【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于新材料的研發(fā)與軟測(cè)量
，具體涉及一種。
技術(shù)介紹
合金材料是由兩種或兩種以上的金屬與非金屬經(jīng)一定方法所合成的具有金屬特性的物質(zhì)。由于合金的硬度、導(dǎo)電/導(dǎo)熱性和抗腐蝕性均比單一的純金屬材料好，因此，成為航空、航天、汽車、通訊電子等領(lǐng)域廣泛應(yīng)用的優(yōu)選材料。現(xiàn)有的研究表明:合金材料的這些優(yōu)良的熱力學(xué)性能與材料的配方密切相關(guān)。根據(jù)化學(xué)成分及其比例的不同，依據(jù)這些組合成分的排列組合，將產(chǎn)生無(wú)數(shù)種新的鋁硅鎂合金材料，而這些元素搭配的不同將直接決定鋁硅鎂合金材料性能的優(yōu)劣。目前，常用的鋁硅鎂合金大概有100多種，然而，每種鋁硅鎂合金的組合成分的確定依然沒(méi)有適用的方法，往往通過(guò)實(shí)驗(yàn)設(shè)計(jì)的方式，獲得可行域內(nèi)的離散優(yōu)化成分，不僅花費(fèi)了大量的人力和物力，優(yōu)化的精度也不高。因此，若能建立其多元合金熱力學(xué)性能的軟測(cè)量模型，然后根據(jù)社會(huì)對(duì)高塑性、高硬度、高韌性的合金材料的需要，及時(shí)有效地決策出合金的配方，將有利于提高其經(jīng)濟(jì)價(jià)值，加快合金材料的發(fā)展。本專利技術(shù)以信息學(xué)科中最優(yōu)化理論的平臺(tái)來(lái)考慮這一交叉性學(xué)科問(wèn)題，以鋁硅鎂合金材料的配方問(wèn)題為例，可將該問(wèn)題歸結(jié)為復(fù)雜系統(tǒng)建模與優(yōu)化問(wèn)題，即以合金材料的軟測(cè)量及最優(yōu)配方?jīng)Q策為目標(biāo)，在現(xiàn)有合金材料配方體系基礎(chǔ)之上，解決小樣本數(shù)據(jù)有效的問(wèn)題，其次把合金材料形成機(jī)理的已有知識(shí)用數(shù)學(xué)描述轉(zhuǎn)換成可行解空間，再建立材料配方與高塑性性能之間的數(shù)學(xué)模型，并全局優(yōu)化決策出最佳的合金材料配方。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于提供一種，能夠在試驗(yàn)經(jīng)費(fèi)、時(shí)間有限的情況下，針對(duì)較少的小樣本試驗(yàn)數(shù)據(jù)，提高多元合金材料的軟測(cè)量精度，同時(shí)為多元合金配方...
【技術(shù)保護(hù)點(diǎn)】
一種面向小樣本試驗(yàn)數(shù)據(jù)的多元合金材料的軟測(cè)量及其配方?jīng)Q策方法，其特征在于，包括以下步驟：?步驟一、基于Bootstrap及注入噪聲的小樣本試驗(yàn)數(shù)據(jù)擴(kuò)充方法：?在測(cè)量中不可避免的存在隨機(jī)誤差，因此利用在原始小樣本試驗(yàn)數(shù)據(jù)中注入噪聲的方法，增加樣本的多樣性，再利用Bootstrap重采樣方法，增加樣本的數(shù)量，解決小樣本試驗(yàn)數(shù)據(jù)問(wèn)題；?步驟二、基于最大熵神經(jīng)網(wǎng)絡(luò)的多元合金材料的熱力學(xué)性能軟測(cè)量：?以基于最小誤差平方和的神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)，利用樣本點(diǎn)之間的不確定性信息關(guān)系，把微分熵函數(shù)加入到反向傳播的目標(biāo)函數(shù)當(dāng)中，構(gòu)建一種基于最大熵神經(jīng)網(wǎng)絡(luò)ENN(Entropy?Neural?Network)，并由此建立小樣本試驗(yàn)數(shù)據(jù)下的多元合金材料熱力學(xué)性能的軟測(cè)量模型；?步驟三、基于遺傳算法的多元合金材料的配方?jīng)Q策：?實(shí)現(xiàn)多元合金材料的熱力學(xué)性能軟測(cè)量之后，根據(jù)多元合金材料的機(jī)理分析確定可行解空間，在遺傳算法中設(shè)計(jì)染色體編碼與解碼方法，并確定交叉算子、變異算子及選擇算子，通過(guò)進(jìn)化計(jì)算，全局優(yōu)化獲得多元合金材料配方的最優(yōu)決策；?步驟四、基于改進(jìn)適應(yīng)度函數(shù)的多元合金材料配方的穩(wěn)健優(yōu)化準(zhǔn)則：?考慮各原材料純度與...
【技術(shù)特征摘要】
1.一種面向小樣本試驗(yàn)數(shù)據(jù)的多元合金材料的軟測(cè)量及其配方?jīng)Q策方法，其特征在于，包括以下步驟: 步驟一、基于Bootstrap及注入噪聲的小樣本試驗(yàn)數(shù)據(jù)擴(kuò)充方法: 在測(cè)量中不可避免的存在隨機(jī)誤差，因此利用在原始小樣本試驗(yàn)數(shù)據(jù)中注入噪聲的方法,增加樣本的多樣性,再利用Bootstrap重采樣方法，增加樣本的數(shù)量，解決小樣本試驗(yàn)數(shù)據(jù)問(wèn)題； 步驟二、基于最大熵神經(jīng)網(wǎng)絡(luò)的多元合金材料的熱力學(xué)性能軟測(cè)量: 以基于最小誤差平方和的神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)，利用樣本點(diǎn)之間的不確定性信息關(guān)系，把微分熵函數(shù)加入到反向傳播的目標(biāo)函數(shù)當(dāng)中，構(gòu)建一種基于最大熵神經(jīng)網(wǎng)絡(luò)ENN(Entropy Neural Network),并由此建立小樣本試驗(yàn)數(shù)據(jù)下的多元合金材料熱力學(xué)性能的軟測(cè)量模型； 步驟三、基于遺傳算法的多元合金材料的配方?jīng)Q策: 實(shí)現(xiàn)多元合金材料的熱力學(xué)性能軟測(cè)量之后，根據(jù)多元合金材料的機(jī)理分析確定可行解空間，在遺傳算法中設(shè)計(jì)染色體編碼與解碼方法，并確定交叉算子、變異算子及選擇算子，通過(guò)進(jìn)化計(jì)算，全局優(yōu)化獲得多元合金材料配方的最優(yōu)決策； 步驟四、基于改進(jìn)適應(yīng)度函數(shù)的多元合金材料配方的穩(wěn)健優(yōu)化準(zhǔn)則: 考慮各原材料純度與計(jì)量?jī)x器的誤差對(duì)多元合金材料各元素含量的影響，需要設(shè)計(jì)穩(wěn)健配方，即當(dāng)各組員的含量 受不確定因素影響，在小范圍內(nèi)波動(dòng)時(shí)，能夠?qū)Σ牧蠠崃W(xué)性能的變差影響較小，這里對(duì)遺傳算法的適應(yīng)度函數(shù)進(jìn)行改進(jìn)，利用所需考慮的各熱力學(xué)性能對(duì)各元素含量求偏導(dǎo)數(shù)的方法來(lái)表示這個(gè)變差，再結(jié)合傳統(tǒng)的最小二乘的優(yōu)化準(zhǔn)則，設(shè)計(jì)出穩(wěn)健優(yōu)化準(zhǔn)則，從而利用遺傳算法得到多元合金材料配方的穩(wěn)健優(yōu)化解。2.根據(jù)權(quán)利要求1所述的面向小樣本試驗(yàn)數(shù)據(jù)的多元合金材料的軟測(cè)量及其配方?jīng)Q策方法，其特征在于步驟一中對(duì)小樣本試驗(yàn)數(shù)據(jù)的擴(kuò)充包括: 在測(cè)量中不可避免的存在隨機(jī)誤差，因此提出樣本擴(kuò)充法，即以原小樣本試驗(yàn)數(shù)據(jù)為中心點(diǎn)，以實(shí)驗(yàn)的容忍誤差為半徑r，構(gòu)造一個(gè)鄰域圓δ，在鄰域δ圓內(nèi)采用均勻分布產(chǎn)生隨機(jī)數(shù)的方法生成虛擬樣本，增加樣本的多樣性。3.根據(jù)權(quán)利要求1所述的面向小樣本試驗(yàn)數(shù)據(jù)的多元合金材料的軟測(cè)量及其配方?jīng)Q策方法，其特征在于步驟二中基于最大熵神經(jīng)網(wǎng)絡(luò)的多元合金材料的熱力學(xué)性能軟測(cè)量包括: (一)最大熵神經(jīng)網(wǎng)絡(luò)的正向傳播過(guò)程 神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)數(shù)，輸入層節(jié)點(diǎn)設(shè)為j，共有R個(gè)；隱含層節(jié)點(diǎn)為i，共有N個(gè)；輸出層節(jié)點(diǎn)為m，共有K個(gè)；輸入層、輸出層作用函數(shù)為線性函數(shù)，即f2(x) = ax+b, a = I ;隱含層作用函數(shù)為S型函數(shù)式，即= ^77，網(wǎng)絡(luò)的輸出為 (Ni Rλ^ym=fi ΣΚ Y^ijXj+bm(I) V1 V jJJ 其中，《…匕分別為輸入層到隱含層的權(quán)值、閾值wmi，bm分別為隱含層到輸出層的權(quán)值、閾值；j = l，2，...，R，i=l，2，...，N，m=l，2，…，K ;(二)最大熵神經(jīng)網(wǎng)絡(luò)的反向遞推算法 傳統(tǒng)的BP(Back-piOpagating)神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)是樣本點(diǎn)的誤差平方和最小，即 minE = (ym-dm)2 (2) ...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：蘇盈盈，胡文金，李太福，劉玉成，
申請(qǐng)(專利權(quán))人：重慶科技學(xué)院，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。