合金性能预测方法、装置、存储介质、电子设备及芯片制造方法及图纸

本公开涉及一种合金性能预测方法、装置、存储介质、电子设备及芯片，涉及材料技术领域，该方法通过根据元素成分信息，计算得到对应的微观组织信息、凝固过程信息以及合金因子信息，并将元素成分信息、微观组织信息、凝固过程信息以及合金因子信息输入训练完成的材料性能预测模型，获得待分析合金对应的合金性能数据，可以从元素成分信息、微观组织信息、凝固过程信息以及合金因子信息的多个维度上预测待分析合金的性能，而且材料性能预测模型可以从多维度的特征中学习到各种输入特征之间的关系，以及不同输出之间的相关性，从而提高预测的准确性。多维度的特征也能够避免材料性能预测模型出现过拟合。测模型出现过拟合。测模型出现过拟合。

【技术实现步骤摘要】
合金性能预测方法、装置、存储介质、电子设备及芯片


[0001]本公开涉及材料
，尤其涉及一种合金性能预测方法、装置、存储介质、电子设备及芯片。

技术介绍

[0002]在合金材料的研发过程中，一般可以利用计算模拟软件进行材料和工艺研发，从而大大提高研发效率和成功率。在材料研发领域中，一般将ANN(Artificial Neural Network，人工神经网络)与材料的性能分析方法进行结合。但是，应用于材料性能分析的人工神经网络往往结构简单，只能对简单特征进行分析。而且，传统的人工神经网络由于数据量少、特征不足，往往非常容易过拟合，导致精度较低。

技术实现思路

[0003]为克服相关技术中存在的问题，本公开提供一种合金性能预测方法、装置、存储介质、电子设备及芯片。
[0004]根据本公开实施例的第一方面，提供一种合金性能预测方法，包括：
[0005]确定待分析合金的元素成分信息；
[0006]根据所述元素成分信息，计算得到所述元素成分信息对应的微观组织信息、凝固过程信息以及合金因子信息；
[0007]将所述元素成分信息、所述微观组织信息、所述凝固过程信息以及所述合金因子信息输入训练完成的材料性能预测模型，获得所述待分析合金对应的合金性能数据。
[0008]可选地，所述材料性能预测模型包括：
[0009]第一特征提取模型，用于对所述元素成分信息以及所述微观组织信息进行特征提取，获得第一高维向量表示；
[0010]第二特征提取模型，用于对所述凝固过程信息进行特征提取，获得第二高维向量表示；
[0011]第三特征提取模型，用于对所述合金因子信息进行特征提取，获得第三高维向量表示；
[0012]预测层，用于根据所述第一高维向量表示、所述第二高维向量表示以及所述第三高维向量表示，获得所述合金性能数据。
[0013]可选地，所述第一特征提取模型包括多层感知器，所述第二特征提取模型包括卷积神经网络，所述第三特征提取模型包括多层感知器或梯度提升决策树模型。
[0014]可选地，所述多层感知器包括依次连接的第一输入层、第一隐藏层、第一随机失活层、第一批规范化层、第二隐藏层、第二随机失活层、第二批规范化层、第三隐藏层、第三随机失活层以及第一输出层，该第一输出层用于与所述预测层连接。
[0015]可选地，所述卷积神经网络包括依次连接的卷积层、池化层、第四隐藏层以及第二输出层；
[0016]所述第二输出层用于与所述预测层连接；
[0017]所述卷积层包括3个卷积核，每一所述卷积核的大小为3*3，步幅为1；
[0018]所述池化层为最大池化层，所述最大池化层的池化核为2*2，步幅为2。
[0019]可选地，所述凝固过程信息通过以下步骤获得：
[0020]根据所述元素成分信息，计算所述元素成分信息在预设时间间隔下对应的凝固过程特征；
[0021]根据所述元素成分信息在预设时间间隔下对应的凝固过程特征，获得所述凝固过程信息；或者
[0022]根据所述元素成分信息，计算所述元素成分信息的各个合金相在不同凝固阶段下对应的凝固过程特征；
[0023]根据所述元素成分信息的各个合金相在不同凝固阶段下对应的凝固过程特征，获得所述凝固过程信息；或者
[0024]根据所述元素成分信息，计算所述元素成分信息在预设温度间隔下对应的凝固过程特征；
[0025]根据所述元素成分信息在预设温度间隔下对应的凝固过程特征，获得所述凝固过程信息；
[0026]其中，所述凝固过程特征包括凝固温度、凝固速率、相变温度、相状态、相图以及吉布斯自由能中的至少一种。
[0027]可选地，所述训练完成的材料性能预测模型通过以下步骤获得：
[0028]获取训练样本数据，其中所述训练样本数据包括样本合金材料对应的元素成分信息、微观组织信息、凝固过程信息、合金因子信息以及该样本合金材料对应的合金性能数据；
[0029]通过所述训练样本数据，对初始的材料性能预测模型进行机器训练，获得所述训练完成的材料性能预测模型。
[0030]根据本公开实施例的第二方面，提供一种合金性能预测装置，包括：
[0031]确定模块，被配置为确定待分析合金的元素成分信息；
[0032]计算模块，被配置为根据所述元素成分信息，计算得到所述元素成分信息对应的微观组织信息、凝固过程信息以及合金因子信息；
[0033]预测模块，被配置为将所述元素成分信息、所述微观组织信息、所述凝固过程信息以及所述合金因子信息输入训练完成的材料性能预测模型，获得所述待分析合金对应的合金性能数据。
[0034]根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的方法的步骤。
[0035]根据本公开实施例的第四方面，提供一种电子设备，包括：
[0036]处理器；
[0037]用于存储处理器可执行指令的存储器；
[0038]其中，所述处理器被配置为：
[0039]确定待分析合金的元素成分信息；
[0040]根据所述元素成分信息，计算得到所述元素成分信息对应的微观组织信息、凝固
过程信息以及合金因子信息；
[0041]将所述元素成分信息、所述微观组织信息、凝固过程信息以及合金因子信息输入训练完成的材料性能预测模型，获得所述待分析合金对应的合金性能数据。
[0042]根据本公开实施例的第五方面，提供一种芯片，包括处理器和接口；所述处理器用于读取指令以执行第一方面所述的方法。
[0043]本公开的实施例提供的技术方案可以包括以下有益效果：通过根据元素成分信息，计算得到对应的微观组织信息、凝固过程信息以及合金因子信息，并将元素成分信息、微观组织信息、凝固过程信息以及合金因子信息输入训练完成的材料性能预测模型，获得待分析合金对应的合金性能数据，可以从元素成分信息、微观组织信息、凝固过程信息以及合金因子信息的多个维度上预测待分析合金的性能，而且材料性能预测模型可以从多维度的特征中学习到各种输入特征之间的关系，以及不同输出之间的相关性，从而提高预测的准确性，另外，多维度的特征也能够避免材料性能预测模型出现过拟合，使得材料性能预测模型在合金性能预测上能够具有较高的外推能力。
[0044]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0045]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0046]图1是根据一示例性实施例示出的一种合金性能预测方法的流程图。
[0047]图2是根据一示例性实施例示出的材料性能预测模型的结构示意图。
[0048]图3是根据一示例性实施例示出的一种合金性能预测方法的效果图。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种合金性能预测方法，其特征在于，包括：确定待分析合金的元素成分信息；根据所述元素成分信息，计算得到所述元素成分信息对应的微观组织信息、凝固过程信息以及合金因子信息；将所述元素成分信息、所述微观组织信息、所述凝固过程信息以及所述合金因子信息输入训练完成的材料性能预测模型，获得所述待分析合金对应的合金性能数据。2.根据权利要求1所述的方法，其特征在于，所述材料性能预测模型包括：第一特征提取模型，用于对所述元素成分信息以及所述微观组织信息进行特征提取，获得第一高维向量表示；第二特征提取模型，用于对所述凝固过程信息进行特征提取，获得第二高维向量表示；第三特征提取模型，用于对所述合金因子信息进行特征提取，获得第三高维向量表示；预测层，用于根据所述第一高维向量表示、所述第二高维向量表示以及所述第三高维向量表示，获得所述合金性能数据。3.根据权利要求2所述的方法，其特征在于，所述第一特征提取模型包括多层感知器，所述第二特征提取模型包括卷积神经网络，所述第三特征提取模型包括多层感知器或梯度提升决策树模型。4.根据权利要求3所述的方法，其特征在于，所述多层感知器包括依次连接的第一输入层、第一隐藏层、第一随机失活层、第一批规范化层、第二隐藏层、第二随机失活层、第二批规范化层、第三隐藏层、第三随机失活层以及第一输出层，该第一输出层用于与所述预测层连接。5.根据权利要求3所述的方法，其特征在于，所述卷积神经网络包括依次连接的卷积层、池化层、第四隐藏层以及第二输出层；所述第二输出层用于与所述预测层连接；所述卷积层包括3个卷积核，每一所述卷积核的大小为3*3，步幅为1；所述池化层为最大池化层，所述最大池化层的池化核为2*2，步幅为2。6.根据权利要求1所述的方法，其特征在于，所述凝固过程信息通过以下步骤获得：根据所述元素成分信息，计算所述元素成分信息在预设时间间隔下对应的凝固过程特征；根据所述元素成分信息在预设时间间隔下对应的凝固过程特征，获得所述凝固过程信息；或者根据所述元素成分信息，计算所述元素成分信息的各个合金相...

【专利技术属性】
技术研发人员：尹茸，孟二利，吴新星，
申请(专利权)人：小米汽车科技有限公司，
类型：发明
国别省市：