一种融合成分、工艺路线与试验条件的钛合金力学性能预测方法与流程

摘要: 本发明涉及材料信息学与钛合金预测,具体涉及一种融合成分、工艺路线与试验条件的钛合金力学性能预测方法。背景技术:1、钛合金具有密度低、比强度高、耐蚀性好和高温性能...
一种融合成分、工艺路线与试验条件的钛合金力学性能预测方法与流程

本发明涉及材料信息学与钛合金预测,具体涉及一种融合成分、工艺路线与试验条件的钛合金力学性能预测方法。

背景技术:

1、钛合金具有密度低、比强度高、耐蚀性好和高温性能优良等特点,在航空航天、舰船武器等高端装备领域和化工、医疗等民用领域具有重要应用。力学性能是评价钛合金的重要指标之一,其受到合金元素含量、热处理制度、加工路线、材料形态、交付状态以及试验条件等多因素共同影响。

2、传统的钛合金力学性能获取方式通常依赖制样、热处理、试验和人工经验分析。该方式结果可靠,但试验周期长,成本高,难以在材料研发早期对大量成分和工艺组合进行快速筛选。随着材料数据库和机器学习方法的发展,研究人员开始利用已有材料性能数据训练模型,预测新材料或新工艺条件下的性能指标。

3、然而,在利用机器学习方法预测钛合金力学性能时,实际积累的工业数据往往存在以下特点:同一材料可能具有多个成分版本和多个工艺路线;热处理或加工步骤通常以多条文字记录保存;同一试验可能存在多次力学性能测量;不同工艺路线之间存在相似性;试验温度和试验类型对强度影响显著。如果直接将原始数据按行随机划分并训练模型,可能出现重复测量干扰、相似工艺路线泄漏、工艺信息利用不足和预测输入不一致等问题,从而使模型评价结果偏离真实应用情况。预测准确性无法满足工程需求。

4、现有技术中公开了基于物理信息驱动的近β钛合金多性能预测方法,公开号为cn120977428a,该方案引入物理先验约束概念,将材料物理机理嵌入预测模型,通过物理信息对模型训练过程进行正则约束,实现钛合金多维度力学性能的初步预测。然而该技术方案并未针对工业实测数据中同一拉伸试验存在多次重复测量的场景做样本聚合处理,也未对非结构化、时序化的完整工艺路线进行语义层面的特征表征,同时交叉验证采用样本随机划分方式,不能规避工艺信息泄露带来的模型评估虚高问题,模型评估结果与实际工程应用效果存在较大偏差。

5、现有技术中公开了一种基于机器学习的钛合金力学性能预测方法及装置,公开号为 cn116230136a,该方案引入机器学习建模预测概念,将钛合金成分、离散工艺参数作为模型输入,通过集成机器学习算法完成力学性能拟合预测,实现钛合金性能的快速预判。然而该技术方案并未区分测量级数据与试验级样本,直接使用原始多次重复测量数据参与建模,同时仅采用独立离散工艺参数表征加工、热处理过程,丢失工艺步骤先后顺序等语义信息,并且未基于工艺路线进行分组式交叉验证,不能消除重复测量虚增样本、工艺时序信息缺失、数据划分不合理带来的模型失真,在真实工业复杂数据集上泛化预测能力不足。

6、因此,如何降低重复测量和相似工艺路线对模型评价的干扰,提高钛合金力学性能预测样本构造和预测输入的一致性,成为本领域亟待解决的技术问题。

技术实现思路

1、本发明的目的在于克服现有技术存在的至少一种缺陷,提供一种融合成分、工艺路线与试验条件的钛合金力学性能预测方法,解决钛合金数据集分散、样本粒度不统一、重复测量、相似工艺泄露造成模型评估失真的问题;构建具备材料学逻辑的试验级训练样本,融合多维度特征,采用工艺路线分组验证,实现钛合金力学性能可靠预测。

2、本发明为实现上述目的所采用的技术方案是:一种融合成分、工艺路线与试验条件的钛合金力学性能预测方法,包含下述步骤:

3、步骤1:获取钛合金材料的样本信息、化学成分、热处理或加工步骤、试验条件以及力学性能结果;

4、步骤2:将同一试验对应的力学性能重复测量结果进行聚合,形成一个试验级训练样本;

5、样本关联:将同一材料样本对应的成分、工艺路线、试验条件、性能结果进行关联绑定,使每一条训练样本对应唯一确定的材料、工艺以及试验;

6、目标强度构造:筛选力学性能结果,同一试验对应的多次测量结果求取平均值,作为该试验级训练样本的目标力学性能;

7、步骤3:将化学成分、工艺路线描述、工艺步骤数量、试验温度、试验类型和材料状态共同构成材料性能的表示参数;

8、工艺路线表达:按照执行先后顺序,将热处理或加工步骤拼接得到工艺路线描述文本,同时统计工艺步骤总数量,分别表征工艺内容与工艺复杂程度;

9、成分特征提取:提取钛合金化学成分中主要元素含量,至少包含铝、钒、铁、氧四种元素的含量;

10、试验与材料状态表达:提取拉伸试验类型、试验温度,以及合金名称、材料形态、来源类别、交付状态材料状态信息;

11、步骤4:按照工艺路线对训练样本进行分组验证,训练并优选力学性能预测模型;

12、模型训练与验证:以工艺路线为分组基准开展交叉验证,训练多组候选回归模型,依据工程误差命中率以及平均绝对误差指标筛选得到最优力学性能预测模型;

13、步骤5:利用所述力学性能预测模型对待预测钛合金材料输出力学性能预测值;

14、模型应用:对待预测钛合金,按照和训练阶段完全相同的规则生成输入特征,调用训练完成的预测模型输出力学性能预测值。

15、优选地,步骤2所述力学性能重复测量结果的聚合,具体为:对同一试验编号下的多个力学性能数值求取平均值,将该平均值作为该试验级样本的目标强度值。

16、优选地,步骤4所述按照工艺路线对训练样本进行分组验证包括:以工艺路线编号作为分组依据,相同工艺路线对应的样本在模型验证过程中不会同时分布于训练部分和验证部分。

17、优选地,所述化学成分至少包括铝、钒、铁和氧的元素含量,并将各元素含量转化为模型可计算的数值特征。

18、优选地,所述热处理或加工步骤被转换为工艺路线文字描述和工艺步骤数量;工艺路线文字描述用于表达步骤具体内容,工艺步骤数量用于表征工艺路线复杂程度。

19、优选地,所述试验条件包括试验类型和试验温度;所述材料状态选自合金名称、材料形态、来源类别、交付状态中的一种或者多种。

20、优选地,步骤4所述训练并优选力学性能预测模型之后生成模型说明文件;所述模型说明文件包含特征组成、模型版本、训练指标、模型文件信息,用于保证训练阶段与预测阶段采用一致的输入规则。

21、优选地,还包括记录预测输入内容、预测输出结果以及异常原因的步骤,实现预测过程可复核。

22、本发明的有益效果如下:

23、1、本发明能够将分散在样本、成分、工艺、试验和性能结果中的数据整理为一致的力学性能预测样本,减少人工整理带来的不一致。

24、2、本发明对同一试验的多次力学性能测量先进行聚合,避免重复测量直接作为多行样本影响模型评价。

25、3、本发明以工艺路线作为分组依据进行模型验证,降低相似工艺路线在训练和验证中交叉出现造成的评估偏乐观风险。

26、4、本发明同时利用成分、工艺路线文字、工艺步骤数量、试验温度、试验类型和材料状态信息,能够更全面地表征影响钛合金力学性能的因素。

27、5、本发明通过模型说明文件固定训练和预测使用的输入规则,使待预测材料按照与训练样本一致的方式进入模型,提高预测过程的可复核性。

28、6、在当前实施例数据域内,本发明所训练模型在工艺路线分组验证下取得较好的预测结果,可作为后续扩大数据集、补充外部验证和开展工艺优化辅助分析的基础。