【技术实现步骤摘要】
本专利技术涉及人工智能领域，特别涉及一种铸铁材料回归预测模型的获取方法、系统、终端及介质。
技术介绍
1、铸铁材料因其优异的机械性能而被广泛采用，是现代工程技术不可或缺的基础。然而铸铁材料的设计和开发是一个基于经验的、迭代试错的过程，这不仅耗时长，而且成本高昂。随着计算机技术和人工智能的飞速发展，铸铁材料的智能化设计变得尤为重要。
2、在这样的背景下，开发铸铁材料智能化设计方法显得格外必要。铸铁材料的工艺、组织和性能之间存在着复杂的相互关系。例如，铸铁的微观组织结构(如晶粒大小、相组成等)会直接影响其宏观性能(如强度、塑性、疲劳寿命等)。同时，这些微观组织特征又受到铸铁制备和加工工艺(如铸造、热处理、冷/热加工等)的影响。因此，能够准确预测铸铁材料性能的模型需要综合考虑多种模态的输入数据，包括但不限于化学成分、加工参数、微观结构特征等。
3、然而，现有的预测模型往往侧重于单一类型的数据输入，如仅考虑化学成分或仅基于某一加工工艺参数，这限制了模型预测准确性和适用范围。而基于多模态输入的回归预测模型能够充分利用各种类...
【技术保护点】
1.一种铸铁材料回归预测模型的获取方法，其特征在于，包括：
2.根据权利要求1所述的铸铁材料回归预测模型的获取方法，其特征在于，所述采集目标铸铁材料的多模态数据以建立数据库，并对所述多模态数据进行预处理，包括：
3.根据权利要求2所述的铸铁材料回归预测模型的获取方法，其特征在于，所述元数据包括：元素成分信息、工艺信息、组织信息和力学性能数据；所述元素成分信息为组成铸铁的元素特征数据及各元素对应的质量百分比；所述力学性能数据包括：抗拉强度、延伸率和硬度；
4.根据权利要求1所述的铸铁材料回归预测模型的获取方法，其特征在于，所述将预处理...
【技术特征摘要】
1.一种铸铁材料回归预测模型的获取方法，其特征在于，包括：
2.根据权利要求1所述的铸铁材料回归预测模型的获取方法，其特征在于，所述采集目标铸铁材料的多模态数据以建立数据库，并对所述多模态数据进行预处理，包括：
3.根据权利要求2所述的铸铁材料回归预测模型的获取方法，其特征在于，所述元数据包括：元素成分信息、工艺信息、组织信息和力学性能数据；所述元素成分信息为组成铸铁的元素特征数据及各元素对应的质量百分比；所述力学性能数据包括：抗拉强度、延伸率和硬度；
4.根据权利要求1所述的铸铁材料回归预测模型的获取方法，其特征在于，所述将预处理后的多模态数据进行分桶处理，以得到训练样本集，包括：
5.根据权利要求4所述的铸铁材料回归预测模型的获取方法，其特征在于，所述机器学习模型包括：第一学习网络和第二学习网络；所述第一学习网络包括：随机森林模型和前馈神经网络；所述第二学习网络包括：卷积神经网络；...
【专利技术属性】
技术研发人员：杨超，董续雨，柏建雨，疏达，杨宗武，孙文辉，
申请(专利权)人：上海交通大学，
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。