基于迁移学习算法的材料流动应力预测方法及系统

1.本发明涉及的是一种材料力学领域的预测技术，具体是一种基于改进两阶段tradaboost.r2算法的材料流动应力预测方法及系统。


背景技术：

2.本构关系是指材料在变形过程中流动应力随温度、应变速率及应变因素的影响而变化的情况，在材料数值模拟中起重要作用，数值模拟的准确性很大程度上依赖于本构关系的准确程度。因此，材料本构关系的研究对于航空航天领域有着重要的工程应用价值和意义。由于材料在高温和高应变速率下的变形行为的响应是高度非线性的，影响流动应力的许多因素也是非线性的，这使得回归方法预测流动应力的准确性较低，适用范围有限。近年来，基于机器学习的材料流动应力预测模型，并且使之具有相似或好于传统本构方程的性能。
3.但因为材料不同条件下的流动应力数据的获取是相对昂贵的，如果可以充分利用已有的材料流动应力实验数据，就可以有效的扩大模型的可预测范围，增强模型的预测能力。已有的实验数据来自不同的来源，则其实验条件和材料的成分属性不可能与待建模材料完全一致，即不满足独立同分布条件，故在此数据集上进行模型训练属于迁移学习问题。而在此前的研究中，尚未有将迁移学习算法应用于材料流动应力预测建模的相关研究。


技术实现要素：

4.本发明针对现有技术针对当前机器学习方法应用于流动应力预测仅限于独立同分布数据的限制，提出一种基于迁移学习算法的材料流动应力预测方法及系统，仅需要对此批次金属进行少量力学实验，并将迁移学习算法应用于当前实验数据和已知数据集上进行训练，就可以得到此批次金属在数据集中包含的温度和应变速率范围内的较为准确的流动应力预测结果，如数据集中包含高温、高应变速率下的数据，而实验条件不足时，可以进行常温、低应变速率下的力学实验，并通过迁移学习算法在数据集和已有实验数据上进行训练，得到具有对高温，高应变速率下此批次金属的流动应力进行预测的能力的本构关系模型。以达到降低实验成本，提高研发效率，指导生产实践的效果。
5.本发明是通过以下技术方案实现的：
6.本发明涉及一种基于迁移学习算法的材料流动应力预测方法，将辅助训练数据和目标训练数据合并生成模型训练集后，使用改进的两阶段tradaboost.r2算法在模型训练集上进行流动应力预测模型训练，通过交叉验证得到在目标训练数据上回归误差最小的模型，调整算法超参数直到得到最优模型，将最优模型对材料流动应力曲线进行预测，将得到的应力-应变预测曲线用于材料的数值模拟。
7.所述的方法具体包括：
8.步骤1：收集整理与待预测材料相似材料的已知流动应力实验数据，作为可复用的辅助训练数据集；
9.所述的辅助训练数据集中包含至少3个不同源的相似材料流动应力实验数据，辅助训练数据集中的数据至少覆盖通过实验获得的待预测材料的流动应力数据的温度和应变速率范围。
10.所述的辅助训练数据集中包含的数据来自越多不同源的相似材料，改进两阶段tradaboost.r2算法通过权值变更选出对待预测材料的流动应力预测有积极效果的数据的可能性越大，知识迁移的效果越好。同时，辅助数据集中数据覆盖的温度和应变速率范围决定模型可预测范围的上限，故辅助训练数据集中的数据应尽可能的多，即包括来自更多不同来源的相似材料流动应力实验数据和实验数据覆盖更大的温度和应变速率范围。
11.所述的tradaboost.r2算法，记载于pardoe d,stone p.《boosting for regression transfer》([c]//proceedings of the 27th international conference on machine learning(icml-10),june 21-24,2010,haifa,israel.dblp,2010.)
[0012]
所述的与待预测材料相似材料是指：包括材料成分相近但不需完全相同，材料加工工艺相近但不需完全相同，即同属于一种种类但不完全相同材料，属于同一操作手段但工艺的参数不完全相同的工艺。
[0013]
所述的流动应力实验数据具体是指：材料在不同温度、不同应变速率下的应力-应变曲线对应的数据点，该数据点的单位为：温度t(k)，应变速率应变ε，应力σ(mpa)。
[0014]
所述的辅助训练数据集为可复用的多个实例，其中每个实例为来自同一材料的所有流动应力数据。
[0015]
步骤2：通过力学实验获取待预测材料的流动应力实验数据，作为目标训练数据集；
[0016]
所述的目标训练数据集中包含多个实例，其中每个实例为待预测材料实验数据的一个数据点。
[0017]
所述的力学实验，获取至少3条不同温度和应变速率组合的流动应力曲线包含的数据。
[0018]
步骤3：将辅助训练数据和目标训练数据合并作为训练流动应力预测模型的数据集；
[0019]
所述的流动应力预测模型，其输入为温度、应变速率以及应变，输出为应力，该模型具体为：yi＝σ，模型为输入空间到输出空间的映射
[0020]
步骤4：使用改进两阶段tradaboost.r2算法进行模型训练，通过交叉验证得到在目标训练数据上回归误差最小的模型，调整算法超参数直到得到最优模型。
[0021]
所述的改进两阶段tradaboost.r2算法属于基于实例的迁移学习算法，其基回归器为k近邻回归，具体步骤包括：
[0022]
步骤
①
对目标训练数据集t
target
和辅助训练数据集t
source
中实例的示例空间求交，取两个示例空间交集中的数据，得到当前目标训练数据集t’target
，当前辅助训练数据集t’source
。以当前目标训练数据集t’target
,当前辅助训练数据集t’source
为输入调用两阶段tradaboost.r2’，其中两阶段tradaboost.r2’除了输出为误差最小时的权值分布向量外，与两阶段tradaboost.r2完全相同，以当前辅助训练数据集t’source
中每个实例对应的权值为概率均匀采样每个实例中的数据点，将采样得到的数据并入目标训练数据集t
target
；
[0023]
步骤
①
中所述的两阶段tradaboost.r2算法包括：
[0024]
1.1逐渐降低所有辅助训练集t
source
中实例的权值和在总权值中的占比，并通过交叉验证得到权值比最优解，此阶段旨在确定目标训练集t
target
中实例合适的权值总和，以避免目标训练集t
target
数据量远小于辅助训练集t
source
造成的目标训练集t
target
初始权值过低的问题，并对辅助训练集t
source
中实例进行权值更新。权值更新的方式为，调用基回归器在合并训练集t上得到一个学习器，然后计算每个实例的权值调整误差，根据误差值降权。
[0025]
1.2在确定的权值比的基础上，按照adaboost.r2算法的权值更新策略更新目标域实例权值分布，即对误差较大的数据点进行加权处理，此阶段辅助训练集t
source
中实例的权值保持不变。仅保存产生的模型。通过交叉验证，找到在目标训练集t
target
上回归误差值最小的模型作为最终的训练结果。
[0026]
步骤
②
重复步骤
①
直至未访问的辅助训练数据集t
source
中实例与目标训练数据集t
target
示例空间求交后的当前目标训练数据集t’target
，当前辅助训练数据集t’source
皆为空集，此过程旨在对目标训练数据集t
target
进行数据增强，扩大目标训练数据集t
target
中数据覆盖的温度和应变速率范围，为之后的训练提供更多参考。
[0027]
步骤
③
在步骤
①
中得到的目标训练集t
target
的基础上，与辅助数据集t
source
合并。
[0028]
步骤
④
在合并训练集上调用两阶段tradaboost.r2算法得到最终模型。
[0029]
步骤
⑤
对材料流动应力曲线进行预测，预测结果可用于材料的数值模拟。
[0030]
本发明涉及一种实现上述方法的系统，包括：数据采集模块、训练集生成模块、合并模块、超参数验证模块和预测模块，其中：数据采集模块收集整理大量与待预测材料相似材料的流动应力数据，作为可复用的辅助训练数据集(t
source
)；训练集生成模块通过实验获取少量待预测材料的流动应力数据，作为目标训练数据集(t
target
)；合并模块合并辅助训练数据集和目标训练数据集作为训练使用的数据集(t)；超参数验证模块调整改进两阶段tradaboost.r2算法超参数，通过交叉验证，得到在目标训练数据集上回归误差最小的模型；预测模块对材料流动应力曲线进行预测，预测结果可用于材料的数值模拟。技术效果
[0031]
本发明整体解决了现有技术仅使用非迁移学习算法(包括神经网络和支持向量机回归)在实验获得的独立同分布的流动应力数据集上进行建模的缺陷/不足；
[0032]
与现有技术相比，本发明首次将迁移学习算法应用于流动应力曲线的预测，在具有机器学习方法自动发现和捕获多维输入输出之间的关系，无需手动推导，可以对材料在高温和高应变速率下的高度非线性的变形行为的响应进行建模的功能的基础上，本发明使用的迁移学习算法(改进两阶段tradaboost.r2算法)具有从辅助训练数据集获取对待预测材料的流动应力预测有益的知识的能力，充分利用了已有的材料流动应力实验数据，相比较非迁移学习算法，仅需要少量待预测材料的实验数据。达到有效的扩大模型的可预测范围，增强模型的预测能力，减少力学实验的时间和成本的效果。
附图说明
[0033]
图1为本发明方法流程图；
[0034]
图2为现有迁移学习算法示意图；
[0035]
图3为本发明迁移学习算法示意图。
[0036]
图4为adaboost.r2算法(非迁移学习算法)、两阶段tradaboost.r2算法(迁移学习
算法)、改进两阶段tradaboost.r2算法(针对流动应力预测问题改进的迁移学习算法)的实验结果。
具体实施方式
[0037]
如图1所示，为本实施例涉及一种基于迁移学习算法的材料流动应力预测方法，包括：
[0038]
步骤1)收集整理大量与待预测材料相似材料的流动应力数据，作为可复用的辅助训练数据集(t
source
)。其中，数据可来自不同来源，如文献、书籍或开源数据集。若已有待预测材料的流动应力数据集，则可以直接使用，不必收集整理。当仅以温度、应变速率和应变作为输入特征时，相似材料的定义是成分相近、加工工艺相近以及实验条件相近，若成分或其他因素差异较大，应酌情增加输入特征。
[0039]
步骤2)通过实验获取少量待预测材料的流动应力数据，作为目标训练数据集(t
target
)。
[0040]
步骤3)合并辅助训练数据集和目标训练数据集作为训练使用的数据集，其中辅助训练数据集以来自同一来源的同种材料为一个实例，目标训练数据集以实验获得的每个数据点为一个实例。
[0041]
步骤4)调整改进两阶段tradaboost.r2算法超参数，算法的超参数包括迭代次数、基回归器个数、交叉验证折数和学习率，均遵循先在较大范围内进行超参数尝试，再在效果较好的超参数组合范围内微调的方式。训练得到在目标训练数据集上，通过交叉验证得到的误差最小的模型，作为最终模型。
[0042]
步骤5)若辅助数据集数据充足，则在训练完成后，可输入任意温度、应变速率及应变的参数组合，对材料流动应力曲线进行预测，预测结果可用于材料的数值模拟。
[0043]
改进两阶段tradaboost.r2算法在真实数据集上的表现证明其可以较为准确的预测流动应力曲线，效果优于当前常见的本构关系模型，如johnson-cook模型。同时，作为一种迁移学习算法，其可以从辅助数据集中学习知识，仅需要进行少量力学实验，得到的模型预测精度优于非迁移的神经网络算法，对流动应力曲线的反常段也有一定的预测能力，如可以预测到工业纯钛在准静态中温段会出现的反常硬化现象，达到指导生产实践的效果。
[0044]
本实施例具体在工业纯钛单向压缩数据集上进行了实验，实验采用收集自11篇文献的数据作为辅助数据集，对目标工业纯钛进行了流动应力预测。具体的实验过程为，辅助数据集包含来自11篇文献的数据，以同一个来源的数据为一个实例，共11个实例。目标数据集包含3条(600个数据点)待预测工业纯钛的已知流动应力曲线，共600个实例。合并数据集，得到训练集。使用两阶段tradaboost.r2算法在合并数据集上进行模型训练，调整超参数，得到最优超参数组合为k近邻回归k＝5，迭代次数s＝10，最大boosting次数n＝10，交叉验证折数f＝10，学习率α＝0.7。使用改进两阶段tradaboost.r2算法在合并数据集上进行模型训练，调整超参数，得到最优超参数组合为k近邻回归k＝5，步骤1数据增强阶段的迭代次数k＝5，最大boosting次数n＝10，交叉验证折数f＝10，学习率α＝0.7，步骤2模型训练阶段的迭代次数k＝10，最大boosting次数n＝10，交叉验证折数f＝10，学习率α＝0.7。使用非迁移学习算法adaboost.r2算法在目标数据集上进行模型训练，超参数为k近邻回归k＝5。以待预测工业纯钛的4条流动应力曲线对应的数据点为测试集，其中，这4条曲线与目标数
据集包含的3条不相同。图4为三种算法的预测结果，真实曲线为实线，预测曲线为点画线。
[0045]
三种算法在测试集上的均方误差为：改进两阶段tradaboost.r2算法：8.27，两阶段tradaboost.r2算法：11.40，adaboost.r2算法：19.91，对比adaboost.r2算法和其他两种迁移学习算法的结果，迁移学习算法回归误差明显更小，验证了迁移学习算法在流动应力曲线预测问题上的有效性。改进两阶段tradaboost.r2算法回归误差小于两阶段tradaboost.r2算法，验证了改进算法更适于流动应力曲线预测问题。同时，从图4可以看出，相比较其他两种算法，改进两阶段tradaboost.r2算法具有对曲线形态最好的预测能力。
[0046]
本发明由于确定了两阶段tradaboost.r2算法在流动应力预测问题中：数据集的实例数据粒度，即辅助数据集以同一来源材料为一个实例，目标数据集中以单个数据点为一个实例；采用k近邻算法作为基回归器。改进了两阶段tradaboost.r2算法，在模型训练前，增加步骤1数据增强阶段，从而解决流动应力预测问题，对经典迁移学习算法两阶段tradaboost.r2进行了针对流动应力预测的改进，并建立了基于迁移学习算法的流动应力预测建模流程。
[0047]
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。