[发明专利]面向小样本试验数据的多元合金材料的软测量及其配方决策方法

说明书

技术领域

本发明属于新材料的研发与软测量技术领域，具体涉及一种面向小样本试验数据的多元合金材料的软测量及其配方决策方法。

背景技术

合金材料是由两种或两种以上的金属与非金属经一定方法所合成的具有金属特性的物质。由于合金的硬度、导电/导热性和抗腐蚀性均比单一的纯金属材料好，因此，成为航空、航天、汽车、通讯电子等领域广泛应用的优选材料。

现有的研究表明：合金材料的这些优良的热力学性能与材料的配方密切相关。根据化学成分及其比例的不同，依据这些组合成分的排列组合，将产生无数种新的铝硅镁合金材料，而这些元素搭配的不同将直接决定铝硅镁合金材料性能的优劣。目前，常用的铝硅镁合金大概有100多种，然而，每种铝硅镁合金的组合成分的确定依然没有适用的方法，往往通过实验设计的方式，获得可行域内的离散优化成分，不仅花费了大量的人力和物力，优化的精度也不高。

因此，若能建立其多元合金热力学性能的软测量模型，然后根据社会对高塑性、高硬度、高韧性的合金材料的需要，及时有效地决策出合金的配方，将有利于提高其经济价值，加快合金材料的发展。

本发明以信息学科中最优化理论的平台来考虑这一交叉性学科问题，以铝硅镁合金材料的配方问题为例，可将该问题归结为复杂系统建模与优化问题，即以合金材料的软测量及最优配方决策为目标，在现有合金材料配方体系基础之上，解决小样本数据有效的问题，其次把合金材料形成机理的已有知识用数学描述转换成可行解空间，再建立材料配方与高塑性性能之间的数学模型，并全局优化决策出最佳的合金材料配方。

发明内容

本发明的目的在于提供一种面向小样本试验数据的多元合金材料的软测量及其配方决策方法，能够在试验经费、时间有限的情况下，针对较少的小样本试验数据，提高多元合金材料的软测量精度，同时为多元合金配方的优化提供决策。

本发明的技术方案如下：一种面向小样本试验数据的多元合金材料的软测量及其配方决策方法，其关键在于按如下步骤进行：

附图说明

图1是注入噪声的小样本扩充示意图；

图2是最大熵神经网络的基本结构；

图3是研究方法示意图；

图4是基于最大熵神经网络的多元合金软测量流程图；

图5是基于遗传算法的多元合金材料配方的优化流程图；

图6是基于遗传算法适应度函数的变化曲线；

图7是优化结束时的适应度函数的分布。

具体实施方式

下面结合附图和实施例1对本发明作进一步说明：

实例1：一种面向小样本试验数据的多元合金材料的软测量及其配方决策方法，如图1所示，按如下步骤进行：

步骤一：小样本试验数据的获得及其有效扩充

(一)在《改良铸造铝硅镁合金的成份优化设计》一文中，确定了Cu，Ni，V，Mn，Re，Si，Mg，Al八种元素，其中，元素Mg＝0.35％，Si＝7％，所以综合考虑剩余的6种合金元素，选择L₁₈(3⁷)正交表进行试验设计，如表1所示，通过试验所得六种元素下对应的18组小样本数据。其中，常温抗拉强度检测结果见表2，常温延伸率检测结果见表3，常温硬度检测结果见表4。

表1合金的化学成份

表2常温抗拉强度检测结果

(二)小样本的扩充

由于测量仪器及材料本身均不是100％的纯度，通过以18组试验数据为中心点，注入噪声的方法，扩充数据，增加样本的多样性，如图2所示。同时结合Bootstrap方法进行重采样，增加样本的数量。

步骤二：基于最大熵神经网络的六元铝硅镁合金系的力学性能软测量

如图3所示：

(一)确定模型的输入变量和输出变量。输入量确定为Cu_a，Ni_b，V_c，Mn_d，Re_e，Al_f中每个元素的含量。输出量为表征其性能的力学参数T₁、T₂和T₃。因此构成三输入一输出的模型结构，函数形如：