基于两步增效主动学习策略的铝合金旋转挤压固相增材工艺设计方法

本发明属于计算材料科学与合金设计优化，具体涉及基于两步增效主动学习策略的铝合金旋转挤压固相增材工艺设计方法。

背景技术：

1、随着航空航天、轨道交通等高端制造领域对结构轻量化需求的不断提升，铝合金因其低密度、耐蚀性好等优势成为关键结构材料的重要选择。然而，传统铝合金通常存在强度与塑性倒置问题，难以满足复杂结构件在高承载环境下可靠服役的力学性能要求。旋转挤压固相增材技术作为一种新兴方法，可避免传统熔化凝固制备技术引起的材料内部气孔、裂纹、偏析等缺陷，通过剧烈塑性变形和动态再结晶实现组织细化与性能提升，为高强高塑铝合金构件制备提供了有效的技术途径。

2、然而，旋转挤压固相增材工艺参数与铝合金组织及力学性能之间存在高度非线性、强耦合关系，依赖单因素试错实验、正交实验等传统方法进行工艺优化，存在成本高、周期长、效率低等问题，难以满足多工艺参数、多性能目标协同优化的实际需求。近年来，主动学习因具备小样本下高效迭代寻优能力，逐渐成为材料研发的重要方法，但其仍受初始样本空间限制，易陷入局部最优，且多聚焦单目标优化，难以处理强度与塑性之间的权衡问题。

技术实现思路

1、为解决现有技术中存在的问题，本发明的目的在于提供基于两步增效主动学习策略的铝合金旋转挤压固相增材工艺设计方法，本发明能够解决现有技术中主动学习受初始样本空间限制，易陷入局部最优，且多聚焦单目标优化，难以处理强度与塑性之间的权衡问题。

2、为实现上述目的，本发明采用以下技术方案：

3、基于两步增效主动学习策略的铝合金旋转挤压固相增材工艺设计方法，包括如下过程：

4、工艺-性能实验数据集增强：对已获取的铝合金旋转挤压固相增材工艺所得增材体的工艺-性能实验数据集进行增强，得到增强数据集；

5、模型筛选：利用所述增强数据集训练并筛选出最优机器学习回归模型；

6、工艺参数设计空间生成：结合所述最优机器学习回归模型和非支配排序遗传算法，生成潜在高性能合金的工艺参数设计空间；

7、高值样本推荐：在工艺参数设计空间内推荐高值样本；

8、判断过程：当根据所述高值样本的工艺参数执行旋转挤压固相增材实验所得到的增材体的力学性能数据达到预设要求时，则以达到预设要求的高值样本的工艺参数作为铝合金旋转挤压固相增材工艺参数；否则，将所述高值样本加入工艺-性能实验数据集，得到扩增数据集；

9、迭代过程：将所述扩增数据集返回至工艺-性能实验数据集增强过程并进行迭代，直到增材体的力学性能数据达到预设要求，停止迭代。

10、优选的，所述工艺-性能实验数据集包括主轴转速、行进速度、单层厚度、送丝速度、增材路径、搭接率、增材温度、室温拉伸抗拉强度和延伸率；

11、采用变分自编码器对所述工艺-性能实验数据集进行增强，得到增强数据集，具体过程包括：学习工艺-性能实验数据集中数据的特征分布，生成与工艺-性能实验数据集中的数据同分布的增强样本，增强数据集的样本数量为工艺-性能实验数据集的样本容量的2倍以上。

12、优选的，所述机器学习回归模型包括线性回归模型、套索回归模型、岭回归模型、支持向量回归模型、高斯过程回归模型、随机森林回归模型和极限梯度回归模型；

13、利用所述增强数据集训练并筛选出最优机器学习回归模型时，评估机器学习回归模型精度，筛选出精度最高的机器学习回归模型作为最优机器学习回归模型；

14、所述精度的数学表达如下：

15、

16、式中，

i为增强数据集中样本的序号，是增强数据集中第

i个样本力学性能的实测值，是增强数据集中第

i个样本力学性能的预测值，是增强数据集中所有样本力学性能实测值的平均值。

17、优选的，结合所述最优机器学习回归模型和第二代非支配排序遗传算法，生成潜在高性能合金的工艺参数设计空间；

18、其中，最优机器学习回归模型和第二代非支配排序遗传算法的结合方式为，将最优机器学习回归模型在第二代非支配排序遗传算法的优化的工艺参数上的预测误差作为第二代非支配排序遗传算法的适应度函数，适应度函数的数学表达如下：

19、

20、其中：

21、式中，为由个工艺参数组成的决策向量，；和分别为所选最优机器学习回归模型对抗拉强度的预测值和延伸率的预测值；和分别为最优机器学习回归模型在处的预测不确定性，预测不确定性为均方根误差；和为不确定性惩罚系数；为工艺参数的可行域；为平均意义上的误差。

22、优选的，生成的潜在高性能合金的工艺参数设计空间的组元为适应度函数值最高的100个工艺参数组合。

23、优选的，所述力学性能数据包括室温拉伸抗拉强度和延伸率；

24、在所述判断过程中：当根据所述高值样本的工艺参数执行旋转挤压固相增材实验所得到的增材体的室温拉伸抗拉强度高于室温拉伸抗拉强度预设值且延伸率均高于延伸率预设值时，则以此时的高值样本的工艺参数作为铝合金旋转挤压固相增材工艺参数；否则，将所述高值样本加入工艺-性能实验数据集，得到扩增数据集。

25、优选的，利用加权求和上置信界采样函数在工艺参数设计空间内推荐高值样本。

26、优选的，所述加权求和上置信界采样函数的数学表达如下：

27、

28、式中，为工艺参数；为权重系数；为模型筛选过程中筛选出的室温拉伸抗拉强度预测最优的机器学习回归模型，对工艺参数下增材体室温拉伸抗拉强度的预测均值，是对应的预测标准差；为权重系数；为模型筛选过程中筛选出的室温延伸率预测最优的机器学习回归模型，对工艺参数下增材体室温延伸率的预测均值，是对应的预测标准差；是探索系数。

29、优选的，推荐的高值样本是对工艺参数设计空间内所有工艺参数组合下加权求和上置信界函数值由高到低排序选取的样本，每次推荐选择排序前2的样本。

30、本发明还提供了基于两步增效主动学习策略的铝合金旋转挤压固相增材工艺设计系统，用于实现本发明如上所述的基于两步增效主动学习策略的铝合金旋转挤压固相增材工艺设计方法，包括：

31、工艺-性能实验数据集增强模块：用于对已获取的铝合金旋转挤压固相增材工艺所得增材体的工艺-性能实验数据集进行增强，得到增强数据集；

32、模型筛选模块：用于利用所述增强数据集训练并筛选出最优机器学习回归模型；

33、工艺参数设计空间生成模块：用于结合所述最优机器学习回归模型和非支配排序遗传算法，生成潜在高性能合金的工艺参数设计空间；

34、高值样本推荐模块：用于在工艺参数设计空间内推荐高值样本；

35、判断模块：用于当根据所述高值样本的工艺参数执行旋转挤压固相增材实验所得到的增材体的力学性能数据达到预设要求时，则以达到预设要求的高值样本的工艺参数作为铝合金旋转挤压固相增材工艺参数；否则，将所述高值样本加入工艺-性能实验数据集，得到扩增数据集；

36、迭代模块：用于将所述扩增数据集返回至工艺-性能实验数据集增强过程并进行迭代，直到增材体的力学性能数据达到预设要求，停止迭代。

37、本发明具有如下有益效果：

38、本发明基于两步增效主动学习策略的铝合金旋转挤压固相增材工艺设计方法中首先，通过工艺-性能实验数据集增强步骤，能够对初始实验数据集扩充得到增强数据集，现有常规优化方式仅依靠数量有限的原始实验数据训练模型，而铝合金旋转挤压固相增材的工艺参数与抗拉强度、延伸率存在高度非线性耦合关系，少量原始样本无法完整覆盖数据特征，训练出的模型预测偏差大、容易陷入局部最优，本发明技术方案扩充后的增强数据集能够完整保留原始数据分布特征，以此为基础开展后续模型筛选，从数据层面降低小样本带来的建模误差，为获取精准预测模型提供数据支撑；其次，依托增强数据集开展模型筛选，训练多类机器学习回归模型并从中选出最优机器学习回归模型，区别于直接选用固定模型进行预测的方式，最优机器学习回归模型能够更精准捕捉多工艺参数和抗拉强度、延伸率之间的关联规律，减少力学性能预测的不确定性，为后续工艺参数设计空间的生成提供可靠预测工具；再次，将最优机器学习回归模型与非支配排序遗传算法结合生成潜在高性能合金的工艺参数设计空间，现有主动学习多采用单目标优化，无法兼顾抗拉强度与延伸率、难以解决二者倒置矛盾，传统试错、正交试验又只能局限于离散参数点对比，本发明技术方案借助非支配排序遗传算法全局搜索工艺可行域，同步以抗拉强度、延伸率作为优化目标批量筛选候选参数组合形成工艺参数设计空间，实现抗拉强度、延伸率双性能协同优化，拓宽高性能工艺参数的搜索范围；之后在工艺参数设计空间内推荐高值样本，若直接对全部候选参数开展旋转挤压固相增材实验与力学性能测试会产生大量无效实验、拉高研发成本与周期，本发明技术方案仅筛选高值样本开展实验，既优先选取预测力学性能更优的参数组合挖掘高性能区间，也兼顾预测不确定性高的样本补充数据集缺失特征，平衡对已知高性能区间的利用和对未知工艺区间的探索，大幅减少不必要的实验投入、缩短研发周期；最后设置判断与迭代流程，当高值样本经旋转挤压固相增材实验得到的力学性能未达预设要求时，将实测数据并入原始数据集得到扩增数据集并回传至工艺-性能实验数据集增强环节重新完整执行各步骤，每一轮迭代都会补充新的实测数据、更新增强数据集与最优机器学习回归模型，持续拓宽数据覆盖范围、跳出局部最优区间，迭代过程中力学性能逐步向预设标准收敛，直至实测抗拉强度与延伸率均满足预设要求即可输出合格工艺参数；整体方案形成前后联动的两步增效闭环逻辑，前置工艺-性能实验数据集增强解决小样本建模精度不足的基础问题，后置工艺参数设计空间生成、高值样本推荐搭配循环迭代实现抗拉强度、延伸率协同快速寻优，整套流程仅需少量初始实验样本即可启动优化，能够在更少实验次数、更低研发成本下同步实现铝合金旋转挤压固相增材构件抗拉强度与延伸率的协同提升。