物理冶金指导工业大数据挖掘的热轧低合金钢设计方法技术

本发明专利技术提供一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法，涉及热轧低合金钢和深度学习应用技术领域。本发明专利技术首先将与目标性能高度相关的物理冶金学参数添加到数据集中，并参与模型训练及设计过程。同时使用遗传算法(GA)对成分和工艺进行优化设计，最终使用大数据性能预测模型对设计结果进行有效筛选。本发明专利技术相对于纯粹的设计结果，采用物理冶金指导下的机器学习预，测精度更高，设计结果更加符合物理冶金原理。更加符合物理冶金原理。更加符合物理冶金原理。

【技术实现步骤摘要】
物理冶金指导工业大数据挖掘的热轧低合金钢设计方法


[0001]本专利技术涉及热轧低合金钢和深度学习应用
，尤其涉及一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法。

技术介绍

[0002]在实际的工业生产中，钢铁产品的生产规模庞大，生产工艺流程中参数复杂，且涉及到炼钢、连铸、控轧控冷等多段生产工序，受到环境、设备以及人为等多种因素的影响，使得工业数据库具有数量多、维度高和质量低的特点。针对庞大的工业数据信息，人工经验或传统物理冶金方法均难以从其中的复杂关系中有效分析和挖掘出可靠的数据关联性和机理信息，从而造成其中有效信息的浪费和生产工艺优化的低效。同时由于钢铁生产工艺流程长而复杂的特点，采用正交试错法在工业生产线上开发新型合金需要经过繁琐的流程操作和耗时较长的验证周期，使得合金开发的效率较低，难以推动新材料新工艺的快速研发。
[0003]随着人工智能技术与大数据的接轨，目前在材料领域有着广泛的应用。使用人工智能算法建立的多种机器学习模型在材料领域表现出了强大的优势，例如能够深度挖掘数据内在的关联信息，实现高效的材料优化设计，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，包括以下步骤：步骤1将一段历史年份的工业产线数据提取出来，建立为工业数据集，并对工业数据集进行预处理，得到标准数据集；步骤2根据标准数据集中的数据特点，建立基于KNN算法的KNN分类模型并对标准数据集进行分类；步骤3依据各子数据集的成分和工艺数据特点和Pearson相关性系数，选择相应类别的输入特征；步骤4根据步骤2.2中分类得到的子数据集，构建基于多种回归策略的大数据性能预测模型，同时根据热轧低合金钢的力学性能，引入性能相关的物理冶金参数PM，指导基于多种回归策略的大数据性能预测模型的机器学习过程；步骤5对分类后的每个子数据集都根据步骤4建立模型，并针对每个模型选择最优的算法；步骤6使用低合金钢实验得到的热轧低合金钢数据建立数据集，对其进行数据标准化，建立实验小样本数据集，然后进一步基于所建立的实验小样本数据集使用RF算法建立性能预测模型，并对RF算法的参数进行优化，最后选取最优模型用于后续的实验合金优化设计；步骤7将实验小样本预测模型和遗传算法相结合进行合金成分工艺的优化设计；采用目标性能的高低作为遗传算法的适应度函数，将遗传算法用于优化设计成分及工艺来获得最佳目标性能的材料；步骤8对所建立的实验小样本预测模型进行筛选，筛选准则为：R2在0.8以上且训练集和测试集R2偏差在0.2以内的模型，得到准确性较高的模型指导合金优化设计；根据成分工艺及目标性能对设计结果进行筛选以获得较优的设计方案；步骤9采用建立的基于多种回归策略的大数据性能预测模型，对实验设计结果进行有效的性能验证和方案筛选，得到满足目标性能热轧低合金钢的成分和工艺。2.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤1具体包括以下步骤：步骤1.1提取一段历史年份的热轧低合金钢h种材料的成分、工艺及其对应的目标性能，使用提取的h组数据共同组成原始数据集，其中所述成分为材料的元素及含量，所述工艺为材料的工艺参数，将原始数据集作为材料目标性能预测的有效数据并对原始数据集中的所有数据进行标准化处理，形成初始数据集，数据标准化公式为：其中X为待转换的数值，X
scale
为转换后的数值，max和min分别为参数在数据集中的最大值和最小值；步骤1.2通过计算Pearson相关性系数对初始数据集中成分、工艺与目标性能的相关性进行分析,删除其中相关性低于设定阈值的特征，形成标准数据集。3.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤2具体包括以下步骤：步骤2.1 KNN算法中包括两个参数，分别为用来描述两个样本点相似程度的距离和所
选取的相邻样本的数量k，使用欧几里德距离作为上述的距离，在设定的范围内使用KNN算法对k的每个取值进行逐个测试，根据分类结果的准确率来确定参数k的最优值；步骤2.2将工业数据集的前三年数据按设定比例划分为训练集和测试集，将工业数据集的第四年数据作为验证集，建立KNN分类模型，通过主成分分析PCA将高维数据投影到较低维空间中，将高维数据降低到设定维度，使用KNN分类模型完成数据分类并形成若干个子数据集。4.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤4中基于多种回归策略的大数据性能预测模型包括SVR
‑
PM模型，MLP
‑
PM模型，RF
‑
PM模型，XGB
‑
PM模型，GBR
‑
PM模型，CNN
‑
PM模型，其中上述SVR
‑
PM模型中包含两种不同模型，分别由线性核函数及高斯核函数作为其核函数建立；上述SVR
‑
PM模型是基于SVR算法建立的并在其中加入了物理冶金参数PM；设置其核函数为高斯核函数并优化参数C和γ，其中高斯核函数的表达式如下所示：其中x'为核函数中心，||x
‑
x
′
||2为向量x和向量x'的欧氏距离，σ是带宽，用来控制径向作用范围；设置其核函数为线性核函数并优化参数C和γ，其中线性核函数的表达式如下所示：k(x，x
′
)＝x
T
x
′
+c其中x'为核函数中心，c为常数；上述MLP
‑
PM模型是基于MLP算法建立的并在其中加入了物理冶金参数PM，将Adam作为优化器，优化其隐藏层层数和神经元个数；上述RF
‑
PM模型是基于RF算法建立的并在其中加入了物理冶金参数PM，优化其中的参数n_estimators和max_features；上述XGB
‑
PM模型和GBR
‑
PM模型是分别基于XGB算法和GBR算法建立的并加入了物理冶...

【专利技术属性】
技术研发人员：王晨充，任冰涛，李虎威，张玉琪，徐伟，张朕，潘成博，刘晓琪，
申请(专利权)人：东北大学，
类型：发明
国别省市：