System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于疲劳寿命预测,尤其涉及一种基于卷积神经网络同回归模型结合的集成模型单晶金属材料疲劳寿命预测方法。
技术介绍
1、单晶金属材料在航空、航天、能源和其他高性能工程领域中有着广泛的应用,这主要归功于它们卓越的机械性能和耐腐蚀性。特别是一些先进的单晶高温合金,例如国产dd6合金,因其出色的抗疲劳性能而受到特别关注,经常被选用作为航空发动机和其他关键工程部件的材料。
2、然而,尽管这些材料有着广泛的应用前景,准确预测其在复杂工作环境下的疲劳寿命仍然是一个巨大的技术挑战。传统的疲劳寿命预测方法大多基于物理模型,这通常需要大量的实验数据进行模型校准。这种方法在处理单晶金属材料时面临诸多挑战,因为这些材料的性能受到微观结构、内部缺陷以及外部环境条件(如温度、湿度和应力等)的复杂影响。因此,研发一种能够在复杂实际应用条件下准确预测单晶金属材料疲劳寿命的新方法,不仅是技术创新的需要,也是工业应用中急需解决的实际问题。
技术实现思路
1、基于上述现有技术中的不足,本专利技术提出了一种基于机器学习的单晶合金材料疲劳寿命预测方法。该方法利用机器学习技术,通过分析和处理单晶合金材料的疲劳断裂图像数据和物理数据,结合深度学习和回归分析方法,将不同的疲劳寿命与图像和物理数据特征相结合,构建训练集并对疲劳寿命预测模型完成训练,最后基于预测模型完成单晶金属材料的疲劳寿命预测。
2、本专利技术的技术方案具体如下:
3、一种基于机器学习的单晶合金材料疲劳寿命预测方法,包括
4、s1:制备单晶合金材料棒状疲劳试样;
5、s2:对疲劳试样进行单轴疲劳试验直至试样断裂,对疲劳试样的寿命以及实验条件进行记录;
6、s3:使用超景深显微镜拍摄断裂表面;
7、s4:对步骤s3中采集的图像数据进行预处理,预处理包括随机剪裁、归一化处理、随机旋转;
8、s5:利用卷积神经网络模型resnet18对预处理后的图像数据进行特征提取;所述特征至少包括颜色、纹理颜色和形状特征,所述的特征提取方法还结合了自编码器,以进一步压缩和提取图像的有意义信息,具体为
9、e:x→f
10、d:f→x
11、式中:e是将输入图像x映射到特征表示f的编码器函数;d是根据特征表示f重建图像x的解码器函数,其中自动编码器经过训练后以最小化重建误差,具体为:
12、
13、mine,d为取最小化。
14、s6:结合卷积神经网络所提取的特征和物理数据,使用支持向量回归模型(svr)对特征进行融合,得到集成模型;
15、s7:对集成模型进行训练,对疲劳寿命进行预测,具体为:
16、
17、yi-<w,xi>-b≤∈+ξi
18、
19、
20、其中,w是权重向量,b是偏差,ξi,为松弛变量,c是正则化参数,xi为自变量,yi为因变量,∈是管宽度,在该管宽度内,训练损失函数中没有与一定距离内预测的点关联的惩罚,∈来自实际值,n为上限数值。
21、s8:对预测结果进行验证,与实验数据进行对比,并使用统计方法进行评估;
22、s9:根据需要,对集成模型参数进行调整,提高预测的准确性。
23、优选的,所述的卷积神经网络模型为resnet18。
24、优选的,所述的回归模型为支持向量回归(svr)。
25、优选的,所述的预处理包括图像的分辨率、对比度和亮度调整以及裁剪旋转。
26、优选的,所述的图像采集设备使用的是高分辨率的超景深显微镜。
27、优选的,所述的机器学习算法结合了迁移学习技术,以利用预训练的模型加速训练过程。
28、优选的,所述的预处理步骤还包括使用高斯滤波器进行噪声去除。
29、优选的,所述的特征提取过程中,还考虑了图像的纹理、颜色和形状特征。
30、优选的,所述的验证步骤包括使用k折交叉验证来评估模型的泛化能力。
31、优选的,所述的微调过程包括使用遗传算法来优化模型的超参数。具体包含:
32、(1)初始化:生成可能解决方案的初始群体即超参数集;
33、(2)选择:评估每个个体的适合度,并根据适合度选择父代;
34、(3)交叉:结合父代的特征来创造子代;
35、(4)突变:对子代进行微小的改变;
36、(5)更替:为子选择个体;
37、终止:重复步骤2-5,直到满足停止标准。
38、优选的,所述的模型训练中还结合了集成学习方法,集成学习方法为随机森林或梯度提升树,以提高预测的准确性。
39、优选的,所述的数据集除了图像数据外,还结合了实验温度、应力、应力比、合金晶体取向等物理信息参数。
40、优选的,所述的机器学习模型在训练过程中采用了dropout技术,以防止过拟合并提高模型的泛化能力。
41、优选的,所述的图像数据预处理还包括了边缘检测技术,以突出断裂表面的关键特征。
42、优选的,所述的特征提取方法还结合了自编码器,以进一步压缩和提取图像的有意义信息。
43、优选的,所述的模型验证中使用了混淆矩阵和f1分数,以全面评估模型的性能。
44、优选的,所述的模型在训练时采用了早停技术,当验证集上的性能不再提高时,停止训练以节省时间。
45、优选的,所述的数据集还结合了来自不同生产批次的合金样本,以增强模型的鲁棒性。
46、优选的,所述的机器学习模型在训练结束后,还进行了模型剪枝,以减少模型的大小并提高推理速度。
47、相比于现有技术,本专利技术的有益效果在于:
48、本专利技术提供的基于机器学习的单晶金属材料疲劳寿命预测方法可以对单晶金属材料进行准确的疲劳寿命预测。相对于传统的基于物理模型的方法,本专利技术采用机器学习结合真实物理量的方式,并且在机器学习中采用卷积神经网络同回归模型结合的集成模型,可以更准确地预测疲劳寿命,减少实验成本,提高材料的使用效率和安全性,具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的单晶金属材料疲劳寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,其中S5中,所述的卷积神经网络模型为ResNet18。
3.根据权利要求1所述的方法,其特征在于,其中S4中,所述的预处理包括图像的分辨率、对比度和亮度调整以及裁剪旋转,以及使用高斯滤波器进行噪声去除。
4.根据权利要求1所述的方法,其特征在于,其中S8中,所述的验证步骤包括使用k折交叉验证来评估模型的泛化能力。
5.根据权利要求1所述的方法,其特征在于,其中S9中所述的调整过程包括使用遗传算法来优化模型的超参数。
6.根据权利要求1所述的方法,其特征在于,其中S7中,所述的卷积神经网络模型在训练过程中采用Dropout技术,以防止过拟合并提高模型的泛化能力。
7.根据权利要求1所述的方法,其特征在于,其中S4中,所述的图像数据预处理还包括了边缘检测技术,以突出断裂表面的关键特征。
8.根据权利要1求所述的方法,其特征在于,其中S8中,所述的模型验证中使用混淆矩阵和F1分数,以
9.根据权利要求1所述的方法,其特征在于,还包括S10:后续模型维护步骤,该步骤定期更新模型参数和重新训练,以适应新收集的数据和应对可能的模型退化。
...【技术特征摘要】
1.一种基于机器学习的单晶金属材料疲劳寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,其中s5中,所述的卷积神经网络模型为resnet18。
3.根据权利要求1所述的方法,其特征在于,其中s4中,所述的预处理包括图像的分辨率、对比度和亮度调整以及裁剪旋转,以及使用高斯滤波器进行噪声去除。
4.根据权利要求1所述的方法,其特征在于,其中s8中,所述的验证步骤包括使用k折交叉验证来评估模型的泛化能力。
5.根据权利要求1所述的方法,其特征在于,其中s9中所述的调整过程包括使用遗传算法来优化模型的超参数。...
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。