基于机器学习的钢铁轧制过程性能预测

为了实现快速的热轧工艺优化设计,基于工业数据的钢铁材料性能预测引起了研究者的极大关注,对利用机器学习进行钢铁材料轧制过程性能预测的研究进展进行了梳理.首先介绍了钢铁材料轧制过程性能预测常用的主流机器学习算法,其中包括人工神经网络、模糊神经网络、支持向量机、随机森林、智能优化算法等.其次,分别对钢铁材料轧制过程性能预测建...     

机器学习在非晶合金开发中的应用

在材料科学过去几十年的发展过程中,经验试错法和基于密度泛函理论的方法等传统的非晶合金开发方法,帮助研发人员探索出多种非晶合金体系。但是,这些方法由于开发周期长、效率低等缺点,目前已难以满足研发人员的需求。而机器学习方法因其实验成本低、性能强大以及开发周期短等优点,被越来越广泛地应用到非晶合金材料的设计、分析和性能预测中。本文首先按照机器学习建模的主要流程阐述了各步骤的基本操作和发展情况。其次,着重介绍了数据预处理、模型构建以及模型验证方面的研究工作,在数据预处理章节,简述了数据收集、特征工程以及目前较为流行的数据预采样方法;在模型构建章节,论述了四类在非晶合金开发中常用的机器学习算法,包括人工神经网络、支持向量机、随机森林以及极端梯度提升方法;在模型验证章节,主要介绍了K折交叉验证和留一法交叉验证方法。最后,本文从多个角度对比分析了现有的机器学习应用,为后续的相关研究提供了可能的研究方向和思路。     

基于不同机器学习算法的铝合金性能预测

铝合金由于其高强度、低重量的特点被广泛的应用于航空航天以及交通等领域,高性能铝合金的设计是当下的热点。本文以铝合金组分为输入向量,抗拉强度为目标变量,建立了RF、ET、Bagging、Adaboost四种不同的机器学习算法模型。结果表明：RF模型具有最佳的预测性能,R=0.89、MAE=40.33;Ti元素含量对铝合金抗拉强度的预测起正向作用,Ti元素含量越高,抗拉强度值越大;Mg元素、Cu元素含量铝合金抗拉强度的预测作用并不明显;Zn元素、Ce元素、Y元素含量对铝合金抗拉强度的预测起负向作用,即元素含量越大,抗拉强度值越小,特征重要性从大到小分别为Ti>Mg>Cu>Zn>Ce>Y。     

钢渣SMA-13沥青混凝土及其服役性能研究

分析了钢渣SMA-13沥青混凝土集料的性质以及其用于沥青混凝土路面的服役性能,发现钢渣具有良好的物理力学性能。与传统SMA沥青混凝土路面相比,钢渣SMA-13沥青混凝土的路面性能较优良,具有广阔的应用前景。     

基于机器学习的材料弹性性能预测及可视化分析

在工程材料的应用中,弹性模量是重要的性能参数,找到特定弹性性能的材料是新材料合成领域的热点问题,如何快速且准确的预测弹性在工程上具有重要意义.通过实际实验测量大量材料的弹性性能并不现实.因此,通过计算机模拟筛选材料数据,选出候选材料,再通过实际实验进行验证,是一种理想的新材料发现方法.目前材料性能预测的主要计算方法是基于第一性原理的高通量计算,这类方法效率低下,难以高效地完成大批量的材料筛选任务.而基于材料统计学的机器学习预测方法,可通过大数据挖掘,快速预测材料性能,成为一种有可能替代高通量计算的方案.本文将特征选择方法和机器学习模型进行组合,从中选择最有效的弹性模量预测组合方案,并设计交互界面对输入特征和材料弹性性能的关系进行可视化分析.实验表明Pearson/RFE和GBDT的组合模型性能最好,同时通过可视化分析发现每原子能量、熔点、密度等特征对于预测结果的影响较大.这些重要的特征可以从特征–目标关系中初步预测弹性模量的范围,目标属性值也可反过来估计材料的重要特征.这些研究成果可应用于探究弹性的影响因素、预测大批量材料性能和可视化分析指导材料合成.     

图像识别在材料研发中的应用与展望

介绍了国内外图像识别应用算法的技术发展和材料组织图像识别技术的应用现状,分析了目前相关材料图像识别技术的应用情况,指出图像识别技术应与机器学习和大数据技术相结合,以得到精准的材料组织结论。     

机器学习在材料研发中的应用

材料领域数据具有小样本、噪声大、维度高、关系复杂、专家知识丰富的特点. 利用专家知识增强机器学习建模效果具有必要性和可行性. 本文通过计算自变量与因变量之间的秩相关系数,来定量描述成分状态因素与性能之间单调关系的强弱. 在模型训练过程中,将秩相关系数加入到神经网络损失函数,实时评估模型输出与专家知识的相符程度,得到了专家知识增强的机器学习模型. 对训练过程分析后发现,模型输出的合理性有显著提升,模型的输入输出规律与专家知识的相符程度达到了0.98以上（1.0为完全相符）. 基于所建模型,采用遗传算法进行了关于强度和导电率的多目标优化,找到了满足帕累托最优的高强高导铜合金成分并开展了实验验证. 实验结果表明,强度在高达637 MPa的同时,导电率仍能保持在77.5% IACS（国际退火铜标准）的水平;导电率高达80.2% IACS的同时,强度仍能保持在600 MPa的水平. 强度和导电率的预测值与实际值误差在5%以内.     

机器学习方法在矿产勘查中的应用

机器学习是目前热门的研究课题,机器学习算法在地学研究中的应用越来越多.其中以神经网络、支持向量机、随机森林等为代表的算法已大量使用在矿产勘查中,这些方法的使用大大提高了矿产勘查数据的处理效率,为矿产勘查数据的处理提供了新的途径和思路.但这些方法的使用中也经常容易出现一些问题,必须熟悉每种方法的原理和特点,才能更好的应用...     

基于机器学习算法的核电用奥氏体不锈钢力学性能预测

由于受到严苛的服役环境和中子辐照的影响,核动力装置用奥氏体不锈钢作为结构材料应用时对力学性能要求较高,因此对于奥氏体不锈钢力学性能的预测很值得关注和研究。将机器学习算法应用于材料信息学并对机器学习的方法和原理作了简要说明,重点介绍了基于奥氏体不锈钢力学性能数据库,以奥氏体不锈钢力学性能预测为应用实例建立了机器学习模型和系统平台,最后通过预测值与真实值的对比验证对模型进行了评估。研究结果表明,构建的相关模型可以对奥氏体不锈钢的抗拉强度和屈服强度进行有效预测,R²均在0.90以上。对现阶段机器学习在性能预测和材料研发领域急需解决的问题进行了探讨,并对其未来的发展方向进行了展望。     

机器学习在深冲钢质量自动判级中的应用

在流程工业中,生产过程需根据客户对产品质量要求进行判级,以满足客户提出的产品质量需求。目前,企业主要采用“事后”抽检方式,但因无法对所有产品实现在线自动判级,常发生索赔和退货,导致我国钢铁企业每年近100亿元损失。为了实现产品质量在线自动判级,提出基于高维数据非线性同等缩放与核简支集类边界确定相结合的质量在线智能判级方法。首先,将高维的工艺参数通过非线性同等缩放算法变换成低维的数据集,并对缩放后数据集进行聚类,分析工艺参数的类分布特征。然后,根据分类后样本的质量指标值分布,采用核简支集类边界算法来确定不同产品质量级别的类边界。最后,依据已确定的类边界,通过质量指标预测实现产品在线判级。通过深冲钢(IF钢)应用实例,证实该方法在训练阶段的在线自动判级准确率达到97.2%,测试阶段的准确率为96%。      

基于机器学习的转炉热损失率预测

转炉热损失率是影响物料消耗量预测精度的重要参数之一,利用某钢厂150 t转炉1 900炉次冶炼历史生产数据,在热损失率计算的基础上,采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明,相比于支持向量回归(support vector regression, SVR)和随机森林(random forest, RF)算法,轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的预测精度最高;考虑上炉次的影响,增加上炉次冶炼终点温度变量后,LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内,热损失率预测命中率分别由85%、89%提高到90%、93%;另外,通过算法内部参数优化可进一步提高模型预测精度,对于LightGBM算法,决定系数R²和均方根误差E_RMS(root mean square error, RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、...     

案例教学法在材料性能学课程教学中的应用

根据材料性能学的课程特点,通过与历史事件相结合、与日常生活相关、与其他课程融会贯通和与科研成果密切结合4个方面,探讨了案例教学法在教学中的应用。     

满足材料业需求准确率达95% 机器学习预测复杂新材料合成

据2021年12月22日发表在《科学进展》杂志上的一项研究,美国西北大学和丰田研究所研究人员已成功应用机器学习来指导新纳米材料的合成,消除与材料发现相关的障碍。这种训练有素的算法,可通过定义数据集来准确预测可用于清洁能源、化学和汽车行业燃料的重要催化剂。     

基于数据驱动的铝电解槽剩余寿命预测方法研究

铝电解槽的寿命直接影响着电解铝企业的经济效益,准确预测铝电解槽剩余寿命能够提前制定维修计划,减少经济损失。本文针对铝电解槽寿命分析过程中缺乏对历史生产数据应用的背景,从数据的角度出发,探究生产工艺参数对槽寿命的影响,将机器学习引入到铝电解槽剩余寿命预测中,提出一种SVR-RFE-XGBoost模型,结合支持向量回归(SVR)与递归特征消除(RFE)算法,直接从原始数据中挖掘出关键寿命特征。同时利用极端梯度提升算法(XGBoost)对提取后的关键特征进行槽剩余寿命预测。最后利用某铝厂历史生产数据对模型进行性能验证,实验表明,该模型槽剩余寿命的平均绝对误差(MAE)、均方根误差(RMSE)和拟合优度(r²)别为116.0950, 207.4964和0.7463。对比分析XGBoost算法、岭回归(Ridge Regression)和SVR算法,实验结果表明,本文所构建的SVR-RFE-XGBoost的模型表现最佳,能更加准确地预测铝电解槽剩余寿命,在铝电解实际生产中具有重要的指导意义。     

全栈式机器学习在钢铁流程智能制造中的应用

通过实际生产的海量数据与产品质量问题解决方案的积累,针对全流程数据分析方法与思想进行梳理、研发全栈式机器学习平台与模型,形成了一套具有鲁棒性和高精度的钢铁生产全流程多源异构数据分析框架,在钢铁流程生产中进行了应用.提出了工业数据分析的通用方法,针对质量问题的分析流程为:数据获取、数据治理、特征工程、模型选取与应用、问题解决.应用全栈式机器学习平台搜集数据,并应用平台中的算法库进行模型建立,基于mRMR算法进行变量挑选,应用FDA进行特征降维,并应用XGBOOST对数据进行分类,实现了质量问题溯源与监控,解决了线材生产中椭圆度超差的质量问题.     

金属材料中材料性能相关因素的定量分析与优化方法研究

金属材料一直以来在各个领域中都起着重要的作用,并在工业、建筑、航空航天等领域中被广泛应用。随着科学技术的不断发展,人们对金属材料性能的要求也越来越高。而材料的性能是决定其适用性和可靠性的关键因素。因此,对材料性能相关因素进行定量分析和优化具有重要的科学研究和工程应用价值。通过系统地研究金属材料的性能优化方法,不仅可以为材料研究领域提供科学的理论基础,还可以为各个工业领域和应用领域的材料选择和设计提供有效的指导。     

基于机器学习的轧机辊缝检测与预测技术研究

文章基于机器学习的方法,研究轧机辊缝的检测与预测技术。首先,对轧机辊缝的检测方法进行了探究,构建出轧机辊缝的检测模型,并与传统方法进行对比;其次,文章将向量机算法应用于轧机辊缝的预测,根据历史数据进行训练,并利用异常检测算法对异常数据进行筛选和修复,得出预测结果。实验结果表明,该方案具有良好的实用性和可行性,对于提高轧机辊缝的维修效率和节省成本有着积极的促进作用,为轧机运行与维护提供了全新的思路和解决方案。     

金属材料数据信息系统的支撑技术

 从金属材料数据信息系统角度出发,首先论述了系统的概念,即金属材料数据信息系统建立在材料信息学基础上,已不仅仅是单纯材料数据库的概念,而是由系统、数据和应用3个部分构成。之后重点论述了与系统及数据相关的信息技术内容以及目前的发展状况。最后提出了利用信息技术建立材料数据信息系统的系统平台、数据平台和计算平台以及新的研发环境的构想。     

含Hf涡轮叶片服役过程中的组织演化研究

采用透射电镜(TEM)、扫描电镜(SEM)对不同服役时间下的含Hf涡轮叶片典型部位的组织进行了观察与定量表征,采用能谱分析仪(EDS)对服役过程中的碳化物的成分变化进行了分析,并对不同服役时间叶片进行显微硬度测试,研究了含Hf涡轮叶片在服役过程中组织及性能的演化规律,并根据LSW理论对不同部位的服役温度进行了定量反推。结果表明:在高温高应力下,服役400,650 h的叶片均发生了明显的组织退化,作为主要强化相的γ'粒子由规则立方体形貌逐渐粗化长大为L,H型等较为复杂的粒子形态,其等效直径由0.53μm增大至0.64μm,粗化过程由Ostwald熟化机制与粒子聚集机制的共同控制;其中,叶身中部粗化现象最为严重,经反推,其服役温度可达1180K;碳化物由富Ti-Ta的MC(1)型转变为富Hf的MC(2)型,并析出少量M23C6型碳化物,Hf元素在一定程度上抑制了M6C及TCP相的析出;在晶内第二相与γ基体界面及筏排处出现少量蠕变空洞,即蠕变空洞在位错堆积前沿萌生;随着服役时间的延长,合金的显微硬度逐渐降低,发生明显软化。