【技术实现步骤摘要】
本专利技术属于材料计算设计超高强钢领域，具体涉及一种人工蜂群优化机器学习方法设计的马氏体时效钢及方法。
技术介绍
1、马氏体时效钢是一种超高强度钢，其强度是通过沉淀硬化的方法来获得的。作为高性能结构材料，它被广泛应用于航空航天、石油化工及海洋工程等高端制造业领域。在过去的半个世纪里，多种马氏体时效钢被开发出来。其基体为无碳或微碳的马氏体，通过时效处理后，金属间化合物在马氏体基体上均匀析出，具有析出强化的作用，使得马氏体时效钢具有较高的强度。该钢种在超高强度钢中具有最高的强度，但为了实现各型装备提升效率、结构安全性的设计要求，其强度-塑性-韧性匹配需在现有基础上进一步实现优化。同发达国家相比，我国高强度-高塑性钢铁材料的研发和工业应用仍然存在一定的差距。材料及研发成本昂贵、研发周期长、制造工艺复杂等因素是限制高强度-高塑性钢铁材料快速发展和应用的重要障碍。
2、集成计算材料工程，尤其是基于机器学习及多尺度数据融合在马氏体时效钢方面的应用还有待进一步发展。智能化数据库、材料计算、制备及表征等多种研究方法综合集成，其科学实质在于理性化的开展新材料的研发和产业化，以达到快速实现关键材料性能突破的目标。在新材料设计中，融合了热力学原理、分子动力学模拟、第一性原理计算、遗传算法模型等方法的集成材料计算工程可对材料的实现“原子、声子、电子”多层次模拟，将材料种类、结构、性能、表征等具象化特征进行抽象化的过程，并通过数值模拟和分析模型方式加速形成超高强马氏体时效钢的设计研发综合体系。越来越多的科学研究致力于将集成计算材料工程运用到解
3、在集成计算材料工程中，与机器学习能够实现高效连接的方法主要包含第一性原理计算及热力学计算。其中，第一性原理密度泛函理论可以从原子尺度出发，解释各物相性质、原子偏析行为、调幅分解趋势与析出相错配情况等。可用于定量分析特定材料体系物相变化，为开发和设计新材料提供动力学依据。calphad方法则是根据目标体系中各相的晶体结构、化学有序和磁性有序转变等信息，建立各相的热力学和动力学模型，并由这些模型构筑各相的吉布斯自由能和原子移动性参数的表达式，可以很方便地计算工业生产所需的各种相图信息和扩散行为。而在马氏体时效钢研究领域中，根据建立的数据库通过机器学习挖掘隐含在材料计算结果中的知识、规律，实现材料行为和性能的准确预测，并指导马氏体时效钢的基础问题研究、成分工艺设计及性能优化是目前亟待解决的问题。
技术实现思路
1、本专利技术通过收集目前已知马氏体时效钢的文献数据及实验数据，利用大数据技术快速建立数据模型，完成成分-热处理工艺-强塑性的材料数据库建立。并引入第一性原理计算和热力学计算的多种描述符对各元素自身的物理化学性质、原子特征、电子特征等进行特征工程建立，实现马氏体时效钢的多种数据跨尺度融合。通过人工蜂群优化机器学习算法建立模型后，采用反向预测技术，在马氏体时效钢的成分空间内完成强塑性匹配的超高强钢马氏体时效钢化学成分及热处理工艺参数的快速设计。
2、本专利提出了一种用于超高强马氏体时效钢设计的人工蜂群优化机器学习方法，具备高准确性、强泛化能力的特点，可以有效指导超高强马氏体时效钢的设计研发。该方法主要包括以下三个特点：多尺度融合的数据集、人工蜂群优化的机器学习模型和pso粒子群算法在全成分空间内反向寻优。集大数据技术、多尺度计算与实验验证为一体的方法结合理论与实践，为马氏体时效钢的设计提供了基础保障。人工蜂群优化后的机器学习模型不仅保有随机森林(rf)、最小二乘支持向量机(lssvm)或深度极限学习机(delm)的原有优点，还更高效、更精准地为模型优化了理想的参数条件，如：rf的特征子集、lssvm的惩罚参数γ和核函数参数σ、delm的初始权重；在模型优化后的十折交叉验证检验了模型的稳定性和避免过拟合；pso反向寻优算法可以在较短时间内找到最佳配比，大大减少了遍历寻优的成本。经过实验检测，该设计方法的精度高，泛化能力强，能够有效实现高强度钢的快速设计。
3、本专利所公开的结果一般通过以下技术方案予以实现：
4、本专利技术提供了一种用于超高强马氏体时效钢设计的人工蜂群优化机器学习方法，通过多尺度数据融合和人工蜂群优化，来解决目前超高强马氏体时效钢设计方面强度与塑性不匹配的瓶颈问题。通过构筑机器学习模型来优化成分及工艺参数，实现马氏体时效钢快速设计及新钢种的研发需求。该方法步骤如下：
5、(1)数据收集：通过国内外文献调研和实验室前期工作，收集马氏体时效钢的成分、热处理参数、力学性能数据，建立基础数据集；
6、(2)多尺度数据融合：在步骤(1)得到的基础数据集基础上，使用脚本连接vasp和thermal-calc软件对数据集进行高通量计算，输出原子半径、形成能、弹性常数、ms点、mf点、相分数、吉布斯自由能，并进行数据清洗、归一化处理和特征值筛选，得到多尺度数据集；
7、(3)人工蜂群优化机器学习模型建立：对在步骤(2)得到的多尺度数据集采用人工蜂群优化基础机器学习算法，建立预测模型，并对其进行十折交叉验证和模型精度评价；
8、(4)pso粒子群算法反向寻优：针对经过筛选的预测模型采用粒子群算法进行全成分空间内的寻优搜索，得到符合多目标阈值之上的成分-工艺组合解；
9、(5)筛选成分工艺进行实验验证：利用热力学计算和第一性原理对步骤(4)得到的成分-工艺组合解进行再次筛选，将筛选出的最优成分-工艺组合进行实验验证，并进行表征测试，与预测值进行对比，迭代输入至数据库中，为下一步马氏体时效钢高精度预测优化做数据支撑。
10、进一步地，步骤(1)中，所述成分为组成马氏体时效钢的元素及质量百分比；所述热处理参数为固溶时间、固溶温度、时效时间和时效温度；所述力学性能包括抗拉强度、屈服强度、延伸率、面缩率和硬度。
11、进一步地，步骤(2)中，针对多尺度数据集按照“3σ准则”进行奇异值的检验与剔除、多项式曲线拟合插补剔除值、小波去噪、标准化处理至[0,1]区间，将成分中s、p、c、n等在马氏体时效钢制备过程中引入的杂质元素去除，仅留下对于机器学习算法有益的相关特征，保证特征子集的稳定性和适应性，增加模型的可解释性。
12、进一步地，步骤(3)中人工蜂群优化基础机器学习算法流程具体为：
13、step1.初始化算法参数，生成蜜蜂初始位置；step2.雇佣蜂计算适应度值，比较并保存最优值；step3.跟随蜂选择雇佣蜂更新蜜源位置，计算适应度值，保存最佳值；step4.若有侦察蜂出现，则重新生成初始位置并执行更新选优，否则继续执行step5；step5.若迭代次数小于预设的迭代次数，则转到step2；否则输出最优解。
14、可选地，步骤(1)中，人工蜂群优化基础机器学习算法具体为人工蜂群优化随机森林算法，具体内容如下：
15、在对随机本文档来自技高网...
【技术保护点】
1.一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，包括如下步骤：
2.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(1)中，所述成分为组成马氏体时效钢的元素及质量百分比；所述热处理参数为固溶时间、固溶温度、时效时间和时效温度；所述力学性能包括抗拉强度、屈服强度、延伸率、面缩率和硬度。
3.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(2)中，针对多尺度数据集按照“3σ准则”进行奇异值的检验与剔除、多项式曲线拟合插补剔除值、小波去噪、标准化处理至[0,1]区间，将成分中S、P、C、N等在马氏体时效钢制备过程中引入的杂质元素去除，仅留下对于机器学习算法有益的相关特征，保证特征子集的稳定性和适应性，增加模型的可解释性。
4.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(3)中人工蜂群优化基础机器学习算法流程具体为：
5.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化
6.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(1)中，人工蜂群优化基础机器学习算法为人工蜂群优化最小二乘支持向量机算法，具体内容如下：
7.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(1)中，人工蜂群优化基础机器学习算法为人工蜂群优化深度极限学习机算法，具体内容如下：
8.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(3)中对优化后的机器学习预测模型进行十折交叉验证和模型精度评价具体为：
9.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(4)具体为：将自变量作为粒子群，分别在成分空间内寻找满足所需力学性能的点。粒子通过计算个体极值与全局极值更新速度和位置，直至达到最大迭代次数，全局极值即为搜索到的目标成分。
10.根据权利要求1～9所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法得到的超高强马氏体时效钢，其特征在于，屈服强度为800～2800MPa，抗拉强度为900～2900MPa，伸长率为16％以下，面缩率为80％以下，硬度为30～60Hv。
...【技术特征摘要】
1.一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，包括如下步骤：
2.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(1)中，所述成分为组成马氏体时效钢的元素及质量百分比；所述热处理参数为固溶时间、固溶温度、时效时间和时效温度；所述力学性能包括抗拉强度、屈服强度、延伸率、面缩率和硬度。
3.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(2)中，针对多尺度数据集按照“3σ准则”进行奇异值的检验与剔除、多项式曲线拟合插补剔除值、小波去噪、标准化处理至[0,1]区间，将成分中s、p、c、n等在马氏体时效钢制备过程中引入的杂质元素去除，仅留下对于机器学习算法有益的相关特征，保证特征子集的稳定性和适应性，增加模型的可解释性。
4.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(3)中人工蜂群优化基础机器学习算法流程具体为：
5.根据权利要求1所述的一种用于超高强马氏体时效钢的人工蜂群优化机器学习设计方法，其特征在于，步骤(1)中，人工蜂群优化基础机器学习算法具体为人工蜂群优化随机森林算法，具体内容如下：
...
【专利技术属性】
技术研发人员：朱景川，陈师杏，刘庭耀，刘勇，刘冠杞，
申请(专利权)人：哈尔滨工业大学，
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。