一种锌合金性能预测及成分优化方法和系统与流程

本发明涉及金属材料科学与，具体而言，涉及一种锌合金性能预测及成分优化方法和系统。

背景技术：

1、锌作为重要的工业金属材料之一，其需求量是巨大的，仅次于钢铁、铝、铜等金属材料，并且锌的矿产资源丰富、价格低廉，但纯锌的强度和硬度都很低，纯锌制件的性能往往无法满足工程构件的强度要求。因此，在实际应用中通常需要添加各类元素制备成锌合金来满足要求。如al作为锌合金的重要合金元素可以增强合金强度，但不同性能指标对应不同的含量峰值；mg元素可以对合金起到固溶强化的作用，但同时过多添加容易产生热裂倾向；cu元素的加入可以增加强化相数量，提高强化效果，但过多添加会使合金成为脆性材料。另外除了al、cu、mg主要元素外，稀土元素、盐类变质剂以及si、mn、ti、ni等元素的加入也会对合金产生影响。

2、然而，面对如此多的元素及其含量的选择，传统试错实验对于庞大的未探索成分空间需要很长的开发周期和高昂的开发成本，为锌合金的开发与发展带来了巨大挑战，因此需要寻找一种高效的合金成分设计方法来加快高性能锌合金的开发，从而开拓其更广阔的应用空间，若锌合金的各方面性能指标可以真正意义上取代铜合金和铝合金，对于节约能源和降低原材料成本方面是具有重要意义的。

3、机器学习技术近年来被证明在材料领域的研究和应用中存在巨大的潜力，尤其是监督学习和深度学习方法，能够从历史数据中挖掘成分、加工工艺、化学特性等影响因素与抗拉强度、拉伸率、硬度等性能指标之间的内在联系，通过构建预测模型，对新的合金成分配比、不同工艺等影响变量进行快速而准确的性能评估，从而减少实验次数和研发成本。

4、关于机器学习在合金元素及其含量的选择方面，申请号为202410044916.0的专利中，公开了一种运用机器学习预测金属材料塑性硬化行为的方法，以金属材料性能的预测准确性，同时一定程度上降低研究和工程设计的成本。在申请号为202311600473.0的专利中，公开了一种基于机器学习预测磷酸镁水泥基复合材料抗压强度的方法，以为传统的通过大量浇筑养护试验来测定最佳配合比和抗压强度提供了新的方法。但他们仅仅只是提供了一个较为精确的预测模型，并没有对具体问题提出进一步的优化方案。

5、在申请号为202210139501.2的专利中，公开了一种同时对多元电接触合金导电率和硬度进行优化的设计方法，以同时优化多元电接触合金材料导电率和硬度性能，但该技术方案仅仅只是对材料的两个性能进行综合优化，而材料的性能之间的矛盾不仅只限于两种性能，仅仅实现了双目标优化。

6、综上所述，在上述所提及的专利中，都为对模型数据进行描述，对于机器学习在材料领域中的应用，数据样本量是一个关键问题，绝大部分的材料都没有庞大的数据集，尤其是如锌合金这类金属材料，因此这些设计方法存在较大的局限性，需要一种合适的数据扩充方法才能更好实现机器学习应用的广泛性。

技术实现思路

1、本发明要解决的技术问题是如何以高精度地稳定预测锌合金材料的综合力学性能以及元素成分优化，为克服以上现有技术的缺陷，本发明提供一种锌合金性能预测及成分优化方法和系统，包含一种锌合金性能预测及成分优化方法和一种锌合金性能预测及成分优化系统。

2、本发明提供一种锌合金性能预测及成分优化方法，包括如下步骤：

3、s1：基于公开数据库收集锌合金的成分、成型工艺以及力学性能的若干数据，所述力学性能包括抗拉强度、伸长率、硬度，通过所述若干数据合成总数据集；

4、s2：通过数据处理模块将所述总数据集拆解为由成分数据与抗拉强度数据构成的成分-抗拉强度数据集、由所述成分数据与伸长率数据构成的成分-伸长率数据集和由所述成分数据与硬度数据构成的成分-硬度数据集，并利用各数据集中各成分含量波动范围及各力学性能的中值和标准差进行数据扩充，获得扩充数据集；

5、s3：通过所述扩充数据集中皮尔逊相关系数和随机森林特征重要性评估情况从所述扩充数据集筛选力学性能对应的关键特征，获得整体关键特征；

6、s4：基于所述整体关键特征，采用十折交叉验证法，以平均决定系数作为评估指标从多个力学性能预测模型中筛选最优预测模型，获得当前性能预测模型；

7、s5：运用网格搜索对所述当前性能预测模型进行超参数优化，并以决定系数和均方根误差对其进行回归模型性能评估，获得当前性能预测模型的优化模型；

8、s6：通过锌合金性能预测实验验证所述当前性能预测模型的优化模型的错误率，当所述错误率不大于预定值时执行下一步；当所述错误率大于所述预定值时，将实验数据收入总数据集，并回转执行所述步骤s1；

9、s7：通过非支配排序遗传算法对所述整体关键特征进行多目标优化，获得锌合金力学性能最优的成分配比。

10、本技术一种锌合金性能预测及成分优化方法与现有技术相比，具有以下优点：

11、首先，本发明提供一种锌合金性能预测及成分优化方法，采用了机器学习策略和非支配排序遗传算法的结合，可以实现多目标优化，快速设计高综合力学性能锌合金，为新型锌合金开发提供设计思路与参考。

12、其次，本发明提供一种锌合金性能预测及成分优化方法，基于平均值和标准差的思想进行数据扩充，为部分合金在构建机器学习预测模型时缺乏样本数据提供解决思路，提高模型的泛化能力，减轻过拟合的风险。

13、最后，本发明提供一种锌合金性能预测及成分优化方法，基于机器学习算法建立目标性能预测模型进行合金开发，一定程度上解决了传统设计因较大成分设计空间导致的长周期、高成本的问题，并且实现精准有效的性能预测，对于高强韧性锌合金的成分设计具有重要参考价值和实用意义。

14、在一种可能的实施方式中，所述步骤s2包括如下步骤：

15、s21：通过所述数据处理模块从所述总数据集中除去成型工艺为非铸造工艺的所有数据，获得铸造工艺数据集；

16、s22：通过所述数据处理模块将所述铸造工艺数据集拆解为由成分数据与抗拉强度数据构成的成分-抗拉强度数据集、由所述成分数据与伸长率数据构成的成分-伸长率数据集和由所述成分数据与硬度数据构成的成分-硬度数据集，以获得三个数据集；

17、s23：利用各数据集中各成分含量波动范围及各力学性能的中值和标准差进行数据扩充，以获得多个子数据集，将其作为所述扩充数据集；

18、通过从总数据集中除去成型工艺为非铸造工艺的所有数据，可以保证工艺一致性，避免后续因加工工艺不同而影响模型质量；而采用上述基于平均值和标准差的思想的技术方案进行数据扩充，与现有技术相比，能够为部分合金在构建机器学习预测模型时缺乏样本数据提供解决思路，提高模型的泛化能力，减轻过拟合的风险。

19、在一种可能的实施方式中，所述步骤s3包括如下步骤：

20、s31：分别于所述扩充数据集的各子数据集中删除与本子数据集的所述力学性能皮尔逊相关系数小于第一预定值的的成分项，获得各自的初成分特征；

21、s32：通过随机森林特征重要性排序方式分别于所述扩充数据集的各子数据集的初成分特征中删除随机森林特征重要性评估值小于第二预定值的的成分项，获得各自的终成分特征；

22、s33：将所述步骤s32所获所有终成分特征取并，获得所述整体关键特征，将所述整体关键特征对应的所有成分项作为所述扩充数据集的各子数据集的最终成分特征；

23、与现有技术相比，采用上述技术方案能够实现在扩充数据集筛选力学性能对应的关键特征，获得整体关键特征，以实现为后期算法筛选时提供明确、合理的训练集和测试集。

24、在一种可能的实施方式中，所述步骤s4包括如下步骤：

25、s41：构建多个所述力学性能预测模型；

26、s42：以各所述子数据集的最终成分特征作为输入，本子数据集的所述力学性能为理想输出，按比例划分训练接和测试集；

27、s43：利用所述测试集和训练集，采用所述十折交叉验证法，以所述平均决定系数作为评估指标从多个所述力学性能预测模型中筛选最优预测模型，获得所述当前性能预测模型；

28、与现有技术相比，采用上述技术方案能够实现从多个力学性能预测模型中筛选最优预测模型，从而获得当前性能预测模型。

29、在一种可能的实施方式中，所述步骤s6中，通过锌合金性能预测实验验证所述当前性能预测模型的优化模型的错误率的过程包括如下步骤：

30、s61：采用所述总体数据集以外的锌合金样品作为实验对象，通过万能力学试验机测试其抗拉强度和伸长率，用硬度计测试其硬度，获得实验结果；

31、s62：通过所述当前性能预测模型的优化模型预测所述实验对象的抗拉强度、伸长率和硬度，获得模型预测结果；

32、s63：将所述模型预测结果与所述实验结果进行比较，获得所述当前性能预测模型的优化模型的错误率。

33、与现有技术相比，采用上述技术方案能够获得当前性能预测模型的优化模型的错误率，根据该错误率决定是否执行下一步，进而保证合金成分的准确预测。

34、本发明的另一技术解决方案是，提供一种锌合金性能预测及成分优化系统，基于本发明中所述的锌合金性能预测及成分优化方法，包括：

35、数据采集模块，收集锌合金的成分、成型工艺以及力学性能的若干数据，所述力学性能包括抗拉强度、伸长率、硬度，通过所述若干数据合成总数据集；

36、数据处理模块，将所述总数据集拆解为由成分数据与抗拉强度数据构成的成分-抗拉强度数据集、由所述成分数据与伸长率数据构成的成分-伸长率数据集和由所述成分数据与硬度数据构成的成分-硬度数据集，并利用各数据集中各成分含量波动范围及各力学性能的中值和标准差进行数据扩充，获得扩充数据集；

37、特征模块，通过所述扩充数据集中皮尔逊相关系数和随机森林特征重要性评估情况从所述扩充数据集筛选力学性能对应的关键特征，获得整体关键特征；

38、模型生成模块，基于所述整体关键特征，采用十折交叉验证法，以平均决定系数作为评估指标从多个力学性能预测模型中筛选最优预测模型，获得当前性能预测模型；

39、优化模块，运用网格搜索对所述当前性能预测模型进行超参数优化，并以决定系数和均方根误差对其进行回归模型性能评估，获得当前性能预测模型的优化模型；

40、判断模块，通过锌合金性能预测实验验证所述当前性能预测模型的优化模型的错误率，若所述错误率大于所述预定值时不予输出，并将该结果反馈所述数据采集模块，以通知所述数据采集模块重新采集数据；否则基于输出；

41、预测模块，通过非支配排序遗传算法对所述整体关键特征进行多目标优化，获得锌合金力学性能最优的成分配比；

42、其中，

43、所述数据处理模块与所述数据采集模块电连接，所述特征模块与所述数据处理模块电连接，所述模型生成模块与所述特征模块电连接，所述优化模块与所述模型生成模块电连接，所述判断模块与所述优化模块、所述预测模块、所述数据采集模块电连接。

44、本技术一种锌合金性能预测及成分优化系统与现有技术相比，具有以下优点：

45、首先，本发明提供一种锌合金性能预测及成分优化系统，通过数据处理模块、特征模块、模型生成模块、优化模块、判断模块和预测模块的有序配合，采用了机器学习策略和非支配排序遗传算法的结合，可以实现多目标优化，快速设计高综合力学性能锌合金，为新型锌合金开发提供设计思路与参考。

46、其次，本发明提供一种锌合金性能预测及成分优化系统，以数据处理模块基于平均值和标准差的思想进行数据扩充，为部分合金在构建机器学习预测模型时缺乏样本数据提供解决思路，提高模型的泛化能力，减轻过拟合的风险。

47、最后，本发明提供一种锌合金性能预测及成分优化系统，基于机器学习算法建立目标性能预测模型进行合金开发，一定程度上解决了传统设计因较大成分设计空间导致的长周期、高成本的问题，并且实现精准有效的性能预测，对于高强韧性锌合金的成分设计具有重要参考价值和实用意义。

48、在一种可能的实施方式中，所述数据处理模块包括建立电连接关系的：

49、筛选单元，从所述总数据集中除去成型工艺为非铸造工艺的所有数据，获得铸造工艺数据集；

50、拆解单元，将所述铸造工艺数据集拆解为由成分数据与抗拉强度数据构成的成分-抗拉强度数据集、由所述成分数据与伸长率数据构成的成分-伸长率数据集和由所述成分数据与硬度数据构成的成分-硬度数据集，以获得三个数据集；

51、扩充单元，利用各数据集中各成分含量波动范围及各力学性能的中值和标准差进行数据扩充，以获得多个子数据集，将其作为所述扩充数据集；

52、其中，

53、所述筛选单元与所述数据采集模块电连接，所述扩充单元与所述特征模块电连接；

54、以筛选单元从总数据集中除去成型工艺为非铸造工艺的所有数据，可以保证工艺一致性，避免后续因加工工艺不同而影响模型质量；采用拆解单元和扩充单元，基于平均值和标准差的思想的技术方案进行数据扩充，能够为部分合金在构建机器学习预测模型时缺乏样本数据提供解决思路，提高模型的泛化能力，减轻过拟合的风险。

55、在一种可能的实施方式中，所述特征模块包括建立电连接关系的：

56、皮尔逊相关单元，分别于所述扩充数据集的各子数据集中删除与本子数据集的所述力学性能皮尔逊相关系数小于第一预定值的的成分项，获得各自的初成分特征；

57、随机森林单元，通过随机森林特征重要性排序方式分别于所述扩充数据集的各子数据集的初成分特征中删除随机森林特征重要性评估值小于第二预定值的的成分项，获得各自的终成分特征；

58、特征生成单元，将所有所述终成分特征取并，获得所述整体关键特征，将所述整体关键特征对应的所有成分项作为所述扩充数据集的各子数据集的最终成分特征；

59、其中，

60、所述皮尔逊相关单元与所述扩充单元电连接，所述特征生成单元与所述模型生成模块电连接；

61、与现有技术相比，采用上述技术方案能够实现在扩充数据集筛选力学性能对应的关键特征，获得整体关键特征，以实现为后期算法筛选时提供明确、合理的训练集和测试集。

62、在一种可能的实施方式中，所述模型生成模块包括：

63、存储单元，收集且存储多个所述力学性能预测模型；

64、划分单元，以各所述子数据集的最终成分特征作为输入，本子数据集的所述力学性能为理想输出，按比例划分训练接和测试集；

65、模型选择单元，利用所述测试集和训练集，采用所述十折交叉验证法，以所述平均决定系数作为评估指标从多个所述力学性能预测模型中筛选最优预测模型，获得所述当前性能预测模型；

66、其中，

67、所述存储单元与所述模型选择单元电连接，所述划分单元与所述特征生成单元电连接，所述划分单元与所述模型选择单元电连接，所述模型选择单元与所述优化模块电连接；

68、进而能够实现从多个所述力学性能预测模型中筛选最优预测模型，获得当前性能预测模型。

69、在一种可能的实施方式中，所述判断模块包括：

70、实验数据单元，获取所述总体数据集以外的锌合金样品的抗拉强度、伸长率、硬度，以获得实验结果；

71、预测单元，通过所述当前性能预测模型的优化模型预测所述实验对象的抗拉强度、伸长率和硬度，获得模型预测结果；

72、对比单元，将所述模型预测结果与所述实验结果进行比较，获得所述当前性能预测模型的优化模型的错误率；

73、判断单元，基于所述错误率，在所述错误率大于所述预定值时不予输出，并将该结果反馈所述数据采集模块，以通知所述数据采集模块重新采集数据；否则基于输出；

74、其中，

75、所述实验数据单元与所述对比单元电连接，所述预测单元与所述对比单元、所述优化模块电连接，所述判断单元与所述对比单元、所述数据采集模块、所述预测模块电连接。

76、与现有技术相比，采用上述技术方案能够获得当前性能预测模型的优化模型的错误率，根据该错误率决定是否输出，进而保证合金成分的准确预测。

技术特征：

1.一种锌合金性能预测及成分优化方法，其特征在于，包括如下步骤：

2.据权利要求1所述的锌合金性能预测及成分优化方法，其特征在于，所述步骤s2包括如下步骤：

3.根据权利要求2所述的锌合金性能预测及成分优化方法，其特征在于，所述步骤s3包括如下步骤：

4.根据权利要求3所述的锌合金性能预测及成分优化方法，其特征在于，所述步骤s4包括如下步骤：

5.根据权利要求4所述的锌合金性能预测及成分优化方法，其特征在于，所述步骤s6中，通过锌合金性能预测实验验证所述当前性能预测模型的优化模型的错误率的过程包括如下步骤：

6.一种锌合金性能预测及成分优化系统，其特征在于，基于权利要求1—5中任意一项所述的锌合金性能预测及成分优化方法，包括：

7.根据权利要求6所述的锌合金性能预测及成分优化系统，其特征在于，所述数据处理模块包括建立电连接关系的：

8.根据权利要求6所述的锌合金性能预测及成分优化系统，其特征在于，所述特征模块包括建立电连接关系的：

9.根据权利要求6所述的锌合金性能预测及成分优化系统，其特征在于，所述模型生成模块包括：

10.根据权利要求6所述的锌合金性能预测及成分优化系统，其特征在于，所述判断模块包括：

技术总结
本发明涉及一种锌合金性能预测及成分优化方法和系统，方法包括收集锌合金相关成分以及力学性能数据作为总数据集；划分子数据集并进行数据扩充和预处理；根据皮尔逊相关系数和随机森林特征重要性评估筛选整体关键特征；筛选最优算法建立各性能预测模型；通过网格搜索优化各性能预测模型；实验验证模型可靠性；基于NSGA‑II算法进行多目标优化，筛选综合预测性能最优的成分配比；系统则是基于该方法；本发明基于机器学习算法建立目标性能预测模型进行合金开发，解决了传统设计因较大成分设计空间导致的长周期、高成本的问题。

技术研发人员：潘辰丰,任潞,陈稼晋,陈煜伦,侯琳,朱衍,所新坤,葛成杰,林文文
受保护的技术使用者：金利合金制造工业（宁波）有限公司
技术研发日：
技术公布日：2024/9/23