一种基于粒子群优化BP神经网络的多元合金性能预测方法

一种基于粒子群优化bp神经网络的多元合金性能预测方法
技术领域
1.本发明涉及多元合金性能预测技术领域，具体涉及一种基于粒子群优化bp神经网络的多元合金性能预测方法。


背景技术：

2.随着社会发展和科技进步，对各种材料所使用的复杂环境和服役性能提出了更高、更严苛的要求。特别是应用在航空航天、深海探测、电子信息、能源传输与储备等高端领域的金属材料，例如镁合金、铝合金、锆合金、钛合金、铜合金、高温合金和高熵合金等，其性能表现将直接影响装备的服役性能。根据基本使用条件提出基本合金系，并根据更加具体的使用环境提出合金化要求的定制化、专有化材料的设计方法应运而生。如何快速、准确给定设计成分对应的性能，成为多元微合金化合金性能预测领域亟待解决的技术难题。
3.国内外对于合金成分—性能预测方面已开展了一些相关研究，如专利“cn107609647a”公开了一种预测不同合金成分和热处理工艺参数对力学性能影响的神经网络(bpnn)模型，“cn111063401 a”公开了一种用于热处理态mg-zn-zr系合金组织和力学性能预测方法；“cn110010210 a”中公开了一种基于bp神经网络模型的多元合金预测方法，这些预测方法均基于bp模型，该模型使用最速下降法，通过反向传播来不断调整网络的权值和阈值，该模型对于复杂材料的成分-性能预测预测需求，即使采用多隐含层bp模型其预测效果也难以满足严苛的评价标准，且容易出现过拟合现象，难以应用于实际预测。


技术实现要素：

4.为解决上述技术问题，本发明提供的目的在于提供一种基于粒子群优化bp神经网络的多元合金性能预测方法，在保证低计算时间与计算资源耗费情况下，实现多元合金以及微合金化合金的性能准确预测，同时可预测由于冶炼烧损影响的性能变化。
5.本发明提供一种基于粒子群优化bp神经网络的多元合金性能预测方法，包括：
6.步骤1：根据材料某一特定状态下成分-性能历史数据建立数据库，材料某一特定状态包括但不限于：轧态、退火态、锻态、铸态或挤压态；
7.步骤2：建立并训练粒子群优化bp神经网络成分-性能预测模型，以决定系数作为预测效果的评价标准，若计算的决定系数满足判定标准，执行步骤3，否则重新执行步骤2；
8.步骤3：将步骤2训练好的预测模型所得运算集带入遗传优化bp神经网络中，同样以决定系数作为预测效果的评价标准验证模型准确性；
9.步骤4：若骤3中计算的决定系数满足判定标准，则将所要预测多元合金成分以及微合金化元素数组代入步骤2获得的粒子群优化bp神经网络中完成性能预测；否则重复步骤2和步骤3。
10.在本发明的基于粒子群优化bp神经网络的多元合金性能预测方法中，所述步骤1具体为：
11.步骤1-1：收集多元合金成分数据和与成分关联的且判定合金使用标准的性能数
据，构成基本数据库；
12.步骤1-2：将基本数据库划分为粒子群优化bp神经网络训练集和粒子群优化bp神经网络验证集两部分；
13.步骤1-3：对粒子群优化bp神经网络训练集和粒子群优化bp神经网络验证集做0到1之间的归一化处理，作为粒子群优化bp神经网络运算集。
14.在本发明的基于粒子群优化bp神经网络的多元合金性能预测方法中，所述的多组元合金包括：镁合金、铝合金、锆合金、钛合金、铜合金、高温合金和高熵合金基本成分体系以及添加的微合金化元素。
15.在本发明的基于粒子群优化bp神经网络的多元合金性能预测方法中，所述与多元合金系成分关联且判定合金使用标准的性能数据包括：屈服强度、极限抗拉强度、硬度、伸长率、压缩率、导电率和腐蚀率。
16.在本发明的基于粒子群优化bp神经网络的多元合金性能预测方法中，所述步骤1-2具体为：
17.当基本数据库数量在200至400时，粒子群优化bp神经网络训练集为基本数据库的95％，粒子群优化bp神经网络验证集为基本数据库的5％；当基本数据库数量大于400时，粒子群优化bp神经网络训练集为基本数据库的90％，粒子群优化bp神经网络验证集为基本数据库的10％。
18.在本发明的基于粒子群优化bp神经网络的多元合金性能预测方法中，所述步骤2具体为：
19.步骤2-1：将所述粒子群优化bp神经网络运算集中成分数据作为输入，性能数据作为输出，并设置粒子群优化算法参数，利用粒子群算法优化bp神经网络的初始权值和阈值，所述粒子群参数包括种群规模、最大更新代数、学习因子和惯性权重方法；
20.步骤2-2：建立bp神经网络，将粒子群优化bp神经网络运算集和粒子群优化后的初始权值和阈值代入bp神经网络中，设置bp神经网络隐含层节点数，建立成分-性能预测模型；
21.步骤2-3：选择传递函数和训练方法训练粒子群优化bp神经网络，根据基本数据库数量的不同选取不同决定系数作为评定标准；当基本数据库数量在200至400时，预测效果以bp神经网络性能预测值和粒子群优化bp神经网络验证集中实际值的决定系数与1偏差的绝对值≤15％为评价标准；当基本数据库数量大于400时，预测效果以bp神经网络性能预测值和粒子群优化bp神经网络验证集中实际值的决定系数与1偏差的绝对值≤10％为评价标准，若在评价标准范围内则进入步骤3，否则重新计算。
22.在本发明的基于粒子群优化bp神经网络的多元合金性能预测方法中，所述步骤3具体为：
23.步骤3-1：将粒子群优化bp神经网络训练筛选出的运算集中成分数据作为遗传算法优化bp神经网络输入，性能数据作为遗传算法优化bp神经网络输出，并设置遗传算法参数，利用遗传算法优化bp神经网络的初始权值和阈值，所述遗传算法参数包括种群规模、迭代终止代数、交叉和变异概率；
24.步骤3-2：设置bp神经网络参数，选择传递函数和训练方法训练并将遗传算法优化后的初始权值和阈值代入bp神经网络；
25.步骤3-3：当基本数据库数量小于400时，预测效果以bp神经网络性能预测值和遗传算法优化bp神经网络验证集中实际性能值的决定系数与1偏差的绝对值≤20％为评价标准；当基本数据库数量大于400时，预测效果以bp神经网络性能预测值和遗传算法优化bp神经网络验证集中实际性能值的决定系数与1偏差的绝对值≤15％为评价标准。
26.本发明的一种基于粒子群优化bp神经网络的多元合金性能预测方法至少具有以下有益效果：
27.1、本发明首先通过粒子群算法优化bp神经网络，并将粒子群算法优化bp神经网络获得的运算数据代入遗传优化bp神经网络中，对成分-性能预测模型准确性进行验证，在保证低计算时间与计算资源耗费情况下，实现多元合金以及微合金化合金的性能准确预测。
28.2、可实现多元合金以及微合金化合金性能的快速、准确预测，显著提高新材料成分研发效率，满足实际工业生产过程中对成分烧损后材料性能的初步预测，促进多元微合金化合金在科技领域的创新能力和水平提升。
附图说明
29.图1为本发明提供的一种基于粒子群优化bp神经网络的多元合金性能预测方法的流程图。
具体实施方式
30.如图1所示，本发明的一种基于粒子群优化bp神经网络的多元合金性能预测方法，该方法可实现多元合金以及微合金化合金性能的快速、准确预测，显著提高新材料成分研发效率，满足实际工业生产过程中对成分烧损后材料性能的初步预测，促进多元微合金化合金在科技领域的创新能力和水平提升。具体包括如下步骤：
31.步骤1：根据材料某一特定状态下成分-性能历史数据建立数据库，材料某一特定状态包括但不限于：轧态、退火态、锻态、铸态或挤压态，具体为：
32.步骤1-1：收集多元合金成分数据和与成分关联的且判定合金使用标准的性能数据，构成基本数据库；
33.具体实施时，可通过收集、整理公开发表的文献资料中多元合金成分及性能数据，获得基本的成分-性能数据库。
34.具体实施时，所述的多组元合金包括：镁合金、铝合金、锆合金、钛合金、铜合金、高温合金和高熵合金基本成分体系以及添加的微合金化元素。
35.具体实施时，所述与多元合金系成分关联且判定合金使用标准的性能数据包括：屈服强度、极限抗拉强度、硬度、伸长率、压缩率、导电率和腐蚀率。
36.步骤1-2：将基本数据库划分为粒子群优化bp神经网络训练集和粒子群优化bp神经网络验证集两部分；
37.对成分相同但由于不同热处理工艺产生不同性能参数的重复数据进行清洗，同时根据是否产生第二相进行分类。
38.当基本数据库数量在200至400时，粒子群优化bp神经网络训练集为基本数据库的95％，粒子群优化bp神经网络验证集为基本数据库的5％；当基本数据库数量大于400时，粒子群优化bp神经网络训练集为基本数据库的90％，粒子群优化bp神经网络验证集为基本数
据库的10％。
39.步骤1-3：为了使计算更准确方法，对粒子群优化bp神经网络训练集和粒子群优化bp神经网络验证集都做0到1之间的归一化处理，作为粒子群优化bp神经网络运算集。
40.步骤2：建立并训练粒子群优化bp神经网络成分-性能预测模型，以决定系数作为预测效果的评价标准，若计算的决定系数满足判定标准，执行步骤3，否则重新执行步骤2。所述步骤2具体为：
41.步骤2-1：将所述粒子群优化bp神经网络运算集中成分数据作为输入，性能数据作为输出，并设置粒子群优化算法参数，利用粒子群算法优化bp神经网络的初始权值和阈值；所述粒子群参数包括种群规模、最大更新代数、学习因子和惯性权重方法；
42.具体实施时，调整粒子群算法惯性权重的方法有线性递减权重、自适应调整权重和随机权重，以下各例采用的都为线性递减权重。调整粒子群算法的学习因子的方法有收缩因子、同步学习因子和异步学习因子，以下各例采用的都为同步学习因子。
43.步骤2-2：建立bp神经网络，将粒子群优化bp神经网络运算集和粒子群优化后的初始权值和阈值代入bp神经网络中，设置bp神经网络隐含层节点数，建立成分-性能预测模型；
44.bp神经网络模型将归一化后粒子群优化bp神经网络运算集中的训练集再自动划分为bp模型内部训练集、bp模型内部验证集和bp模型内部测试集，各个集合比例之和为1。bp模型内部训练集用于训练神经网络、bp模型内部验证集用于防止神经网络过度拟合，训练集和验证集在bp模型训练时使用；bp模型内部测试集用于测试模型预测精度，在结束训练后使用。
45.此处的bp模型内部验证与步骤1-2中5％的粒子群优化bp神经网络验证集不同，后者是从不同角度更严苛标准验证模型准确性。此处的bp模型内部训练集与步骤1-2中粒子群优化bp神经网络训练集不同，后者是针对整体粒子群优化bp模型，而此处只针对bp模型内部的模型检验。
46.bp模型内部训练集、bp模型内部验证集和bp模型内部测试集划分比例，根据粒子群优化bp神经网络训练集数量决定，粒子群优化bp神经网络训练集数量在200至400时，bp模型内部训练集所占比例为85％或90％，bp模型内部验证集所占比例10％，bp模型内部测试集所占比例5％或0；粒子群优化bp神经网络训练集数量在400以上时，bp模型内部训练集所占比例为70％～90％，bp模型内部验证集所占比例10％～20％，bp模型内部测试集所占比例10％～20％。
47.采用提前终止策略，验证集误差连续下降设定若干次后，停止训练，输出结果，防止过拟合情况的发生。
48.步骤2-3：选择传递函数和训练方法训练粒子群优化bp神经网络，根据基本数据库数量的不同选取不同决定系数作为评定标准；
49.当基本数据库数量在200至400时，预测效果以bp神经网络性能预测值和粒子群优化bp神经网络验证集中实际值的决定系数与1偏差的绝对值≤15％为评价标准；当基本数据库数量大于400时，预测效果以bp神经网络性能预测值和粒子群优化bp神经网络验证集中实际值的决定系数与1偏差的绝对值≤10％为评价标准，若在评价标准范围内则进入步骤3，否则重新计算。
50.训练方法主要有最速下降法、附加动量法、自适应学习速率法、动量-自适应学习速率调整法和量化共轭梯度算法等，以下各实施例均采用最速下降法。
51.具体实施时，根据下式计算决定系数：
[0052][0053]
其中，r2为决定系数；yi为验证集中合金实际性能；fi为神经网络预测性能；为验证集中合金实际性能的平均值，n为验证集数量。
[0054]
步骤3：将步骤2训练好的预测模型所得运算集带入遗传优化bp神经网络中，同样以决定系数作为预测效果的评价标准验证模型准确性，所述步骤3具体为：
[0055]
步骤3-1：将粒子群优化bp神经网络训练筛选出的运算集中成分数据作为遗传算法优化bp神经网络输入，性能数据作为遗传算法优化bp神经网络输出，并设置遗传算法参数，利用遗传算法优化bp神经网络的初始权值和阈值，所述遗传算法参数包括种群规模、迭代终止代数、交叉和变异概率；
[0056]
种群规模小收敛快但降低了种群多样性；交叉概率大容易破坏种群中已形成的优良结构，是搜索具有太大随机性，较小的交叉概率发现新个体的速度太慢；变异概率太小，则变异操作产生新个体的能力和抑制早熟现象的能力会较差，变异概率过高随机率则过大。
[0057]
步骤3-2：设置bp神经网络参数，选择传递函数和训练方法训练并将遗传算法优化后的初始权值和阈值代入bp神经网络；
[0058]
bp参数选择、传递函数和训练方法设置与步骤2-2和步骤2-3相同。
[0059]
步骤3-3：当基本数据库数量小于400时，预测效果以bp神经网络性能预测值和遗传算法优化bp神经网络验证集中实际性能值的决定系数与1偏差的绝对值≤20％为评价标准；当基本数据库数量大于400时，预测效果以bp神经网络性能预测值和遗传算法优化bp神经网络验证集中实际性能值的决定系数与1偏差的绝对值≤15％为评价标准。
[0060]
步骤4：若骤3中计算的决定系数满足判定标准，则将所要预测多元合金成分以及微合金化元素数组代入步骤2获得的粒子群优化bp神经网络中完成性能预测；若步骤3中计算的决定系数不满足判定标准，重复步骤2和步骤3。
[0061]
由于bp模型中虽然粒子群优化bp神经网络训练集、验证集比例是确定的，但其中数据为随机分配，故可多次重复计算以得到预测最优效果，若连续多次仍得不到满意结果，修改上述隐含层节点数、学习因子参数、惯性权重参数、交叉和变异概率，重复上述步骤。
[0062]
实施例1
[0063]
应用本发明提供的方法，以铜合金为例具体的材料为引线框架材料cu-ni-si系合金，为提高其电导率和极限抗拉强度在合金体系中添加微合金化元素zn，其中ni(2.5wt％～3.5wt％，选取步长为0.01％)、si(0.4wt％-0.8wt％，选取步长为0.01％)、cr(0.1wt％～0.6wt％，选取步长为0.01％)为所要预测性能的成分，其预测方法具体描述如下：
[0064]
(1)数据库建立：收集、整理公开发表的文献资料中冷轧时效态cu-ni-si系数据，获得成分-性能基本数据库，数据量510条，性能主要针对极限抗拉强度和电导率(国际退火
铜标准)；
[0065]
(2)对成分相同但由于不同热处理工艺产生不同性能参数的重复数据进行清洗，同时将cr元素划为析出第二相元素，其数据库数据量200条，将190条作为训练集，10条为验证集；
[0066]
(3)数据归一化：为使计算更准确方便，将190条训练集和10条验证集做0到1之间的归一化处理，作为运算集；
[0067]
(4)将所述的运算集成分数据作为输入，性能数据作为输出，并设置粒子群优化算法参数，优化bp神经网络的初始权值和阈值；
[0068]
(5)建立粒子群优化bp神经网络模型：将(3)归一化的运算集和(4)计算出的初始权值和阈值代入模型中，设置bp神经网络隐含层节点数10，建立cu-ni-si-zn合金性能预测模型；
[0069]
(6)将190条粒子群优化bp神经网络运算集中170条作为bp模型内部训练集，10条作为bp模型内部验证集，10条作为bp模型内部测试集，提前终止次数设为10，即验证集误差连续下降10次后停止训练；
[0070]
(7)隐含层传递函数选择tan-sigmoid函数，输出层传递函数选择线性传递函数，训练方法采用最速下降法；
[0071]
(8)本实例数据库数量为200，预测效果以决定系数与1偏差的绝对值≤15％为评价标准，计算可得极限抗拉强度决定系数0.8873，电导率决定系数0.8988，达到理想预测效果；
[0072]
(9)将粒子群优化bp神经网络训练筛选出的190条运算数据代入遗传优化bp神经网络中，并设置遗传算法参数包括种群规模、终止进化代数、交叉和变异概率；
[0073]
(10)计算得到遗传优化bp神经网络中极限抗拉强度电导率决定系数0.8895，电导率决定系数0.8349，决定系数满足判定标准。可固定粒子群优化bp神经网络中各个参数以及数据集位置，用以预测cu-ni-si-cr合金性能；
[0074]
(11)将ni(2.5wt％～3.5wt％，选取步长为0.01％)、si(0.4wt％-0.8wt％，选取步长为0.01％)、cr(0.1wt％～0.6wt％，选取步长为0.01％)输入成分排列函数，将各个元素按顺序和间隔做全排列，筛选极限抗拉强度不小于750mpa，电导率不小于40％iacs成分，同时筛选ni/si比在4～4.5之间数据点，得到如表1所示数据：
[0075]
表1
[0076][0077]
实验测得本合金时效后实际极限抗拉强度(uts)和导电率(ec)与预测的极限抗拉强度(uts)和导电率(ec)的相对误差均小于2％，粒子群优化bp神经网络可用来预测多元合金性能。
[0078]
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。