【技术实现步骤摘要】
本专利技术涉及合金钢成分设计技术，尤其涉及一种高强度低合金钢成分设计方法。
技术介绍
1、高强度低合金钢(hsla：即high strength low alloy steels)是一类可焊接的低碳工程结构用钢。其主要特点是含碳量低，可焊接性好(含碳量一般低于0.45％，pcm小于等于0.3％)，晶粒细化，屈服强度高，普遍采用nb、v、ti等合金元素进行强韧化。其大多采用先进的治炼工艺和热处理工艺进行生产。高强度低合金钢可在相当低的成本下达到良好的强度、韧性、成型性及焊接性相结合的综合使用性能，因此它应用广泛。发展高强度低合金钢是我国从钢铁大国转变为钢铁强国的关键措施，因此有必要研制和发展既适合焊接又适合热处理的高强度低合金钢，以适应不同结构对钢材的需求。
2、目前，如何高效地快速设计出，满足当前要求的高强度低合金钢仍然是一个巨大挑战。传统的试错法很难快速、准确地找到元素对合金组织和性能的影响规律，难以快速根据需求定位成分，极大耗费了人力物力。
3、而当前，机器学习在材料领域的应用主要在于由成分工艺推导预测性能。
4、例如：申请号为202010693602.5，名称为“基于人工智能数据分析的热电材料性能预测”的中国专利，其通过建立热电材料参数数据库，训练模型，实现对热电材料性能的预测。但该技术无法进行成分设计，通过从性能需求推导相应成分。
5、因此，有必要设计一种可以将机器学习模型和遗传算法结合起来的，面向性能需求来推导成分的新方法，以解决或改善上述问题。
<
1、为了解决现有技术的上述问题，本专利技术提供了一种高强度低合金钢成分设计方法，通过对高强度低合金钢的关键性能，建立机器学习性能预测模型，发现材料复杂系统中非显性的成分-性能之间的关系，通过遗传算法多目标的寻优搜索全局较优解，基于生物学优胜劣汰原则进行优势基因的快速筛选，通过高通量计算在极大的成分工艺搜索范围内获得最佳成分工艺最后实验表征验证分析，从而能够快速找到满足需要的成分方案。
2、一种高强度低合金钢成分设计方法，包括以下步骤:。
3、s1、建立高强度低合金钢数据库；
4、s2、数据预处理，将数据库归一化放缩到同一区间，将数据库划分为训练集和验证集；
5、s3、建立机器学习预测模型，采用多种不同的机器学习算法对数据库中的训练集进行训练；
6、s4、模型评价，选择合适的统计学评价指标，综合对比不同机器学习模型的各项性能，选择最适合高强度低合金钢力学性能数据库的机器学习模型；
7、s5、实验验证，采用最优机器学习模型对未参与训练的数据进行预测验证；
8、s6、在机器学习模型的基础上，通过遗传算法对模型寻优，在限定成分范围内，利用想要的性能反推成分。
9、在步骤s1中，所述数据库的数据来源为jmatpro软件，通过计算获取高强度低合金钢计算数据。
10、所述高强度低合金钢计算数据包括输入数据和输出数据，输入数据包括合金元素，奥氏体化温度，晶粒度；输出数据包括屈服强度，抗拉强度和洛氏硬度。
11、在步骤s2中，所述数据预处理采用python中sklearn库的minmaxscaler模块，将数据缩放到[-1,1]区间内，将归一化后的数据70％设置为训练集，30％设置为验证集。
12、在步骤s3中，所述机器学习算法包括：支持向量机，梯度提升回归机，神经网络和随机森林。
13、在所述模型对比前，采用python中sklearn库的网格搜索模块在给出的模型参数的范围内找到使模型最优化的超参数。
14、在步骤s4中，所述统计学评价指标为选用平均绝对误差和均方误差来定量表示机器学习模型的预测性能。
15、在步骤s5中，所述预测验证包括按照gb/t228.1-2010在万能拉伸试验机上进行室温拉伸实验和洛氏硬度试验。
16、所述步骤s6具体包括以下步骤：
17、s61、初始化父代种群n；
18、s62、基于机器学习模型进行非支配排序和适应度计算；
19、s63、成分进行染色体编码，同时选择，交叉，变异；
20、s64、生成子群与父群合并2n；
21、s65、非支配排序采用精英策略优胜劣汰；
22、s66、生成新种群n。
23、在s61中，根据限定的合金元素，奥氏体化温度和晶粒度的范围，初始化父代种群n为100，并使用机器学习模型预测对应力学性能；在s63中，所述编码的方式为二进制编码；所述选择的方式为轮盘赌；所述交叉的方式为多点交叉，交叉概率pc为0.7；所述变异的概率pm为0.3，最大迭代次数times为400。
24、采用本专利技术的一种高强度低合金钢成分设计方法，具备以下优点：
25、1、能够将机器学习模型和遗传算法相结合，实现从性能到成分的逆向推导；
26、2、能够避免传统试错法材料研发的盲目性，提高高强度低合金钢的成分研发效率，大大降低研发周期和成分。
本文档来自技高网...【技术保护点】
1.一种高强度低合金钢成分设计方法，其特征在于,包括以下步骤:
2.如权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤S1中，所述数据库的数据来源为JmatPro软件，通过计算获取高强度低合金钢计算数据。
3.如权利要求2所述的一种高强度低合金钢成分设计方法，其特征在于：所述高强度低合金钢计算数据包括输入数据和输出数据，输入数据包括合金元素，奥氏体化温度，晶粒度；输出数据包括屈服强度，抗拉强度和洛氏硬度。
4.如权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤S2中，所述数据预处理采用python中sklearn库的minmaxscaler模块，将数据缩放到[-1,1]区间内，将归一化后的数据70％设置为训练集，30％设置为验证集。
5.根据权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤S3中，所述机器学习算法包括：支持向量机，梯度提升回归机，神经网络和随机森林。
6.根据权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤S4中，在所述模型对比前，采
7.根据权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤S4中，所述统计学评价指标为选用平均绝对误差和均方误差来定量表示机器学习模型的预测性能。
8.根据权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤S5中，所述预测验证包括按照GB/T228.1-2010在万能拉伸试验机上进行室温拉伸实验和洛氏硬度试验。
9.根据权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于，所述步骤S6具体包括以下步骤：
10.根据权利要求9所述的一种高强度低合金钢成分设计方法，其特征在于：在S61中，根据限定的合金元素，奥氏体化温度和晶粒度的范围，初始化父代种群N为100，并使用机器学习模型预测对应力学性能；在S63中，所述编码的方式为二进制编码；所述选择的方式为轮盘赌；所述交叉的方式为多点交叉，交叉概率Pc为0.7；所述变异的概率Pm为0.3，最大迭代次数times为400。
...【技术特征摘要】
1.一种高强度低合金钢成分设计方法，其特征在于,包括以下步骤:
2.如权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤s1中，所述数据库的数据来源为jmatpro软件，通过计算获取高强度低合金钢计算数据。
3.如权利要求2所述的一种高强度低合金钢成分设计方法，其特征在于：所述高强度低合金钢计算数据包括输入数据和输出数据，输入数据包括合金元素，奥氏体化温度，晶粒度；输出数据包括屈服强度，抗拉强度和洛氏硬度。
4.如权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤s2中，所述数据预处理采用python中sklearn库的minmaxscaler模块，将数据缩放到[-1,1]区间内，将归一化后的数据70％设置为训练集，30％设置为验证集。
5.根据权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤s3中，所述机器学习算法包括：支持向量机，梯度提升回归机，神经网络和随机森林。
6.根据权利要求1所述的一种高强度低合金钢成分设计方法，其特征在于：在步骤s4中，在...
【专利技术属性】
技术研发人员：董贵斌，赵小婷，姚连登，张君，
申请(专利权)人：宝山钢铁股份有限公司，
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。