公开(公告)号：CN118824429A

公开(公告)日：2024-10-22

申请号：CN202410853700.9

申请日：2024-06-28

申请人： 鞍钢集团北京研究院有限公司 ,  东北大学

发明人： 张宇 ,  韩思宇 ,  王静静 ,  王晨充 ,  徐伟 ,  邸洪双

IPC分类号： G16C60/00 ,  G16C20/70 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985 ,  G06V20/69 ,  G06V10/82

摘要： 本发明提供一种基于卷积神经网络的双相钢加工硬化预测方法，涉及材料力学性能分析技术领域。利用EBSD实验获得的BC图和材料力学属性建立高质量的数据集；深度学习模型用来学习BC图中显微组织形貌特征，建立BC图与加工硬化之间的映射关系。采用卷积神经网络以真实材料的微观结构为设计变量，采用先进的人工智能方法识别拉伸过程中材料成分和非线性微尺度特性的变化，同时实现对不同体系DP钢加工硬化的高效普适性预测。本发明实现简单，效率和普适性相比与传统方法得到提升，并且该深度学习方法可以应用到具有复杂显微组织的钢种中，可用于不同合金体系，具有扩展性。

公开(公告)号：CN118629549A

公开(公告)日：2024-09-10

申请号：CN202410697379.X

申请日：2024-05-31

申请人： 鞍钢集团北京研究院有限公司 ,  东北大学

发明人： 张宇 ,  王晨充 ,  王静静 ,  徐伟 ,  李泳

IPC分类号： G16C60/00 ,  G16C20/70 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明提供一种基于图神经网络的钢铁材料马氏体相变起始温度预测方法，涉及温度预测技术领域，本发明首先构建包含钢铁材料的化学成分、奥氏体晶粒尺寸、磁场以及预应变四个不同影响因素的数据库，从而得到基础数据集；基于基础数据集进行热力学知识图谱的构建，构建图卷积神经网络DDM‑GNN模型；设置迭代次数、学习率、批量以及损失函数，在进行热力学知识图谱中的特征和关系信息相融合时，采用矩阵拼接的方式来获得邻接卷积矩阵；采用全连接层来连接输出，得到预测的Ms温度；通过采用自适应矩估计法Adam对DDM‑DNN模型进行训练，最终取出训练过程中损失函数最小的模型作为最终模型Best_Model，实现温度预测。

公开(公告)号：CN110442954B

公开(公告)日：2022-11-25

申请号：CN201910698771.5

申请日：2019-07-31

申请人： 东北大学 ,  本钢板材股份有限公司

发明人： 徐伟 ,  徐宁 ,  黄健 ,  王晨充 ,  原家华 ,  沈春光

IPC分类号： G06F30/17 ,  G06F30/27 ,  G06N20/20 ,  G06K9/62 ,  G06N3/12 ,  G06F111/10 ,  G06F119/14 ,  G06F119/08

摘要： 本发明提供一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，涉及钢铁材料设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得超高强不锈钢，对不锈钢的成分及热处理条件进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、硬度。该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。

公开(公告)号：CN110415769B

公开(公告)日：2022-10-21

申请号：CN201910698854.4

申请日：2019-07-31

申请人： 东北大学 ,  本钢板材股份有限公司

发明人： 王晨充 ,  崔晴 ,  黄健 ,  徐伟 ,  沈春光

IPC分类号： G16C20/10 ,  G16C20/70 ,  G06N3/12

摘要： 本发明提供一种基于物理冶金学指导下机器学习的低活化钢的设计方法，涉及材料计算设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得最佳强度的低活化钢，对低活化钢的成分及工艺进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、屈服强度。该方法使基于统计学的机器学习富有了物理冶金学含义，并且该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。

公开(公告)号：CN113033105A

公开(公告)日：2021-06-25

申请号：CN202110368797.0

申请日：2021-04-06

申请人： 东北大学

发明人： 徐伟 ,  魏晓蓼 ,  张朕 ,  任达 ,  黄健 ,  沈春光 ,  王晨充

IPC分类号： G06F30/27 ,  G06F119/04 ,  G06F119/14

摘要： 本发明提供一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明将力学理论机制引入到机器学习中，解决了材料高成本属性预测的小样本问题。通过基于力学理论指导建立钢种成分、工艺与目标性能之间的关系。本方法针对获取成本高的目标性能，利用目标性能与源性能间的高相关性，即基于力学理论指导，仅利用数十组目标性能数据便可建立起准确预测目标性能的迁移学习模型。该方法显著降低了机器学习对于高成本目标性能的数据量要求，显著提高了高成本目标性能评估、预测效率，并最终有利于提高新材料研发速率。

公开(公告)号：CN113032909A

公开(公告)日：2021-06-25

申请号：CN202110368791.3

申请日：2021-04-06

申请人： 东北大学

发明人： 王晨充 ,  张朕 ,  任达 ,  魏晓蓼 ,  黄健 ,  徐伟 ,  刘尚瑀

IPC分类号： G06F30/15 ,  G06F30/17 ,  G06F30/27 ,  G06F119/14 ,  G06F119/22

摘要： 本发明提供一种分子动力学指导的机器学习的激光制孔结果预测方法，涉及激光制孔和机器学习应用技术领域。本发明应用分子动力学微观物理模型指导的支持向量回归(SVR‑MD)建立起飞秒激光制孔工艺参数与目标性能之间的关系，形成了完整的飞秒激光制孔效率及质量的预测平台。通过将与目标性能高度相关的微观物理参量添加数据集中，参与模型训练及设计过程，使机器学习过程富有物理意义，相比于单纯的机器学习模型，分子动力学指导下的机器学习预测精度更高，成功构建了飞秒激光在金属镍靶材上冲击制孔效率及质量的预测模型。

公开(公告)号：CN110396633A

公开(公告)日：2019-11-01

申请号：CN201910420629.4

申请日：2019-05-20

申请人： 东北大学

发明人： 衣海龙 ,  方明阳 ,  毕梦园 ,  周永康 ,  王晨充 ,  徐伟

IPC分类号： C22C30/00 ,  C22F1/10

摘要： 本发明公开了一种超细晶双峰组织中熵合金的制备方法，包括：1)选取CoCrNi中熵合金，其Co、Cr及Ni的原子百分比为1:1:1；2)热轧：将1)步中的中熵合金加热至880～900℃，进行多道次热轧，总变形量为50～60％，热轧后淬火至室温；3)冷轧：将热轧后的中熵合金进行深冷轧，冷轧轧制温度为-75～-70℃，总变形量为60～70％，冷轧后放置室温；4)退火：将冷轧后的中熵合金板材放入加热炉中，加热至780～820℃，保温120～150min后淬火至室温。本发明提供的制备方法，在无相变条件下，使最终产品获得微米与纳米双峰晶粒尺寸的分布特征。

公开(公告)号：CN116484745A

公开(公告)日：2023-07-25

申请号：CN202310541074.5

申请日：2023-05-15

申请人： 东北大学

发明人： 王晨充 ,  任冰涛 ,  李虎威 ,  张玉琪 ,  徐伟 ,  张朕 ,  潘成博 ,  刘晓琪

IPC分类号： G06F30/27 ,  G06N3/126 ,  G06F18/2413 ,  G06F18/27

摘要： 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。

公开(公告)号：CN110428876B

公开(公告)日：2022-11-29

申请号：CN201910698739.7

申请日：2019-07-31

申请人： 东北大学 ,  本钢板材股份有限公司

发明人： 徐伟 ,  沈春光 ,  黄健 ,  王晨充 ,  原家华

IPC分类号： G16C60/00 ,  G06N20/10 ,  G06N3/12

摘要： 本发明提供一种基于物理指导的机器学习算法的钢铁材料设计方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的支持向量机模型；将基于物理冶金学指导的支持向量机模型的相关系数大于90％的作为遗传算法中的目标函数；得到优化后的成分、工艺及最佳目标性能的材料；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、目标性能。本方法将物理冶金机制引入到机器学习中，同时结合优化算法形成完备的设计平台，设计结果更加符合物理冶金学原理。

公开(公告)号：CN110442953B

公开(公告)日：2022-11-25

申请号：CN201910698740.X

申请日：2019-07-31

申请人： 东北大学 ,  本钢板材股份有限公司

发明人： 徐伟 ,  祝开禹 ,  黄健 ,  王晨充 ,  沈春光

IPC分类号： G06F30/27 ,  G06N3/12 ,  G06N20/10 ,  G06F119/14

摘要： 本发明提供一种基于物理冶金学指导下机器学习的Q&P钢的设计方法，涉及汽车钢的成分工艺设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于85％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得最佳强塑积的Q&P钢，对Q&P钢的成分及工艺进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、强塑积。本方法相对于单纯机器学习，可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。