公开(公告)号：CN110442953A

公开(公告)日：2019-11-12

申请号：CN201910698740.X

申请日：2019-07-31

Applicant: 东北大学 ,  本钢板材股份有限公司

Inventor： 徐伟 ,  祝开禹 ,  黄健 ,  王晨充 ,  沈春光

IPC: G06F17/50 ,  G06N3/12 ,  G06N20/10

Abstract: 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。

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

Applicant: 东北大学 ,  本钢板材股份有限公司

Inventor： 徐伟 ,  祝开禹 ,  黄健 ,  王晨充 ,  沈春光

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

Abstract: 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。