一种基于机器学习的SLM合金TC4拉伸强度预测方法

本发明属于金属材料拉伸强度预测，具体涉及一种基于机器学习的slm合金tc4拉伸强度预测方法。

背景技术：

1、激光选区熔化(英文：selective lasermelting，slm)是一种主流的金属材料增材制造技术。它采用高能激光束有选择地熔化预先铺置的金属粉末薄层并待其凝固成形，经过逐层堆积后，得到高致密度、高精度的三维金属零件。广泛应用于航空、航天、船舶、汽车、化工、医疗等制造业领域。

2、激光选区熔化的制造过程是：先用计算机软件设计零件的三维模型，将其转化为切片文件，得到各截面的轮廓数据，再根据轮廓数据生成扫描路径；然后用铺粉装置将一层粉末均匀铺设在基板表面；接着控制高能激光束按照规划的路径扫描，熔化金属粉末并待其凝固，加工出当前层；而后基板下移一层，开始新一轮的铺粉、扫描，如此层层加工，直至整个零件制造完毕。需要说明的是，整个制造过程要在通有稀有气体(惰性气体)的加工室中进行，以防金属材料在高温下氧化。

3、钛合金以其高比强度、低密度等优点，被广泛应用于航空航天、武器装备等领域。钛合金激光增材制造以粉或丝材为原料通过高功率激光原位冶金熔化快速凝固逐层堆积，具有加工周期短、原材料利用率高、高柔性化等优点。增材制造技术(additivemanufacturing,am)自20世纪20年代提出来，经过多年的探索与发展，现在已具备成形高性能金属构件的能力。激光选区熔化技术作为am技术的一种，能够直接成形所需要的构件，无需模具和夹具的辅助，成形工艺相对简单、材料利用率较高，可以大幅度降低构件的制造成本。ti-6al-4v(tc4)合金激光选区熔化，因其结构设计创新，以及结构减重的潜力，已经成为民用飞机新材料、新结构研究的热点。在满足航空航天器轻量化需求的同时，钛合金零件还需要满足长寿命与高可靠性需求，这就要求钛合金零件具有良好的疲劳抗力。随着我国航空航天、国防军事等事业的迅速发展，对制造钛合金的需求越来越大，因此研究激光选区熔化钛合金的性能对其在这些领域的进一步广泛应用具有重要意义。

4、传统的搜寻激光选区熔化ti-6al-4v合金的方法，往往通过实验、理论或计算来进行材料性能的表征，相对于机器学习预测而言，这些方法耗时耗力、成本高、难以进行高通量的材料性能表征。随着人工智能以及大数据的发展，使用机器学习的方法来预测性能更优异的ti-6al-4v合金将成为一种趋势。

5、因此，为了解决上述问题，本文提出一种基于机器学习的slm合金tc4拉伸强度预测方法。

技术实现思路

1、为了解决上述技术问题，本发明设计了一种基于机器学习的slm合金tc4拉伸强度预测方法，利用机器学习寻找确定ti-6al-4v合金拉伸强度高的作用因素，推动ti-6al-4v合金拉伸强度增强因素的探索，建立有效的抗拉强度模型，提高拉伸强度的预测精度。

2、为了达到上述技术效果，本发明是通过以下技术方案实现的：一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于，包括：

3、step1、获取用来预测tc4合金拉伸强度的特征数据训练集；

4、step2、建立机器学习模型数据库，筛选特征数据，获取最优特征组合；

5、step3、通过十重交叉验证方法选择机器学习模型；

6、step4、采用选择的机器学习模型并输入最优特征组合进行模型训练；

7、step5、模型训练完成后，输入未知的tc4合金成分以及加工条件，得到输出数据，即为抗拉强度。

8、进一步的，所述的step1中特征数据训练集包括：抓取公开的文献数据中的激光选区熔化tc4的温度、保温时间、冷却方式、合金成分和拉伸强度的结果；将抓取到的实验数据和结果保存在数据库中作为所述的训练数据。

9、进一步的，所述机器学习算法包括支持向量回归算法、线性回归算法和神经网络算法中的一种。

10、进一步的，所述step3中选择机器学习模型的具体步骤如下：

11、样本量拆封成若干组，选取一组数据，剩下的多组数据建立模型可得该组合的模型及其检验值，如此可循环若干次，选取最优模型为支持向量回归模型。

12、进一步的，所述支持向量回归训练模型建立的具体步骤为：

13、1)设样本集为(x1，y1)，…，(xm，ym)，寻找一个输入空间到输出空间的非线性映射；

14、2)并在特征空间f中用下述函数进行线性回归：f(x)＝w·φ(x)+b,φ:rn→f,w∈f；

15、3)其中b是阈值，w是回归系数向量；

16、4)影响w的因素有：经验风险的总和以及使其在高维空间平坦的‖w‖2

17、即，

18、其中m表示训练样本个数，lε(f(xi)-yi)是损失函数,c是惩罚因子，ε是误差；

19、5)引入松弛因子，建立拉格朗日方程，偏导、对偶优化，最后得线性回归函数

20、6)k(x，xi)＝ф(x)·ф(xi)为核函数；选择不同形式的核函数就可以生成不同的svr回归模型。

21、进一步的，所述step4中利用机器学习算法进行模拟训练和预测时弱化所述相关函数线性约束，即允许构型能对相关函数具有非线性的依赖性。

22、进一步的，所述step5中具体步骤为：

23、step5.1：应用svr结合loocv法对数据集中样本进行了建模训练与预测研究；

24、step5.2：以温度、保温条件、冷却方式3个参数为输入量，以合金的抗拉强度为输出变量，依序每次取出1个样本为测试样本，其余样本为训练样本，以这种方式进行25次的svr建模和预测。

25、本发明的有益效果是：

26、利用机器学习寻找确定tc4合金拉伸强度高的作用因素，推动tc4合金拉伸强度增强因素的探索，建立有效的抗拉强度模型，提高拉伸强度的预测精度，对促进tc4合金的性能优化、加速tc4合金的成分设计优化具有重要意义。

技术特征：

1.一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于：所述的step1中特征数据训练集包括：抓取公开的文献数据中激光选区熔化tc4的温度、保温时间、冷却方式、合金成分和拉伸强度结果；将抓取到的实验数据和结果保存在数据库中作为所述的训练数据。

3.根据权利要求1所述的一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于：所述机器学习算法包括支持向量回归算法、线性回归算法或神经网络算法中的一种。

4.根据权利要求1所述的一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于，所述step3中选择机器学习模型的具体步骤如下：

5.根据权利要求4所述的一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于，所述支持向量回归训练模型建立的具体步骤为：

6.根据权利要求1所述的一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于：所述step4中利用机器学习算法进行模拟训练和预测时弱化所述相关函数线性约束，即允许构型能对相关函数具有非线性的依赖性。

7.根据权利要求1所述的一种基于机器学习的slm合金tc4拉伸强度预测方法，其特征在于，所述step5中具体步骤为：

技术总结
本发明公开了一种基于机器学习的SLM合金Ti‑6Al‑4V(TC4)拉伸强度预测方法，包括以下步骤：获取用来预测TC4合金拉伸强度的特征数据训练集；建立机器学习模型数据库，筛选特征数据，获取最优特征组合；通过十重交叉验证方法选择机器学习模型；采用选择的机器学习模型并输入最优特征组合进行模型训练；模型训练完成后，输入未知的TC4合金成分以及加工条件，得到输出数据，即为抗拉强度。本发明利用机器学习寻找确定TC4合金拉伸强度高的作用因素，推动TC4合金拉伸强度增强因素的探索，建立有效的抗拉强度模型，提高拉伸强度预测精度，对促进TC4合金性能优化、加速TC4合金的成分设计优化具有重要意义。

技术研发人员：刘洪喜,齐惠清,张晓伟,陶建涛,李为尚,刘亮
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/1/13