公开(公告)号：CN113033105B

公开(公告)日：2023-09-19

申请号：CN202110368797.0

申请日：2021-04-06

Applicant: 东北大学

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

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

Abstract: 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：CN113033105A

公开(公告)日：2021-06-25

申请号：CN202110368797.0

申请日：2021-04-06

Applicant: 东北大学

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

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

Abstract: 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

Applicant: 东北大学

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

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

Abstract: 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：CN113033106B

公开(公告)日：2023-09-19

申请号：CN202110368798.5

申请日：2021-04-06

Applicant: 东北大学

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

IPC: G06F30/27 ,  G06F119/02 ,  G06F119/14

Abstract: 本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。

公开(公告)号：CN113032909B

公开(公告)日：2023-09-05

申请号：CN202110368791.3

申请日：2021-04-06

Applicant: 东北大学

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

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

Abstract: 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：CN113033106A

公开(公告)日：2021-06-25

申请号：CN202110368798.5

申请日：2021-04-06

Applicant: 东北大学

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

IPC: G06F30/27 ,  G06F119/02 ,  G06F119/14

Abstract: 本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。