原文传递
基于神经网络的金属材料力学性能测试方法
| 专利名称： | 基于神经网络的金属材料力学性能测试方法 |
| 摘要： | 本发明基于神经网络建立全面考虑不同条件下金属材料的力学行为变化的金属材料物质边界与其力学性能关系模型，以金属材料物质边界形貌图像作为输入，以金属材料在N种力学性能水平上的概率分布作为输出，通过N种力学性能水平与其相应概率进行加权平均得到的值q来表征相应输入金属材料物质边界的力学性能；通过对同一金属材料多处多次采样获得多幅金属材料物质边界形貌图像，并获得其相应多个力学性能表征值[q0,q1,…,qC‑1]，以{qmean，qstdv，qmin，qmax|q0,q1,…,qC‑1}来表征待测目标金属材料的整体力学性能。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 北京;11 |
| 申请人： | 王天骄 |
| 发明人： | 王天骄 |
| 专利状态： | 有效 |
| 申请号： | CN201810963386.4 |
| 公开号： | CN109142358A |
| 分类号： | G01N21/84(2006.01)I;G;G01;G01N;G01N21 |
| 申请人地址： | 100084 北京市海淀区清华大学李兆基科技大楼A216 |
| 主权项： | 1.一种基于神经网络的金属材料力学性能测试方法，其特征在于，包括步骤：步骤1：建立全面考虑不同条件下金属材料的力学行为变化的金属材料物质边界与力学性能关系模型；该步骤并不直接属于金属材料力学性能测试过程，而是执行测试之前的预处理工作，对于一种金属材料的一种力学性能，该步骤只需执行一次，执行完成该步骤得到的该种金属材料物质边界与该种力学性能的关系模型可以应用于之后该种金属材料力学性能的所有测试过程；在金属材料中，材料并非均匀一致且完全连续，而是存在多种物质边界，包括宏微观组织边界、孔洞孔隙边界、夹杂物边界以及焊接中的焊缝边界和增材制造中的熔池边界等；金属材料中的这些物质边界与力学性能有着密切的关系，该步骤的目标即建立金属材料的物质边界与力学性能的关系模型，模型的输入为金属材料的物质边界形貌图像，而输出为金属材料的力学性能水平；针对一种金属材料，一种力学性能，制备M种不同制造工艺参数下的符合现有力学性能测试标准的试样，并对其执行现有力学性能测试标准，获得M个力学性能测试结果；将所有M个力学性能测试结果的上限值标记为U，下限值标记为L，在U与L之间进行N等分，即(U‑L)/N，其中N≥2，M≥2×N；将M种条件的金属材料执行现有力学性能测试标准的测试结果与(L+i×(U‑L)/N，L+(i+1) ×(U‑L)/N)进行对照，如果其执行现有力学性能测试标准的测试结果在(L+i×(U‑L)/N，L+(i+1) ×(U‑L)/N)范围之内，那么将该种条件的金属材料标记为力学性能水平i，其中0≤i≤N‑1；对N种力学性能水平的金属材料本体分别取样，取样特征尺寸大于100μm即可，对所取样进行磨、抛、腐蚀后，使用数码显微镜采集尺寸为kμm×kμm材料物质边界形貌图像（k≥100）；在不重复的前提下，所有N种力学性能水平下针对每种力学性能水平所采集的材料物质边界形貌图像数量应大于100，并且相应的根据其所属试样的力学性能水平将这些图像标记为i，其中0≤i≤N‑1；使用神经网络Pe (s；ε)在以金属材料物质边界形貌图像和其力学性能水平i为数据单元构成的金属材料物质边界与力学性能水平的数据集上进行训练学习；其输入为金属材料物质边界形貌图像s，输出为该金属材料力学性能在N种力学性能水平上的概率分布，ε为训练得到的神经网络参数；以softmax互熵损失值使用随机梯度下降法训练更新Pe的网络参数ε；学习完成后得到性能评价网络Pe (s；ε)，对于任意金属材料物质边界形貌输入，通过性能评价网络Pe (s；ε)输出为该金属材料力学性能在N种力学性能水平上的概率分布[p0, p1,…, pN‑1]，本发明通过N种力学性能水平与其相应概率进行加权平均得到的值q来表征相应输入材料的力学性能，其中q的具体计算方式如下， |
| 所属类别： | 发明专利 |
检索历史
应用推荐
