一种基于机器学习的高温合金加工工艺优化方法技术

本发明专利技术公开了一种基于机器学习的高温合金加工工艺优化方法，包括：获取要应用于机器学习的数据集，其中数据集包括高温合金的不同加工条件及相应的测试性能；从获取的数据集中确定用来训练模型的特征，从获取的数据集中确定模型的目标性能；设置不同的机器学习模型，以原始的数据集分别对模型进行训练；获取最佳模型参数及超参数，并以数据集对模型进行校正；对模型性能进行评估，选择性能最好的模型及目标性能；预测并推荐出最佳加工参数。本发明专利技术通过集成传统ML模型，其集成了XGBoost、LightGBM、CatBoost、随机森林和k

【技术实现步骤摘要】
一种基于机器学习的高温合金加工工艺优化方法


[0001]本专利技术属于机器学习应用
，具体涉及一种基于机器学习的高温合金加工工艺优化方法。

技术介绍

[0002]近期，机器学习(ML)已应用于材料科学研究，以加速材料发现及优化。通常，ML学习从输入到输出的映射，其中输入通常是成分、加工参数和实验条件等特征，而输出是相关属性，如抗拉强度、屈服强度、弹性模量、拉伸应变等。与传统的经验和基于理论的策略相比，ML能够同时考虑全套多尺度信息，因此有潜力提高目标性能的预测精度。

技术实现思路

[0003]为了达到上述技术目的，本专利技术具体采用以下技术方案予以实现：
[0004]提供一种基于机器学习的高温合金加工工艺优化方法，包括：
[0005]获取要应用于机器学习的数据集，其中所述数据集包括高温合金的不同加工条件及相应的测试性能；
[0006]从获取的所述数据集中确定用来训练模型的特征，从获取的所述数据集中确定模型的目标性能；
[0007]设置不同的机器学习模型，以原始的所述数据集分别对模型进行训练；
[0008]获取最佳模型参数及超参数，并以所述数据集对模型进行校正；
[0009]对模型性能进行评估，选择性能最好的模型及目标性能；
[0010]预测并推荐出最佳加工参数。
[0011]作为本专利技术的进一步说明，所述训练模型的特征包括时效温度、时效时间和热轧变形量；所述目标性能包括抗拉强度、屈服强度、弹性模量、拉伸应变的室温及高温性能。/>[0012]作为本专利技术的进一步说明，所述时效温度包括650℃、750℃、850℃、950℃和1050℃；所述时效时间包括1h、5h、10h、15h和20h；900℃下的热轧变形量包括0％、20％、30％、40％和50％，不同的加工条件和原始试样共组合成30种不同的加工方法对原始试样进行处理。
[0013]作为本专利技术的进一步说明，所述设置不同的机器学习模型，以原始的所述数据集分别对模型进行训练，包括：
[0014]使用Autogluon模型及从Sklearn中调用线性回归模型、随机森林模型、支持向量回归模型，以原始的所述数据集分别对所述模型进行训练。
[0015]作为本专利技术的进一步说明，以原始的所述数据集分别对所述模型进行训练，包括：
[0016]原始的所述数据集进行2：8分配为测试集、训练集，以所述训练集对所述模型进行训练；并用所述测试集评估训练后的模型，修改随机划分数据集的随机种子，调整所述数据集，直到得到最优模型。
[0017]作为本专利技术的进一步说明，对于所述随机森林模型，寻找其最佳模型参数：n_
estimators从100
‑
200以步长100搜索；max_features在"auto","sqrt","log2"中选择；max_depth以步长10在10
‑
100范围内搜索；min_samples_split以步长为2在2
‑
10内搜索；min_samples_leaf在1、2、4中选取；bootstrap＝TRUE or FALSE。
[0018]对于所述支持向量回归模型，寻找其最佳模型参数："C"以步长为1在1
‑
100中搜索；'kernel'在'rbf','sigmoid'中选择；"gamma"以步长为0.02从0.01到10中选择。
[0019]对于所述Autogluon模型，以num_stack_levels＝1、num_bag_folds＝3。
[0020]作为本专利技术的进一步说明，使用随机搜索方法对所述随机森林模型的超参数进行搜索，使用网格搜索方法对所述支持向量回归模型的超参数进行搜索。
[0021]作为本专利技术的进一步说明，所述获取最佳模型参数及超参数，并以所述数据集对模型进行校正，包括：
[0022]对于生成的模型及最佳的参数和超参数，以2：8分配的测试集和训练集中的训练集数据对所述随机森林模型、所述支持向量回归模型及所述Autogluon模型进行校正。
[0023]作为本专利技术的进一步说明，所述对模型性能进行评估，选择性能最好的模型及目标性能，包括：
[0024]采用回归系数R2作为准确率评估训练后的模型，其中，回归系数R2为：
[0025][0026]其中，n为测试集中数据集总数；y
i
为测试集中对应的目标性能；为测试集中对应性能的预测值；为测试集中对应目标性能的平均值；
[0027]选择的性能最好的模型为Autogluon模型，目标性能为室温下的屈服强度。
[0028]作为本专利技术的进一步说明，所述预测并推荐出最佳加工参数，包括：
[0029]时效温度从600℃到1100℃以50为步长进行预测；时效时间从0到20h，以1为步长进行预测；热轧变形量从0到40以10为步长进行预测；
[0030]确定的最佳加工参数为：时效温度650℃、时效时间16h、热轧变形量30，预测的室温屈服强度为955.7018Mpa。
[0031]本专利技术与现有技术相比具有以下优点：
[0032]本专利技术通过集成传统ML模型，其集成了XGBoost、LightGBM、CatBoost、随机森林和k
‑
近邻等单一模型。与单一模型相比，集成模型利用多种模型来增强预测。集成方法包括三种。第一种方法是叠加(stacking)，使用初始数据集对每个单一模型进行训练，并用加权方法对输出进行线性组合，从而做出最终的预测。第二种是使用装袋法(bagging)，以避免可能的过拟合，特别是当数据集较小时。最后一种是多层叠加(multi
‑
stacking)，以两层叠加为例，将第一层的输出作为特征，然后与初始特征相结合，重新训练ML模型。对于三层叠加，第二层叠加的输出与初始特征相集成，以构建ML模型。对于更多堆叠层，则重复此步骤。模型共两个超参数，即堆叠层数和装袋数，决定了ML模型的架构。有效的利用已有的数据，构建了时效温度、时效时间、热轧变形量与目标特征的定量关系模型。
附图说明
[0033]图1是本专利技术一实施例提供的一种基于机器学习的高温合金加工工艺优化方法实
现流程图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]如图1所示，本专利技术实施例提供了一种机器学习优化高温合金加工参数方法，该方法包括：
[0036]步骤1，获取要应用于机器学习的数据集，其中所述数据集包括高温合金的不同加工条件及相应的测试性能；
[0037]步骤2，从获取的所述数据集中确定用来训练模型的特征，从获取的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的高温合金加工工艺优化方法，其特征在于，包括：获取要应用于机器学习的数据集，其中所述数据集包括高温合金的不同加工条件及相应的测试性能；从获取的所述数据集中确定用来训练模型的特征，从获取的所述数据集中确定模型的目标性能；设置不同的机器学习模型，以原始的所述数据集分别对模型进行训练；获取最佳模型参数及超参数，并以所述数据集对模型进行校正；对模型性能进行评估，选择性能最好的模型及目标性能；预测并推荐出最佳加工参数。2.根据权利要求1所述的基于机器学习的高温合金加工工艺优化方法，其特征在于，所述训练模型的特征包括时效温度、时效时间和热轧变形量；所述目标性能包括抗拉强度、屈服强度、弹性模量、拉伸应变的室温及高温性能。3.根据权利要求2所述的基于机器学习的高温合金加工工艺优化方法，其特征在于，所述时效温度包括650℃、750℃、850℃、950℃和1050℃；所述时效时间包括1h、5h、10h、15h和20h；900℃下的热轧变形量包括0％、20％、30％、40％和50％，不同的加工条件和原始试样共组合成30种不同的加工方法对原始试样进行处理。4.根据权利要求2所述的基于机器学习的高温合金加工工艺优化方法，其特征在于，所述设置不同的机器学习模型，以原始的所述数据集分别对模型进行训练，包括：使用Autogluon模型及从Sklearn中调用线性回归模型、随机森林模型、支持向量回归模型，以原始的所述数据集分别对所述模型进行训练。5.根据权利要求4所述的基于机器学习的高温合金加工工艺优化方法，其特征在于，以原始的所述数据集分别对所述模型进行训练，包括：原始的所述数据集进行2：8分配为测试集、训练集，以所述训练集对所述模型进行训练；并用所述测试集评估训练后的模型，修改随机划分数据集的随机种子，调整所述数据集，直到得到最优模型。6.根据权利要求5所述的基于机器学习的高温合金加工工艺优化方法，其特征在于，对于所述随机森林模型，寻找其最佳模型参数：n_estimators从100
‑
200以步长100搜索；max_features在"auto","sqrt","log2"中选择；max_depth以步长10在1...

【专利技术属性】
技术研发人员：袁睿豪，苏宝龙，李金山，王军，唐斌，樊江坤，寇宏超，陈彪，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：