低合金钢性能预测与成分设计方法、存储介质及电子设备与流程

本发明涉及钢铁材料智能设计，尤其涉及一种低合金钢性能预测与成分设计方法、存储介质及电子设备。

背景技术：

1、钢铁材料作为重要的基础材料，其力学性能受到化学成分、组织结构、相变行为及析出强化等因素共同影响。随着高强、高韧及高性能钢铁材料需求不断提高，传统依靠经验设计和大量试验验证的钢铁材料研发方法存在研发周期长、成本高和效率低等问题，难以满足高强、高韧及高性能钢铁材料快速开发需求。

2、近年来，人工智能技术逐渐应用于材料性能预测领域，通过建立材料成分与性能之间的非线性映射关系，可提高材料研发效率。然而，现有数据驱动的人工智能模型主要依赖实验数据，缺少钢铁材料冶金机制约束，在样本数量有限及材料成分空间扩展情况下预测稳定性不足，同时现有数据驱动的人工智能模型可解释性较差，难以保证预测结果符合材料组织演变规律。

3、钢铁材料性能形成过程与冶金物理机制密切相关，其中，碳当量参数能够反映合金元素对钢铁材料性能及组织形成的综合影响，相变特征参数和相变特征温度能够描述钢铁材料组织转变行为，热力学平衡参数能够表征不同条件下相组成及元素分配状态，析出相参数能够反映微合金元素析出强化作用。因此，将上述具有明确材料学意义的物理信息引入人工智能模型，可增强人工智能模型对钢铁材料性能形成机制的表征能力，提高预测结果的可靠性和可解释性。

4、因此，有必要提出一种低合金钢性能预测与成分设计方法、存储介质及电子设备，实现低合金钢性能预测的稳定性及成分优化设计，提高高强、高韧及高性能钢铁材料研发效率，用于解决现有数据驱动的人工智能模型缺少钢铁材料冶金机制约束，在样本数量有限及材料成分空间扩展情况下预测稳定性不足，同时难以保证预测结果符合材料组织演变规律的问题。

技术实现思路

1、本发明目的在于提供一种低合金钢性能预测与成分设计方法、存储介质及电子设备，具体技术方案如下：

2、在第一方面，本发明提供了一种低合金钢性能预测与成分设计方法，其包括：

3、步骤s1、采集不同批次低合金钢材料的化学成分、生产工艺参数及力学性能数据，建立低合金钢材料的成分-性能数据库；采用与所述成分-性能数据库建立阶段一致的固定随机种子，按照钢种分层并以生产炉次或批次为分组单位，将所述成分-性能数据库中的数据划分为训练集和测试集；

4、步骤s2、将所述训练集进行数据处理后，得到包含低合金钢材料的化学成分特征和物理增强特征的标准化训练数据集；所述物理增强特征包括碳当量特征、相变特征参数、相变特征温度参数、热力学平衡参数以及析出相参数；

5、步骤s3、将所述标准化训练数据集输入人工神经网络模型，建立低合金钢材料的化学成分特征、物理增强特征与力学性能之间的非线性映射关系；采用数据损失函数训练所述人工神经网络模型，使得所述人工神经网络模型对低合金钢目标性能的预测结果满足所述测试集中的实验数据规律和冶金规律；

6、步骤s4、在满足物理可行域约束的条件下，采用nsga-ⅱ生成候选合金成分，并采用多目标优化算法获得满足低合金钢目标性能要求的优选合金成分。

7、可选的，所述数据处理包括依次进行的异常值检测处理、缺失数据处理、数据归一化处理以及特征筛选处理。

8、可选的，所述特征筛选处理包括：

9、首先，在经所述异常值检测处理、所述缺失数据处理、以及所述数据归一化处理后的所述训练集内采用pearson相关系数计算各输入特征变量与目标性能的相关系数；若某一输入特征变量与目标性能的相关系数的绝对值小于0.10，且该输入特征变量基于树模型的特征重要性同时处于全部候选特征的后20%时，则该输入特征变量为弱相关性特征变量，需要筛除；若某一输入特征变量与目标性能的相关系数的绝对值大于等于0.10，且该输入特征变量基于树模型的特征重要性同时处于全部候选特征的前80%时，则该输入特征变量为强相关性特征变量，需要保留；所述目标性能采用的力学参数包括屈服强度、抗拉强度及断后伸长率；

10、其次，采用多重共线性分析方法对保留的强相关性特征变量优化处理，得到包含低合金钢材料的化学成分特征和物理增强特征的所述标准化训练数据集。

11、可选的，输入所述人工神经网络模型的输入特征总维度n表示为：；

12、其中，21≤n≤30；表示化学成分特征数量，且8≤≤15；表示碳当量特征数量，其取值为1；表示相变特征参数数量，且3≤≤15；表示相变特征温度参数数量，且3≤≤10；表示热力学平衡参数数量，且3≤≤15；表示析出相参数数量，且3≤≤20。

13、可选的，所述化学成分特征包括元素c、si、mn、p、s、cr、ni、mo、cu、v、nb、ti、al、b和n；

14、所述相变特征参数包括奥氏体稳定化参数、铁素体形成倾向参数、以及马氏体形成倾向参数；

15、所述相变特征温度参数包括ac1、ac3、bs、ms、以及ar3；

16、所述热力学平衡参数包括平衡相比例、元素固溶量、以及元素分配状态；

17、所述析出相参数包括nb(c,n)析出相的平衡相分数、tin析出相的平衡相分数、vc析出相的平衡相分数、v(c,n)析出相的平衡相分数以及相组成。

18、可选的，所述数据损失函数采用式1）表示；

19、  式1）;

20、在式1）中，ldata表示数据损失函数；表示第组样本第项力学性能经所述训练集统计量标准化后的真实值；取值为1至中的任一数值；表示所述人工神经网络模型对第组样本第项标准化力学性能的预测值；表示所述训练集中的样本数量，取1时，取对应屈服强度的真实值，取对应屈服强度的预测值；取2时,取对应抗拉强度的真实值，取对应抗拉强度的预测值；取3时，取对应断后伸长率的真实值，取对应断后伸长率的预测值;

21、通过最小化所述数据损失函数训练所述人工神经网络模型。

22、可选的，所述物理可行域约束包括成分约束、碳当量约束、相变行为约束和析出强化约束；

23、所述成分约束包括：限制候选合金成分中各合金元素的质量百分含量，其中，c含量小于0.28 wt.%、si含量为0.50 wt.%~0.70 wt.%、mn含量小于1.50 wt.%、nb含量大于0.01 wt.%、v含量大于0.01 wt.%、n含量大于0.015 wt.%；并限制cu、ni和cr含量分别小于0.10 wt.%；

24、所述碳当量约束包括：根据候选合金成分计算碳当量cev，并将所述碳当量与预设碳当量上限进行比较，保留cev不大于0.58的候选合金成分；

25、所述相变行为约束包括：根据候选合金成分计算对应的马氏体开始转变温度ms、铁素体完全奥氏体化的终了温度ac3以及贝氏体转变温度bs，并根据所述ms、ac3及贝氏体转变温度bs评价候选合金成分对应的组织转变行为，将满足预设组织控制窗口的候选合金成分保留；

26、所述析出强化约束包括：根据候选合金成分中的nb、v和n含量以及对应的平衡析出相参数评价nb(c,n)和vn析出强化行为，并保留满足预设析出强化条件的候选合金成分。

27、可选的，采用所述多目标优化算法获得满足低合金钢目标性能要求的优选合金成分的步骤包括：

28、步骤a1、种群初始化，根据候选合金成分中的预设合金元素范围生成初始化学成分组合，形成初始候选材料集合；

29、步骤a2、性能预测，利用训练后的所述人工神经网络模型计算所述初始候选材料集合中各候选合金成分对应的屈服强度、抗拉强度和断后伸长率，形成多个优化目标性能；

30、步骤a3、非支配排序，根据各所述优化目标性能之间的支配关系，对所述初始候选材料集合中的候选方案进行等级划分，获得不同pareto等级；

31、步骤a4、拥挤距离计算，计算同一pareto等级候选方案之间的距离，得到当前代候选材料集合，用于保持优化过程中候选解的多样性；

32、步骤a5、遗传进化，对当前代候选材料集合中的候选合金成分组合进行选择、交叉和变异操作，产生新的候选合金成分组合；对新的候选合金成分组合重复步骤a2至步骤a4，依次进行性能预测、非支配排序和拥挤距离计算，并将新的候选合金成分组合与上一代候选合金成分组合进行合并，根据pareto等级及拥挤距离进行择优，形成下一代候选材料集合，以实现多代候选合金成分的迭代优化；

33、步骤a6、终止判断，当达到预设迭代次数，或者连续若干代pareto最优解集中屈服强度、抗拉强度和断后伸长率各自的最优值变化量均小于预设收敛阈值时，结束优化过程，并将满足低合金钢目标性能要求的pareto最优解作为优选合金成分；

34、所述预设迭代次数在3~10次；

35、所述屈服强度的预设收敛阈值不超过屈服强度最优值绝对变化量的10%；

36、所述抗拉强度的预设收敛阈值不超过抗拉强度最优值绝对变化量的10%；

37、所述断后伸长率的预设收敛阈值不超过断后伸长率最优值绝对变化量的20%。

38、在第二方面，本发明提供了一种计算机存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现所述的低合金钢性能预测与成分设计方法。

39、在第三方面，本发明提供了一种电子设备，其包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的低合金钢性能预测与成分设计方法。

40、应用本发明的技术方案，至少具有以下有益效果：

41、（1）本发明提供的一种低合金钢性能预测与成分设计方法，通过构建包含碳当量参数、相变特征参数、相变特征温度、热力学平衡参数及析出相参数的物理增强特征体系，并结合训练后的人工神经网络模型，不仅提高了人工神经网络模型对低合金钢材料组织演变规律的表征能力，还提高了人工神经网络模型在有限样本条件下的适用能力，降低低合金钢材料研发过程中对大量试验数据的依赖。另外，建立低合金钢材料的化学成分特征、物理增强特征与力学性能之间的非线性映射关系，提高了模型预测结果的可解释性，使预测结果符合钢铁材料组织演变规律；本发明还将化学成分约束、相变行为约束及析出强化约束引入nsga-ⅱ生成候选合金成分中，提高了多目标优化算法获得满足低合金钢目标性能要求的优选合金成分的预测可靠性和泛化能力。再有，本发明采用多目标优化算法能够实现低合金钢目标性能驱动下的材料成分智能设计，减少传统试验迭代过程，缩短新材料研发周期。因此，本发明提供的一种低合金钢性能预测与成分设计方法能够实现低合金钢性能预测的稳定性及成分优化设计，提高高强、高韧及高性能钢铁材料研发效率，从而解决现有数据驱动的人工智能模型缺少钢铁材料冶金机制约束，在样本数量有限及材料成分空间扩展情况下预测稳定性不足，同时难以保证预测结果符合材料组织演变规律的问题。另外，本发明适用于高强钢、微合金钢、合金结构钢、建筑钢筋等钢铁材料体系，可用于材料性能预测、成分优化设计及新钢种开发。

42、（2）本发明提供的计算机存储介质，用于存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现所述的低合金钢性能预测与成分设计方法，进而实现低合金钢性能预测的稳定性及成分优化设计，提高高强、高韧及高性能钢铁材料研发效率。

43、（3）本发明提供的电子设备，包括至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的低合金钢性能预测与成分设计方法，进而实现低合金钢性能预测的稳定性及成分优化设计，提高高强、高韧及高性能钢铁材料研发效率。

44、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。