【技术实现步骤摘要】
本申请涉及材料试验，具体而言，涉及一种难熔合金超高温性能预测方法及装置。
技术介绍
1、难熔合金具有熔点高、高温力学性能好、加工和焊接性能好的优点，是优质的航天结构材料，能够匹配高超声速飞行器热防护系统的高温强度要求。已应用于制造高超声速飞行器的连接件、进气道组件等高温部件，其工作服役温度、高温强度等性能远高于传统的镍基高温合金，可加工性能、成本等则优于c/c复合材料和高温陶瓷，因此具有很好的应用前景。然而高超声速飞行器随其自身速度的增加，其中的各部件服役温度也会急剧增加，例如，当飞行马赫数超过8时，飞行器鼻锥服役温度将超过2500℃，因此有必要对相应材料在超高温下的力学性能、热学性能等进行测试与评估，用以保证材料能够安全服役。
2、然而材料的超高温实验难以有效展开，一方面超高温实验成本高，对设备的要求极高，一般设备难以承担上述超高温条件下的性能可靠测试，国内仅有几家单位具备这样的能力，但能够提供的测试资源也极其有限。因此难熔合金的超高温性能评估面临着“测试需求大，可用资源少”的尴尬局面。另一方面，有一些中低温的测试方法，在超高温条件下并不适用，可能会由于材料在高温下的局部熔化导致测试结果失真、失准，导致测试数据可信度存疑的问题。
3、针对这一问题，传统的方法主要是通过拟合中低温数据，根据数据走势进行外延，从而确定高温数据。这一方法背后的机制是考虑目标物理量仅作为服役温度的函数进行预测，其适用于物理模型简单，物理机制单一的材料。
4、然而，任何一个物理量的变化应该均与材料的结构息息相关，绝不仅
技术实现思路
1、为了解决现有材料的超高温实验预测方法准确性不高的问题，本申请提供了一种难熔合金超高温性能预测方法及装置。
2、本申请的实施例是这样实现的：
3、第一方面，本申请提供一种难熔合金超高温性能预测方法，包括：
4、收集待测材料的中低温实验数据，并对得到的数据进行处理，得到训练集及测试集；
5、基于所述训练集利用多种方法进行模型训练，得到多个初始预测模型；
6、根据所述测试集对所述初始预测模型进行评估，得到最优预测模型；
7、基于所述最优预测模型对待测材料的超高温性能进行预测。
8、在一种可能的实现方式中，所述收集待测材料的中低温实验数据，并对得到的数据进行处理，得到训练集及测试集，进一步包括：
9、通过中低温实验对待测材料的目标性能进行测试，获得目标性能获得的服役温度；
10、去除平行样品所获得的实验数据中存在异常的数据点，得到待测材料的中低温实验数据集；
11、将待测材料的所述中低温实验数据集划分为训练集及测试集。
12、在一种可能的实现方式中，所述模型的训练方法包括线性回归、高斯回归、核岭回归、支持向量机及随机森林等算法。
13、在一种可能的实现方式中，在所述基于所述训练集利用多种方法进行模型训练，得到多个初始预测模型中，还包括：
14、利用交叉验证的方式调整每个模型的参数，使模型可以得到最佳的预测结果，以保证机器学习模型保持在最佳的预测水平。
15、在一种可能的实现方式中，所述根据所述测试集对所述初始预测模型进行评估，得到最优预测模型，进一步包括：
16、基于相同的测试集，对不同的所述初始预测模型进行评估；
17、比较各个所述初始预测模型的预测误差；
18、选择所述预测误差最低的所述初始预测模型作为所述最优预测模型。
19、在一种可能的实现方式中，通过计算均方根误差和r2决定系数得到所述初始预测模型的预测误差。
20、在一种可能的实现方式中，所述中低温试验数据集包括待测材料的结构，目标性能及其目标性能对应的服役温度。
21、在一种可能的实现方式中，通过所述模型训练能够得到待测材料的结构、待测材料的目标性能及待测材料的服役温度之间的关系。
22、在一种可能的实现方式中，所述基于所述最优预测模型对待测材料的超高温性能进行预测，进一步包括：
23、输入待测材料的结构、目标性能及服役温度中的两者；
24、所述最优预测模型基于待测材料的结构、目标性能及服役温度之间的关系，根据输入的两个数据，得到未输入的第三项数据。
25、第二方面，本申请提供一种难熔合金超高温性能预测装置，包括：
26、数据收集模块，用于收集待测材料的中低温实验数据，并对得到的数据进行处理，得到训练集及测试集；
27、模型训练模块，用于基于所述训练集利用多种方法进行模型训练，得到多个初始预测模型；
28、模型评估模块，用于根据所述测试集对所述初始预测模型进行评估，得到最优预测模型；
29、模型预测模块，用于基于所述最优预测模型对待测材料的超高温性能进行预测。
30、本申请提供的技术方案至少可以达到以下有益效果：
31、本申请提供的难熔合金超高温性能预测方法及装置，通过中低温测试数据作为模型的训练集，利用低温性能预测高温性能，其低温测试的成本与超高温测试的成本具有数量级的差异，利用低成本的低温测试来预测超高温性能，则可以有效降低成本；使用训练好的模型进行预测仅需已知的低温性能、对应的温度和目标温度，将其输入模型即可得到其目标性能，且准确度较高。
本文档来自技高网...【技术保护点】
1.一种难熔合金超高温性能预测方法，其特征在于，包括：
2.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述收集待测材料的中低温实验数据，并对得到的数据进行处理，得到训练集及测试集，进一步包括：
3.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述模型的训练方法包括线性回归、高斯回归、核岭回归、支持向量机及随机森林等算法。
4.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，在所述基于所述训练集利用多种方法进行模型训练，得到多个初始预测模型中，还包括：
5.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述根据所述测试集对所述初始预测模型进行评估，得到最优预测模型，进一步包括：
6.如权利要求5所述的难熔合金超高温性能预测方法，其特征在于，通过计算均方根误差和R2决定系数得到所述初始预测模型的预测误差。
7.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述中低温试验数据集包括待测材料的结构，目标性能及其目标性能对应的服役温度。
8.如
9.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述基于所述最优预测模型对待测材料的超高温性能进行预测，进一步包括：
10.一种难熔合金超高温性能预测装置，其特征在于，包括：
...【技术特征摘要】
1.一种难熔合金超高温性能预测方法，其特征在于，包括：
2.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述收集待测材料的中低温实验数据，并对得到的数据进行处理，得到训练集及测试集，进一步包括：
3.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述模型的训练方法包括线性回归、高斯回归、核岭回归、支持向量机及随机森林等算法。
4.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，在所述基于所述训练集利用多种方法进行模型训练，得到多个初始预测模型中，还包括：
5.如权利要求1所述的难熔合金超高温性能预测方法，其特征在于，所述根据所述测试集对所述初始预测模型进行评估，得到最优预测模型，进一步包...
【专利技术属性】
技术研发人员：杨洋，王蓉，赵刚，赵辰昊，宗洪祥，丁向东，
申请(专利权)人：西安交通大学，
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。