【技術實現步驟摘要】
本專利技術涉及機器學習領域，尤其涉及一種鑄鐵新材料雙向設計模型構建方法、裝置、設備及介質。
技術介紹
1、2023年我國鑄件總產量5365萬噸，市場規模1.17萬億人民幣，總產量保持基本穩定，連續24年穩居世界第一。其中，鑄鐵是鑄件的最主要的材料，占總產量的72.4％，在機床、工程機械、風電等幾乎所有工業門類中都有廣泛的應用，是行業性基礎材料。但是，當前鑄鐵新材料在強度與塑性方面存在明顯的不匹配現象，高強度往往伴隨著低塑性，限制了其在高端鑄件和復雜應力環境下的應用。因此，開發具有強塑性匹配的高性能鑄鐵新材料具有重大的經濟價值和戰略意義。
技術實現思路
1、有鑒于此，本專利技術的目的是為了克服現有技術中的不足，提供一種鑄鐵新材料雙向設計模型構建方法、裝置、設備及介質，用于利用多尺度多模態數據構建目標鑄鐵新材料雙向設計模型，從而可利用該模型進行對鑄鐵新材料力學性能的預測，也可實現對元素成分和工藝參數的預測，結合組織形貌，建立“成分-工藝-組織-性能”的構效關系，尋求鑄鐵新材料強度和塑性之間的最佳平衡點，從而解決強塑性倒置問題。
2、本專利技術提供如下技術方案：
3、第一方面，本專利技術提出一種鑄鐵新材料雙向設計模型構建方法，包括：
4、獲取鑄鐵制備全流程的多尺度多模態數據；
5、對所述多尺度多模態數據進行分桶處理，得到訓練數據集和測試數據集；
6、基于神經元節點和連通節點權重構建多種神經網絡模型；
7、根據所述訓練
8、基于主動尋優方法，從各所述鑄鐵新材料多模態模型中獲得目標鑄鐵新材料雙向設計模型。
9、在一實施方式中，所述多尺度多模態數據包括數字模態的鑄鐵新材料特征數據和圖像模態的組織形貌數據，所述鑄鐵新材料特征數據包括元素成分數據、工藝參數數據和力學性能數據。
10、在一實施方式中，根據所述訓練數據集和所述測試數據集分別對各所述神經網絡模型進行正向訓練和反向訓練，得到多個所述鑄鐵新材料多模態模型；
11、其中，所述正向訓練的輸出數據為力學性能數據，所述反向訓練的輸出數據為元素成分和工藝參數數據。
12、在一實施方式中，對所述多尺度多模態數據進行預處理，得到多尺度多模態目標數據庫；
13、對所述多尺度多模態目標數據庫進行分桶處理，得到所述訓練數據集和所述測試數據集。
14、在一實施方式中，基于所述主動尋優方法，優化各所述鑄鐵新材料多模態模型的模型參數，得到多個候選多模態模型；
15、獲取各所述候選多模態模型的預測準確率，從各所述預測準確率中確定最高預測準確率；
16、將所述最高預測準確率對應的候選多模態模型作為所述目標鑄鐵新材料雙向設計模型。
17、在一實施方式中，針對各所述候選多模態模型，根據所述候選多模態模型的預測值及其對應的實際值計算多個量化指標；
18、根據各所述量化指標確定所述預測準確率。
19、在一實施方式中，獲取新的多尺度多模態數據；
20、基于正向設計和反向設計，根據所述新的多尺度多模態數據對所述目標鑄鐵新材料雙向設計模型進行迭代訓練，直至所述目標鑄鐵新材料雙向設計模型的預測結果均滿足多個指標閾值，得到最終鑄鐵新材料設計模型。
21、第二方面，本專利技術提出一種鑄鐵新材料雙向設計模型構建裝置，包括：
22、獲取模塊，用于獲取鑄鐵流程中的多尺度多模態數據；
23、處理模塊，用于對所述多尺度多模態數據進行分桶處理，得到訓練數據集和測試數據集；
24、構建模塊，用于基于神經元節點和連通節點權重構建多種神經網絡模型；
25、訓練模塊，用于根據所述訓練數據集和所述測試數據集對各所述神經網絡模型進行雙向訓練，得到多個鑄鐵新材料多模態模型；
26、尋優模塊，用于基于主動尋優方法，從各所述鑄鐵新材料多模態模型中獲得目標鑄鐵新材料雙向設計模型。
27、第三方面，本專利技術提出一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時實現如第一方面所述的鑄鐵新材料雙向設計模型構建方法。
28、第四方面，本專利技術提出一種計算機可讀存儲介質，其存儲有計算機程序，所述計算機程序被處理器執行時實現如第一方面所述的鑄鐵新材料雙向設計模型構建方法。
29、本專利技術公開的鑄鐵新材料雙向設計模型構建方法、裝置、設備及介質，獲取鑄鐵制備全流程的多尺度多模態數據；對所述多尺度多模態數據進行分桶處理，得到訓練數據集和測試數據集；基于神經元節點和連通節點權重構建多種神經網絡模型；根據所述訓練數據集和所述測試數據集對各所述神經網絡模型進行雙向訓練，得到多個鑄鐵新材料多模態模型；基于主動尋優方法，從各所述鑄鐵新材料多模態模型中獲得目標鑄鐵新材料雙向設計模型。這樣，利用鑄鐵過程中的多尺度多模態數據雙向訓練各種類型的神經網絡模型，得到多個鑄鐵新材料多模態模型；再基于主動尋優方法，從多個鑄鐵新材料多模態模型中找到符合需求的目標鑄鐵新材料雙向設計模型，從而利用目標鑄鐵新材料雙向設計模型進行對鑄鐵新材料力學性能的預測，也可實現對其元素成分和工藝參數的預測，結合組織形貌，建立“成分-工藝-組織-性能”的構效關系，尋求鑄鐵新材料強度和塑性之間的最佳平衡點，從而解決強塑性倒置問題。
本文檔來自技高網...【技術保護點】
1.一種鑄鐵新材料雙向設計模型構建方法，其特征在于，包括：
2.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述多尺度多模態數據包括數字模態的鑄鐵新材料特征數據和圖像模態的組織形貌數據，所述鑄鐵新材料特征數據包括元素成分數據、工藝參數數據和力學性能數據。
3.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述根據所述訓練數據集和所述測試數據集對各所述神經網絡模型進行雙向訓練，得到多個鑄鐵新材料多模態模型，包括：
4.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述對所述多尺度多模態數據進行分桶處理，得到訓練數據集和測試數據集，包括：
5.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述基于主動尋優方法，從各所述鑄鐵新材料多模態模型中獲得目標鑄鐵新材料雙向設計模型，包括：
6.根據權利要求5所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述獲取各所述候選多模態模型的預測準確率，包括：
7.根據權利要求3所述的鑄鐵新材料雙向設計模型
8.一種鑄鐵新材料雙向設計模型構建裝置，其特征在于，包括：
9.一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時實現如權利要求1至7任一項所述的鑄鐵新材料雙向設計模型構建方法。
10.一種計算機可讀存儲介質，其特征在于，其存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述的鑄鐵新材料雙向設計模型構建方法。
...【技術特征摘要】
1.一種鑄鐵新材料雙向設計模型構建方法，其特征在于，包括：
2.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述多尺度多模態數據包括數字模態的鑄鐵新材料特征數據和圖像模態的組織形貌數據，所述鑄鐵新材料特征數據包括元素成分數據、工藝參數數據和力學性能數據。
3.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述根據所述訓練數據集和所述測試數據集對各所述神經網絡模型進行雙向訓練，得到多個鑄鐵新材料多模態模型，包括：
4.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述對所述多尺度多模態數據進行分桶處理，得到訓練數據集和測試數據集，包括：
5.根據權利要求1所述的鑄鐵新材料雙向設計模型構建方法，其特征在于，所述基于主動尋優方法，從各所述鑄鐵新材料多模態模型中獲得...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。