一种基于材料基因组的涂层冲击损伤预测方法

本发明涉及涂层冲击性能预测，具体涉及一种基于材料基因组的涂层冲击损伤预测方法。

背景技术：

1、材料基因工程技术通过高通量试验、高通量计算和数据库的交融与结合，并借助数据挖掘技术，系统地寻找材料组分/工艺-组织结构-性能的定量关系，进而借助集成计算模拟和关键试验理性地设计材料，加速材料“发现-研发-生产-应用”全过程，缩短材料研发周期，降低材料研发成本，引发新材料领域的科技创新和商业模式变革。面对复杂、非线性的材料关系，常规统计手段分析往往难以构建出有效的预测模型，其中机器学习室实现人工智能技术的一种方法，已经成功应用到材料关系的构建中，选择影响目标性能的重要参量作为输入特征，建立最优的输入与输出之间的关系模型，最后对材料的成分、工艺、组织和性能进行高效预测。

2、涂层作为结构材料，冲击性能是评价其在负载过程中安全性、可靠性和有效性的重要指标。近期，研究者将材料基因组工程技术引入到合金的开发中，并取得了一定的成果。然而，还未建立涂层微观组织与冲击性能之间的定量关系。因此，若能通过发展相关冲击失效行为的理论模型，建立冲击性能与工艺、结构之间的定量关系，从而实现冲击损伤的快速预测，无论是制备高性能非晶合金涂层，还是工程材料研发方面，都具有非常重要的意义。

技术实现思路

1、本发明的目的是，为了减少涂层损伤研究过程中模型构建的复杂性，建立冲击损伤与工艺、结构之间的定量关系，从而实现冲击损伤的快速预测，提出一种基于材料基因组的涂层冲击损伤的预测方法。

2、本发明实现的技术方案如下：一种基于材料基因组的涂层冲击损伤预测方法，步骤如下：

3、(1)通过冲击力学性能实验，残余应力测试，剪切应力测试和孔隙率测试，获得原始数据；

4、(2)将一系列不同厚度非晶涂层的残余应力σ、最大剪切应力τ、剪切应力深度γ、孔隙率p作为材料基因的输入特征数据，冲击损伤导致的裂纹长度l作为输出损伤数据，构建对应关系数据库，得到机器学习模型的原始数据集；

5、(3)建立八种机器学习模型，对所述原始数据集通过5-折交叉验证划分成训练集和测试集；

6、(4)对训练集中的机器学习模型进行训练，通过网格搜索得到机器学习模型中最优超参数下的8种最优机器学习模型；

7、(5)通过超参数下的8种最优的机器学习模型对测试集中的数据进行评估，从而得到准确性最高的机器学习模型；

8、(6)根据高准确性的机器学习模型预测冲击损伤。

9、所述不同厚度非晶涂层是指通过改变不同的热喷涂时间，获得厚度为200～800μm的非晶涂层。

10、所述冲击损伤导致的裂纹长度l，由非晶涂层通过进行落锤冲击测试获得；

11、所述涂层的残余应力σ通过曲率法得到；

12、所述最大剪切应力τ和剪切应力深度γ通过有限元模拟软件获得；

13、所述孔隙率p通过x射线三维成像系统获得。

14、所述机器学习模型采用anaconda3软件利用机器学习算法进行模型训练。

15、所述八种机器学习模型包括：岭回归模型(rg)、支持向量机模型(svr)、k近邻模型(knn)、决策树模型(dt)、极端森林模型(etsr)、随机森林模型(rf)、集成模型(bag)和人工神经网络模型(mlp)。

16、所述5-折交叉验证，首先随机地将数据集切分成5个互不相交的大小相同的子集；然后将第1个子集作测试集，其余的4个子集作训练集用来训练模型；返回上一步，将第2个子集作测试集，其余的4个子集作训练集用来训练模型，依次进行，直到每一个子集都作过测试集；训练集和测试集的比例为4:1，与之后进行的5-折交叉验证结合后，测试集就会覆盖整个样本空间。

17、所述机器学习模型中最优超参数，使用网格搜索(gridsearchcv)进行超参数的调优。

18、所述超参数下的8种最优机器学习模型对测试集中的数据进行评估，评估指标为拟合优度r2、均方误差mse、均方根误差rmse和平均绝对百分比误差mae，各系数的表达式如下：

19、

20、其中，n为样本数量；yi为样本的实际值；为模型的预测值；为样本的平均值；拟合优度r2取值[0,1]，r2越接近1，表示模型拟合效果越好，越接近0，表示模型拟合效果较差；均方根误差mse统计预测值和实际值对应点误差的平方和的均值，当mse越接近0，模型越完美；均方根误差rmse就是在mse加了根号，数量级上较直观，当rmse越接近于0，预测值与实际值越吻合，模型越完美；绝对误差的平均值mae，反映预测值误差的实际情况，当mae越接近0，模型越完美。

21、所述预测方法适用于各种涂层。

22、本发明的有益效果在于，本发明提出一种基于材料基因组的涂层冲击损伤的预测方法，建立了冲击损伤与工艺、结构之间的定量关系，从而实现了对凃层冲击损伤的快速预测。本发明方法实施方便，操作简单，可广泛应用于不同涂层，能解决冲击试验造成冲击性能分散的问题。本发明基于材料的基因工程，开发快速预测涂层冲击损伤方法、快速预估界面剪切强度的方法，为如何优化涂层的冲击损伤，减少了涂层损伤研究过程中模型构建的复杂性，开辟了新的思路；提升了涂层使役性能研究过程中损伤预测的精度。

技术特征：

1.一种基于材料基因组的涂层冲击损伤预测方法，其特征在于，所述预测方法步骤如下：

2.根据权利要求1所述的一种基于材料基因组的涂层冲击损伤预测方法，其特征在于，所述不同厚度非晶涂层是指通过改变不同的热喷涂时间，获得厚度为200～800μm的非晶涂层。

3.根据权利要求1所述的一种基于材料基因组的涂层冲击损伤预测方法，其特征在于，

4.根据权利要求1所述的一种基于材料基因组的涂层冲击损伤预测方法，其特征在于，所述机器学习模型采用anaconda3软件利用机器学习算法进行模型训练。

5.根据权利要求1所述的基于材料基因组的涂层冲击损伤预测方法，其特征在于，所述八种机器学习模型包括：线性岭回归模型、支持向量机模型、k近邻模型、决策树模型、极端森林模型、随机森林模型、集成模型和人工神经网络模型。

6.根据权利要求1所述的基于材料基因组的涂层冲击损伤预测方法，其特征在于，所述5-折交叉验证，首先随机地将数据集切分成5个互不相交的大小相同的子集；然后将第1个子集作测试集，其余的4个子集作训练集用来训练模型；返回上一步，将第2个子集作测试集，其余的4个子集作训练集用来训练模型，依次进行，直到每一个子集都作过测试集；训练集和测试集的比例为4:1，与之后进行的5-折交叉验证结合后，测试集就会覆盖整个样本空间。

7.根据权利要求1所述的基于材料基因组的涂层冲击损伤预测方法，其特征在于，所述机器学习模型中最优超参数，使用网格搜索进行超参数的调优。

8.根据权利要求1所述的基于材料基因组的涂层冲击损伤预测方法，其特征在于，所述超参数下的8种最优机器学习模型对测试集中的数据进行评估，评估指标为拟合优度r2、均方误差mse、均方根误差rmse和平均绝对百分比误差mae，各系数的表达式如下：

9.根据权利要求1所述的基于材料基因组的涂层冲击损伤预测方法，其特征在于：所述预测方法适用于各种涂层。

技术总结
一种基于材料基因组的涂层冲击损伤预测方法，步骤为：(1)通过冲击实验和相关测试得到原始数据；(2)将不同厚度非晶涂层的残余应力、最大剪切应力、剪切应力深度、孔隙率作为材料基因特征数据，冲击损伤导致的裂纹长度作为性能数据，构建对应关系数据库，得到机器学习模型的原始数据集；(3)建立8种机器学习模型，通过5‑折交叉验证划分训练集和测试集；(4)对训练集通过网格搜索得到模型的最优超参数，进而得到最优的机器学习模型；(5)对测试集中的数据进行评估，得到准确性最高的机器学习模型；(6)根据最高准确性的机器学习模型预测冲击损伤。本发明基于机器学习实现冲击损伤的预测，提升了涂层使役性能研究中性能预测的精度。

技术研发人员：郭慧,吕威闫,高进,徐利民,万翔,孙文海,杨柏俊
受保护的技术使用者：江西省科学院应用物理研究所
技术研发日：
技术公布日：2025/2/17