-
公开(公告)号：CN119719566A
公开(公告)日：2025-03-28
申请号：CN202411798760.1
申请日：2024-12-09
Applicant: 辽宁工程技术大学
IPC: G06F17/10 , G06F30/23 , G06N3/045 , G06N3/084 , G06N3/0985 , G06F111/10
Abstract: 本发明涉及矿山机械领域，具体涉及一种用于预测盘刀比能耗及选取最优比能耗参数的方法。首先，通过分析刀具切割类型、岩石破坏形式及刀具载荷，推导出包含切割深度、切割速度、进给速率、切割角度、刀具半径及摩擦系数等关键参数的SEC数学模型。其次，利用有限元仿真生成数据集并进行特征分析。然后，构建并训练PINN模型，结合物理规律与数据驱动，提高SEC预测精度。最后，基于模型预测结果，选择最优参数组合，实现能耗优化。结果表明，该方法在预测准确性和参数优化方面优于传统方法，显著降低盘刀能耗，提升工作效率，具有良好的经济和社会效益。
-
公开(公告)号：CN119670540A
公开(公告)日：2025-03-21
申请号：CN202411699822.3
申请日：2024-11-26
IPC: G06F30/27 , G06N3/0985 , G06F17/10 , G06F119/04 , G06F111/10 , G06F119/14
Abstract: 本申请公开了一种金属材料疲劳寿命的预测方法及装置、介质、终端，涉及人工智能技术领域以及材料科学领域，主要目的在于现有数据驱动的材料疲劳寿命的预测模型仅能够在数据范围内达到预测精度要求，而在数据范围外的预测性能无法满足需求的问题。包括：获取目标材料的当前属性参数以及施加到所述目标材料的当前应力参数，所述目标材料为任意金属材料；基于已完成模型训练的材料疲劳寿命预测模型，根据所述当前属性参数以及所述当前应力参数进行疲劳寿命预测操作，得到所述目标材料的疲劳寿命预测结果；将所述疲劳寿命预测结果转换为疲劳寿命热力图的形式进行输出。
-
公开(公告)号：CN118782196A
公开(公告)日：2024-10-15
申请号：CN202410976587.3
申请日：2024-07-20
Applicant: 辽宁工程技术大学
Abstract: 本发明提出了一种结合图神经网络(GNN)、遗传算法优化的随机森林模型(GA‑RF)和物理模型参数优化的系统，用于提高铝合金疲劳寿命的预测精度和可靠性。系统利用GNN对疲劳实验数据进行特征扩充，构建全面的数据集，并基于遗传算法自动调整随机森林模型参数，优化预测性能，进而通过模型预测结果调整疲劳寿命预测物理模型的关键参数，如疲劳裂纹扩展阈值ΔKth和材料常数，以获得铝合金的疲劳寿命预测物理模型解析表达式。该系统适用于航空、汽车和高速铁路等领域的材料疲劳性能分析，有效减少人为错误和成本，具有很高的实用价值。
-
公开(公告)号：CN119358412B
公开(公告)日：2025-04-08
申请号：CN202411699821.9
申请日：2024-11-26
IPC: G06F30/27 , G06F17/10 , G06N3/092 , G06N3/045 , G06F119/04 , G06F111/10 , G06F119/14
Abstract: 本申请公开了一种金属材料的疲劳寿命预测方法、装置、设备及存储介质，涉及材料科学与工程领域，通过构建自定义的强化学习环境，将修正SWT方程转化为决策过程，状态包括当前疲劳寿命估计和疲劳寿命误差，动作为步长因子，然后采用深度确定性策略梯度算法训练智能体，智能体在每次迭代中选择步长因子，并结合牛顿拉夫森迭代法更新当前疲劳寿命估计，奖励函数综合考虑疲劳寿命误差值、疲劳寿命偏差及迭代次数，引导智能体逐步逼近真实解。通过动态调整步长因子，能显著提高求解效率和精度。通过强化学习智能体结合牛顿迭代法，能够根据环境反馈不断优化策略，实现高效的非线性方程求解，同时能够增强模型的收敛性和稳定性，减少对初始值的敏感性。
-
公开(公告)号：CN119358412A
公开(公告)日：2025-01-24
申请号：CN202411699821.9
申请日：2024-11-26
IPC: G06F30/27 , G06F17/10 , G06N3/092 , G06N3/045 , G06F119/04 , G06F111/10 , G06F119/14
Abstract: 本申请公开了一种金属材料的疲劳寿命预测方法、装置、设备及存储介质，涉及材料科学与工程领域，通过构建自定义的强化学习环境，将修正SWT方程转化为决策过程，状态包括当前疲劳寿命估计和疲劳寿命误差，动作为步长因子，然后采用深度确定性策略梯度算法训练智能体，智能体在每次迭代中选择步长因子，并结合牛顿拉夫森迭代法更新当前疲劳寿命估计，奖励函数综合考虑疲劳寿命误差值、疲劳寿命偏差及迭代次数，引导智能体逐步逼近真实解。通过动态调整步长因子，能显著提高求解效率和精度。通过强化学习智能体结合牛顿迭代法，能够根据环境反馈不断优化策略，实现高效的非线性方程求解，同时能够增强模型的收敛性和稳定性，减少对初始值的敏感性。
-
Patent Agency Ranking
公开(公告)号：CN119296676A
公开(公告)日：2025-01-10
申请号：CN202411377974.1
申请日：2024-09-30
Applicant: 辽宁工程技术大学
Abstract: 本发明提出了一种整合图神经网络（GNN）、遗传算法优化的支持向量机（GA‑SVM）以及修正SWT参数方程的铝合金疲劳寿命预测方法，旨在获得准确可靠的铝合金疲劳寿命预测物理方程。该方法首先利用GNN对疲劳实验数据进行特征扩展，以构建更为完整的数据集。随后，基于遗传算法自动调整支持向量机的参数，从而优化其预测性能。通过模型的预测结果，能够确定疲劳寿命预测物理方程中的关键疲劳属性参数，包括疲劳强度指数b、疲劳延展性指数c和缺口敏感度系数q，并最终得到铝合金疲劳寿命的物理方程解析表达式。此方法适用于航空和轨道交通等领域轻量化材料疲劳寿命分析，能够为装备结构材料的抗疲劳设计提供理论指导，展现出较高的应用价值。
-
公开(公告)号：CN119476020A
公开(公告)日：2025-02-18
申请号：CN202411598396.4
申请日：2024-11-11
Applicant: 辽宁工程技术大学
IPC: G06F30/27 , G06N3/042 , G06N3/08 , G06N20/20 , G06F119/02 , G06F119/14
Abstract: 本发明提供了一种薄微弧氧化涂层铝合金的疲劳寿命预测方法。利用机器学习的图像处理技术、Murakami和裂纹扩展理论、对抗生成神经网络以及随机森林算法，获得薄微弧氧化涂层铝合金疲劳寿命预测物理方程。该方法能准确提取陶瓷涂层微孔尺寸，精准预测涂层铝合金在小样本、不同微孔分布和循环应力载荷条件下的疲劳寿命，并适用于“空天地”装备铝合金材料微弧氧化的疲劳寿命预测，为解决涂层铝合金疲劳寿命差且可靠性低问题提供基础支撑。
-
公开(公告)号：CN119068005A
公开(公告)日：2024-12-03
申请号：CN202411249833.1
申请日：2024-09-06
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种自动化裂纹密度计算方法，用于分析金属微弧氧化涂层电镜扫描图像。此方法包括图像预处理、边缘检测、形态学操作、裂纹识别与长度计算，以及裂纹密度估算。在图像预处理阶段，将RGB图像转换为灰度图像并应用CLAHE增强对比度。边缘检测阶段采用Canny算法结合多尺度方法，形态学操作通过闭运算和膨胀处理连接断裂的裂纹边缘。裂纹识别与长度计算阶段通过霍夫线变换检测直线段并计算长度，而裂纹密度估算则将总长度转换为微米尺度并基于图像实际面积计算密度。该方法显著提高了分析效率和准确性，减少了人为错误，适用于多种金属材料和微弧氧化处理条件，有效节约了研究和工业应用的时间和成本。
-
公开(公告)号：CN118505787A
公开(公告)日：2024-08-16
申请号：CN202410815216.7
申请日：2024-06-24
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种用于金属微弧氧化电镜扫描图像的自动处理及统计分析方法，包括图像预处理、特征提取与识别、以及统计分析组件。图像预处理组件包括将RGB图像转换为灰度图像的灰度化步骤、使用高斯滤波器去除噪声的噪声去除步骤、及采用Otsu算法和Canny边缘检测算法的图像分割步骤。特征提取与识别组件通过形态学操作改善边缘连续性，并使用连通区域分析来标识并分类孔和裂缝。统计分析组件负责自动计数孔洞和裂缝的数量，并计算孔隙率。本发明通过全自动化的图像处理流程，显著提高了分析效率和准确性，同时减少了人为错误，适用于多种金属材料和微弧氧化处理条件，有效降低了材料科学研究和工业应用中的时间和成本。
-
公开(公告)号：CN119066980A
公开(公告)日：2024-12-03
申请号：CN202411249781.8
申请日：2024-09-06
Applicant: 辽宁工程技术大学
IPC: G06F30/27 , G06F18/25 , G06N3/126 , G06N3/006 , G06F111/06 , G06F119/02 , G06F119/04
Abstract: 本发明涉及一种结合图神经网络（GNN）、粒子群优化的极端梯度提升（PSO‑XGBoost）模型和物理模型参数优化的系统，用于提高铝合金疲劳寿命的预测精度和可靠性。系统流程包括：1.通过实验获取铝合金疲劳数据，并用图神经网络进行特征增强；2.利用粒子群算法优化XGBoost模型参数，确保最小预测误差；3.采用机器学习模型预测结果反馈调整物理模型关键参数；4.通过对比实验数据验证模型准确性。该系统通过自动化流程减少人为错误，适用于材料疲劳性能分析，有效降低研究和工程成本，具有广泛应用前景。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.026 seconds)
