物理冶金指导工业大数据挖掘的热轧低合金钢设计方法

技术特征：

1.一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，包括以下步骤：

2.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤1具体包括以下步骤：

3.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤2具体包括以下步骤：

4.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤4中基于多种回归策略的大数据性能预测模型包括svr-pm模型，mlp-pm模型，rf-pm模型，xgb-pm模型，gbr-pm模型，cnn-pm模型，其中上述svr-pm模型中包含两种不同模型，分别由线性核函数及高斯核函数作为其核函数建立；

5.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤5具体包括以下步骤：

6.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤6具体包括以下步骤：

7.根据权利要求1所述的一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法,其特征在于，所述步骤7具体包括以下步骤：

技术总结
本发明提供一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法，涉及热轧低合金钢和深度学习应用技术领域。本发明首先将与目标性能高度相关的物理冶金学参数添加到数据集中，并参与模型训练及设计过程。同时使用遗传算法(GA)对成分和工艺进行优化设计，最终使用大数据性能预测模型对设计结果进行有效筛选。本发明相对于纯粹的设计结果，采用物理冶金指导下的机器学习预，测精度更高，设计结果更加符合物理冶金原理。

技术研发人员：王晨充,任冰涛,李虎威,张玉琪,徐伟,张朕,潘成博,刘晓琪
受保护的技术使用者：东北大学
技术研发日：
技术公布日：2024/1/13