dropout层、全连接和激活层；每一个层次都是一个上下文层
‑
层次层
‑
上下文层的三层结构；上下文层只使用上下文边，上下文边用于在同一层次内传播上下文信息，在同一层次内传播上下文信息；而层次层只使用修剪过的层次边，层次边用于弥补不同层次之间的语义差距。
[0028]作为优选，步骤五中构建预测钢铁疲劳强度的模型的方法：
[0029]在模型的架构中，使用GCblock将输入数据复制增加为三份，记为数据X
i
，数据X
j
，数据X
k
；数据X
i
经过一个1*1的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，其特征在于，包括：对钢铁疲劳强度数据进行处理，利用动态图构建方法将钢铁材料疲劳强度序列数据构建成为图数据；有效的将特征金字塔和图卷积网络进行融合，构建预测钢铁疲劳强度的模型，预测钢铁疲劳强度。2.根据权利要求1所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，其特征在于，具体包括以下步骤：步骤一：采集钢铁疲劳数据集，进行数据清洗，获得影响钢铁疲劳强度的属性特征；步骤二：对原始数据进行预处理，使用相似度矩阵对属性特征进行处理，去除钢铁疲劳数据中的冗余数据和特征，对处理后的数据进行特征工程和标准化处理得到所需数据集；步骤三：使用动态图创建方法将数据构建图结构；步骤四：从所学习到的全连接图提取稀疏图，并将不同特征之间的相似矩阵作为邻接矩阵；步骤五：将特征金字塔和图卷积网络进行融合，构建预测钢铁疲劳强度的模型；步骤六：使用构建的模型对图嵌入后的数据进行训练，并调整和优化模型；步骤七：利用模型预测钢铁疲劳强度。3.根据权利要求2所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，其特征在于，步骤一中的钢铁疲劳数据集为序列数据，且每条数据包含属性特征：化学成分、上游处理细节、热处理条件和机械性能。4.根据权利要求2所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，其特征在于，步骤二中疲劳强度属性特征之间的相似度计算公式：其中，Sim
X,Y
为属性特征X和属性特征Y的相关系数，cov(X,Y)＝E[(X
‑
μ
X
)(Y
‑
μ
Y
)为属性特征X和属性特征Y之间的协方差，σ
X
、σ
Y
分别为属性特征X和属性特征Y的标准差，μ
X
、μ
Y
分别为属性特征X和属性特征Y的均值。5.根据权利要求2所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，其特征在于，步骤三中的动态图创建方法包括：通过学习成对节点相似性的结构感知注意机制来度量节点之间的相似度，利用以下公式计算构建图结构，公式所示：其中，表示连接节点i和j在第l层图神经网络层的相似度；表示节点i的嵌入向量，表示连接节点i和j的边的嵌入向量，表示节点i在第l层图神经网络层的嵌入向量，和分别是可训练的权向量和权重矩阵。6.根据权利要求2所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法，其特征在于，步骤四中稀疏图的提取方法：使用图稀疏化组件，通过knn式稀疏运算，从相似度度量学习函数计算的节点相似度矩阵中得到稀疏邻接矩阵，稀疏邻接矩阵计算如下所示：其中，对于topK函...

【专利技术属性】
技术研发人员：康雁，杨学昆，彭陆含，王鑫超，谢文涛，张华栋，袁艳聪，李信衍，
申请(专利权)人：云南大学，
类型：发明
国别省市：