一种基于GAN和CNN的铸铝气缸盖力学性能的预测方法，属于低压铸铝合金气缸盖领域。本发明专利技术首先在生成对抗网络的基础上采用双生成网络结构，通过两次数据生成，实现对微观组织图片及对应标签的扩充；然后利用生成的微观组织图片、标签与真实样本、标签组成一个较大的数据集，优化因训练样本不足导致的神经网络预测精度不足、易出现过拟合的问题；最后通过卷积神经网络对微观组织图片进行特征提取，构建微观组织图片特征与对应材料力学性能的映射关系，实现低压铸铝合金气缸盖材料力学性能的快速、有效预测。本发明专利技术适用于铸铝合金材料开发等领域，降低铸铝合金气缸盖材料研发生产成本，提高生产效益。提高生产效益。提高生产效益。
【技术实现步骤摘要】
一种基于GAN和CNN的铸铝气缸盖力学性能预测方法
[0001]本专利技术涉及一种基于GAN(生成对抗网络)和CNN(卷积神经网络)的铸铝气缸盖力学性能预测方法，属于低压铸铝合金气缸盖领域。
技术介绍
[0002]气缸盖材料的力学性能是影响气缸盖使用可靠性、使用寿命的关键因素，有效地预测气缸盖的力学性能对气缸盖的疲劳寿命研究具有重要意义。目前，有很多研究者通过建立材料的代表性单元体，进而进行有限元仿真或通过大量的力学实验数据建立对应材料的经验公式的方式来预测材料的力学性能。这两种方法虽然都能在一定程度上解决工程实际问题，但无论是有限元法中网格的划分，还是经验公式法中公式的选取都很大程度上依靠研究人员的经验。不同研究人员的计算结果可能会出现较大差异，同时上述方法在研究过程中往往会耗费大量的时间、计算资源等成本。随着人工神经网络的高速发展，通过人工神经网络进行材料力学性能的预测逐渐成为了一种主流。
[0003]人工神经网络是一种复杂的非线性系统，可以处理一些较为复杂的问题，尤其对一些具有非线性关系的问题具有较强的针对性。当前已经有很多研究人员利用人工神经网络对热轧钢、集装箱卷板、C
‑
Mn钢等材料进行了力学性能预测。通过人工神经网络预测材料的力学性能，本质上是建立材料已有参数与其力学性能之间的映射关系，想要准确预测材料的力学性能，就必须深度挖掘材料本身所提供的数据信息。对铸铝合金材料来说，其铸造及热处理过程中的工艺参数决定了其微组织结构，而微组织结构决定了其力学性能，因此材料的微组织结构是预测其力学性能的最佳数据来源。
[0004]卷积神经网络由于其具有局部区域连接、权值共享、降采样等结构特点，在图像处理领域表现出色，能对图像中所具有的特征进行深度挖掘。生成对抗神经网络是一种特殊的网络结构，由生成网络与判别网络两部分组成，生成网络通过随机噪声生成伪图片，将伪图片交给判别网络检测，判定其是否是真实图片，两个网络交替训练，在两个网络的对抗过程中，生成的图片将会越来越趋向于真实图片。通过生成对抗神经网络生成大量的伪图片，可以扩充卷积神经网络的训练样本，提高其模型的预测精度。
技术实现思路
[0005]针对现有方法在不同人员预测材料力学性能时，结果差异大、效率低的问题，本专利技术的主要目的是提出一种基于GAN和CNN的铸铝气缸盖力学性能预测方法，通过在生成对抗网络中采用双生成网络结构，对低压铸铝合金气缸盖有限的微观组织图片及对应标签进行数据扩充，并利用卷积神经网络深度挖掘微观组织图片中包含的材料信息，通过有限的数据集实现其力学性能快速、有效的预测，降低材料研发生产成本，提高生产效益。
[0006]本专利技术的目的是通过下述技术方案实现的。
[0007]本专利技术公开的一种基于GAN和CNN的铸铝气缸盖力学性能的预测方法，首先在生成对抗网络的基础上采用双生成网络结构，通过两次数据生成，实现对微观组织图片及对应
标签的扩充；然后利用生成的微观组织图片、标签与真实样本、标签组成一个较大的数据集，优化因训练样本不足导致的神经网络预测精度不足、易出现过拟合的问题；最后通过卷积神经网络对微观组织图片进行特征提取，构建微观组织图片特征与对应材料力学性能的映射关系，实现低压铸铝合金气缸盖材料的力学性能的快速、有效预测，降低材料研发生产成本，提高生产效益。
[0008]本专利技术公开的一种基于GAN和CNN的铸铝气缸盖力学性能的预测方法，包括以下步骤：
[0009]步骤1：获取低压铸铝合金气缸盖材料的微观组织图片、各微观组织图片对应的试样的力学性能数据及位置信息。
[0010]所述的材料微观组织图片是指通过扫描电镜、金相显微镜或其他微观设备拍摄的材料微观组织图片；所述试样的力学性能数据包括但不限于材料的拉伸性能、屈服强度、抗拉强度、延伸率、强度、断后伸长率、断面收缩率、疲劳性能；所述的材料的位置信息包括顶板、力墙和底板；
[0011]步骤2：对获取的铸铝合金气缸盖材料不同位置的微观组织图片样本进行预处理与预扩充；
[0012]所述的预处理包括但不限于剔除模糊图片、对图像进行合理分割以及对图片进行锐化处理，以确保用于神经网络训练的图片样本具有足够的清晰度、合适的大小、不受可能存在的划痕或杂质影响；所述的预扩充包括但不限于通过旋转、镜像操作增加训练样本，避免样本数量过少导致生成对抗网络训练时发生过拟合现象；
[0013]步骤3：构建生成对抗网络，包括图片生成网络、标签生成网络和多功能判别网络；
[0014]所述的图片生成网络包括噪声输入模块、反卷积模块、图像输出模块；所述的标签生成网络由图片输入模块、残差模块和输出模块构成；所述的多功能判别网络包括图像输入模块、卷积模块和分类模块，其多功能判别网络不仅要判别图片是否为真，同时也要判别图片与标签是否对应；图片生成网络中每一个反卷积层采用ReLU激活函数，且在激活函数和反卷积层之间加入批标准化处理，以保证每一层的网络具有相同的分布；多功能判别网络中，在每一个卷积层后使用一次批标准化处理并采用Leaky ReLU激活函数激活；在生成网络中采用Dropout正则化以提高所生成的微观组织图片的多样性，降低网络的过拟合；在判别网络中卷积层的前两层加入Dropout层，在保证梯度下降速率的同时缓和网络的过拟合；
[0015]步骤4：利用步骤2中处理得到的数据样本训练生成对抗网络，并利用训练好的生成对抗网络生成符合需求的材料微观组织图片；
[0016]生成对抗网络的具体步骤为：
[0017]步骤4.1：将随机噪声输入图片生成网络，产生一批“伪图片”；
[0018]步骤4.2：将图片生成网络生成的“伪图片”输入到标签生成网络中，生成对应的标签图像；
[0019]步骤4.3：对真实微观组织图片的标签数据进行归一化处理，将处理好的数据首尾相连存储到一个矩阵中，并将其转换为对应的灰度图片，将灰度图片与对应的微观组织样本进行拼接，形成新的图片样本T；同样，将生成的“伪图片”与对应的标签也进行拼接，形成新的伪样本F；
[0020]步骤4.4：将样本T与伪样本F组成一个训练集；随机混合后将其输入多功能判别网络中进行训练，直至判别网络具有满足预设要求的判别精度；
[0021]步骤4.5：再次使用图片生成网络和标签生成网络生成伪图片与伪标签，将伪图片与伪标签拼接后成对输入多功能判别网络进行分辨，三个网络交替训练，直至网络能够生成足够真实的图片样本或训练次数达到网络训练的迭代上限；
[0022]生成对抗网络的损失函数为：
[0023][0024]式中G
p
代表生成网络，G
t
代表标签生成网络，D代表判别网络，x代表真实的数据分布，t代表真实的标签数据，z代表生成网络的数据分布；
[0025]步骤5：将生成的材料微观组织图片与原始采集的微观组织图片进行混合，将混合后的所有样本数据按照一定的比例分为训练集、测试集与验证集；
[0026]步骤6本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于GAN和CNN的铸铝气缸盖力学性能预测方法，其特征在于：包括如下步骤，步骤1：获取低压铸铝合金气缸盖材料的微观组织图片、各微观组织图片对应的试样的力学性能数据及位置信息；步骤2：对获取的铸铝合金气缸盖材料不同位置的微观组织图片样本进行预处理与预扩充；步骤3：构建生成对抗网络，包括图片生成网络、标签生成网络和多功能判别网络；步骤4：利用步骤2中处理得到的数据样本训练生成对抗网络，并利用训练好的生成对抗网络生成符合需求的材料微观组织图片；步骤5：将生成的材料微观组织图片与原始采集的微观组织图片进行混合，将混合后的所有样本数据按照一定的比例分为训练集、测试集与验证集；步骤6：构建卷积神经网络模型，利用步骤5中得到的数据集对模型进行训练，直到模型预测精度满足预期需求或达到网络迭代上限，得到力学性能预测网络；步骤7：通过步骤5中得到的测试集对训练好的力学性能预测网络进行检验；步骤8：通过上述得到的力学性能预测网络对低压铸铝合金气缸盖材料进行力学性能预测，快速、有效的输出目标材料的力学性能数据。2.如权利要求1所述的一种基于GAN和CNN的铸铝气缸盖力学性能预测方法，其特征在于：步骤2的实现方法为，所述的预处理包括但不限于剔除模糊图片、对图像进行合理分割以及对图片进行锐化处理，以确保用于神经网络训练的图片样本具有足够的清晰度、合适的大小、不受可能存在的划痕或杂质影响；所述的预扩充包括但不限于通过旋转、镜像操作增加训练样本，避免样本数量过少导致生成对抗网络训练时发生过拟合现象。3.如权利要求1所述的一种基于GAN和CNN的铸铝气缸盖力学性能预测方法，其特征在于：步骤3的实现方法为，所述的图片生成网络包括噪声输入模块、反卷积模块、图像输出模块；所述的标签生成网络由图片输入模块、残差模块和输出模块构成；所述的多功能判别网络包括图像输入模块、卷积模块和分类模块，其多功能判别网络不仅要判别图片是否为真，同时也要判别图片与标签是否对应；图片生成网络中每一个反卷积层采用ReLU激活函数，且在激活函数和反卷积层之间加入批标准化处理，以保证每一层的网络具有相同的分布；多功能判别网络中，在每一个卷积层后使用一次批标准化处理并采用Leaky ReLU激活函数激活；在...
【专利技术属性】
技术研发人员：黄渭清，李宁，李冬伟，刘金祥，左正兴，李媛，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。