机器学习在材料服役性能预测中的应用

　　摘要：针对材料服役性能预测存在误差大、计算复杂、适用性差等问题，提出了基于数据挖掘的机器学习预测方法。首先阐述了机器学习的应用流程，并总结了常用模型原理及其在材料性能预测中的应用。然后采用多种机器学习模型对RPV钢的辐照性能进行预测，并通过Stacking集成方法提高了模型的预测精度。结果表明，机器学习可用于材料服役性能预测，具有较高的预测精度和可靠性。根据材料服役数据的不同特征选择合适的学习模型，同时进行模型融合和参数优化，可有效提高模型的预测精度及运算速度。

　　关键词：数据挖掘;机器学习;服役性能;材料工程;模型预测

　　引言

　　材料在服役过程中，由于受光照、热能、机械能、辐照、潮湿等因素的影响，会逐步发生老化，进而导致材料性能下降甚至失效[1]。材料失效不仅带来巨大的经济损失，造成环境污染和资源浪费，甚至可能酿成安全事故，引发各种社会问题。因此，材料服役性能研究和服役寿命预测一直是材料领域的研究热点之一。在早期研究中，通常将材料放置在自然环境或人工模拟环境中进行大量性能试验，并在试验过程中监测材料性能变化情况。

　　然后找出试验条件和材料性能之间的关系，进而预测材料服役性能的变化趋势和服役寿命。但这种方法通常需要投放大量的试样，试验周期漫长，无法真实反映出实际环境中不同因素之间的协同作用和综合效应，在客观性和普适性方面存在不足[2]。目前，材料服役性能研究主要分为四个方向：加速模拟实验[3]、力学性能研究[4]、数学模型[5]和数据挖掘[6]。

　　人工智能论文： 机器学习技术在现代农业气象中的应用

　　其中，加速模拟实验是最简便可行的方案，但加速过程会掩盖材料服役的关键细节，很难区分不同条件对材料性能影响的细微差别。力学性能研究通过经典力学、断裂力学、疲劳力学、损伤力学等方法建立材料力学方程，然后进行力学分析和服役性能预测。但对于受力复杂的情况，建立的力学方程非常复杂，并且很难反映材料的真实受力情况。数学模型通过短期试验推测长期服役条件下材料的性能变化情况，但该方法预测误差较大、计算复杂、普适性有待进一步研究。数据挖掘通过机器学习对大量材料服役数据进行学习和规律总结，然后对材料服役性能进行预测，目前已经在医药[7]、生物信息[8]、图像识别[9]、故障诊断[10]等领域取得了应用成果。

　　本文首先阐述了机器学习在材料服役性能预测中的一般流程及常用机器学习模型原理，并对各种模型在材料服役性能研究应用中的特点进行总结。然后具体研究了机器学习在RPV钢辐照性能预测中的应用，研究结果为材料服役性能预测提供新的方法和参考。

　　基于机器学习的材料服役性能预测机器学习在材料服役性能预测的一般流程如图所示，其主要包括两个过程：1)从材料基因数据库中选择要处理的数据并进行预处理、特征选择和样本划分，然后通过机器学习模型进行训练、测试和评估，并获得最优模型及模型参数;2)通过最优模型对新数据进行服役性能预测，获得最终结果。材料基因数据库为源数据，可源于试验、测试、仿真计算或其他数据库。数据库中数据的来源、格式、完整度等存在差异，需要进行数据清洗使其符合机器学习模型的输入要求，数据清洗包括异常值剔除、缺失值填充、重复样本删除、数字化等。对于量纲不同或存在数量级差异的特征值，还需要进行归一化或标准化处理，消除量纲带来的偏差。

　　数据清洗和预处理后需要进行特征选择，找出和目标相关度高的特征进行学习和训练，消除无关特征带来的噪声偏差。常用的特征选择方法有过滤式、包裹式和嵌入式，筛选后的特征子集可提高模型的训练效率和预测精度。获得特征子集后，通过分层抽样将其划分为训练集和测试集，测试集约占总样本的20%~30%。然后选择合适的模型，并在训练集上进行模型训练和参数调优。模型训练后，根据预测结果进行模型评估，常用的评估指标有平均绝对误差、均方根误差和决定系数等。

　　2机器学习模型

　　材料服役性能预测属于有监督学习，常用的机器学习模型有支持向量机、人工神经网络、决策树和随机森林等。

　　2.1支持向量机

　　支持向量机的目的是获得维空间的最优超平面[11]。支持向量机可解决三类问题：1)样本线性可分，通过硬间隔最大学习一个分类器;2)样本近似线性可分，通过软间隔最大学习一个分类器;3)样本线性不可分，通过核技法将低维非线性问题转化为高维线性问题，然后学习一个非线性支持向量机。

　　3机器学习在材料服役性能预测中的应用

　　材料服役性能与其结构、成分、环境条件等密切相关，不同因素之间相互作用复杂。机器学习可以从大量服役数据中获得各因素之间的影响规律，并对服役性能进行预测。材料的服役性能主要包括腐蚀、磨损、辐照能和疲劳等。

　　3.1腐蚀性能预测

　　材料腐蚀的因素包括化学成分、组织结构、加工工艺、服役条件等，并且不同因素又包含多个维度信息，通常采用人工神经网络、支持向量机等拟合能力强、适用纬度高的模型进行腐蚀性能预测。杜翠微等[13]采用人工神经网络建立了碳钢和低合金钢的腐蚀速率预测模型，探究了化学成分、环境因素及多因素耦合作用对海水中金属材料腐蚀性能的影响。训练数据为我国典型海水区域长达16年的腐蚀样本，模型输入为合金主要元素成分、温度、溶解氧、盐度、生物附着物等。

　　当仅考虑环境因素时，模型的预测精度达到75%;当同时考虑环境因素和材料元素含量时，模型的预测精度可提高到90%以上。LY12CZ铝合金是飞机承重构件的主要材料，刘延利等[14]通过盐雾试验获得了铝合金材料的腐蚀试样，并对试样进行疲劳试验和腐蚀深度测量。然后建立了基于腐蚀温度、腐蚀时间、最大点蚀深度及疲劳额定强度的人工神经网络模型，模型对试样最大腐蚀深度的预测误差为7.24%，对疲劳额定强度的预测误差为1.63%。

　　为验证RENiCu合金铸铁在碱液中的腐蚀性能，王玉荣等[15]通过静态质量损失腐蚀试验获得了35组腐蚀样本数据，然后建立了合金成分、腐蚀时间、碱液温度与合金铸铁腐蚀深度的RBF神经网络模型。RBF神经网络对合金铸铁腐蚀深度的预测误差为8.09%，对样本的耐腐蚀等级和耐腐蚀评价准确率达到100%。海底管道腐蚀速率的有效预测可减少管道失效风险，李响等[16]基于Q235钢材海洋挂片的腐蚀数据建立了环境温度、含氧量、含盐量、PH和腐蚀速率之间的SVM模型。

　　首先采用遗传算法对模型参数进行优化，优化后的模型对试样腐蚀速率的预测误差小于3%，优于BP神经网络模型。针对长输管道腐蚀速率的预测，马钢等[17]建立了PSOSVM模型，模型输入为

　　4基于模型融合的RPV钢辐照性能预测

　　4.1辐照数据

　　本文所用的RPV钢辐照数据来源于文献数据[30,31]及试验数据，共有390条有效样本，数据分布如图所示。首先剔除与辐照性能相关性较弱的特征，最终选择中子注量、注量率、辐照温度、Cu含量、Ni含量、Mn含量、Si含量、含量作为模型输入，辐照后的转变温度增量ΔRTNDT作为模型输出。

　　4.2数据划分

　　由于RPV钢辐照数据样本较小且离散性大，因此需要保证数据划分后仍保持原始数据的分布规律，避免数据不均衡造成预测偏差。首先对相关性较高的Cu含量进行区间划分并标记为个类别，然后按类别进行分层抽样，抽样结果如表所示。其中分层抽样后的样本分布与原数据基本相同，最大误差为4.76%，小于随机抽样的8.57%。分层抽样后，将80%的数据用作训练，20%用作测试。

　　5总结与展望

　　本文从机器学习流程出发，首先概括了常用机器学习模型的原理及其在材料服役性能预测中的应用。然后采用多种机器学习模型对RPV钢的辐照性能进行预测，并采用Stacking方法提高了模型的预测精度，主要结论如下：(1)机器学习可用于材料服役性能预测，具有较高的预测精度和可靠性;(2)模型选择应考虑材料服役数据的质量、模型特点及样本数量;(3)重要特征提取、模型融合和参数优化算法可提高模型的精度和运算效率。目前，机器学习在材料服役性能预测中的应用仍处于初级阶段，大量工作仍需进一步开展。如丰富完善已有的材料基因数据库、开展更高精度机器学习算法研究、优化机器学习模型参数，提高运算效率、结合物理模型及相关理论，增强机器学习模型的解释性。

　　作者：王红珂，刘啸天，林磊，孙海涛，吕云鹤，张晏玮，薛飞

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/27796.html