本发明涉及材料结构分析，尤其涉及一种基于卷积神经网络双相钢加工硬化预测方法。
背景技术：
1、为提高钢铁材料的预测精度和效率，目前有多种方法被开发，比如传统的平均场方法，有限元方法，机器学习方法等。各种方法在建立微观组织结构与加工硬化之间的关系方面都表现出各自的优势和局限性。单独的数值计算方法需要在不同体系建立不同的本构模型，因此普适性不足，而且计算效率低，不同体系计算效率需要提升。而现有机器学习与数值模型相结合的方法中，不同dp钢系统中微观组织的不同形态需要对每个系统进行参数测量或建立不同的模型。这大大增加了测量所需的时间和由此产生的计算复杂性。此外，这种方法使得模型的预测精度依赖于传统模型，需要大量的校正和特征工程来提高预测精度。
2、机器学习方法的日益发展凸显了其在材料科学领域中建立微观组织结构与加工硬化关系的显著优势。使用机器学习方法进行加工硬化行为预测的总体优势是其在预测不同体系中微观结构的加工硬化行为方面具有较强的普适性和较高的计算效率。利用不同热处理工艺的dp钢的微观组织以及对应的加工硬化信息作为数据集，根据卷积神经网络建立微观组织与加工硬化的关系可以实现不同体系dp钢加工硬化行为的普适性预测。
3、专利号为cn117577244a的发明专利提出了一种基于机器学习实现铝锂合金力学性能预测的方法，通过从文献中获取合金成分、热处理工艺、力学性能的特征原始数据，作为初始数据集，以模型数据集中的合金成分、热处理工艺作为机器学习模型的输入值，以模型数据集中的力学性能作为机器学习模型的预测目标值，构建了铝锂合金力学性能预测模型。以目标铝锂合金的合金成分和热处理工艺所涉及的特征数据作为输入值，进行铝锂合金应力-应变曲线的预测。但此发明的明显不足为数据来源置信度低，且模型难以准确预测材料加工硬化行为。
4、专利号为cn117219206a的发明专利提出了一种基于多模型融合的金属材料力学性能预测方法，包括：金属材料力学性能数据集特征构造、构建多层前馈神经网络的多参数力学性能预测模型和基于数据显著性特征筛选的金属材料力学性能预测模型、基于多模型融合的金属材料力学性能预测，解决了现有金属材料的力学性能无法快速准确预测的问题，并为替代材料取样试验提供技术支撑。然而，此发明的输入仅为部分属性参量(化学成分、金相组织、热处理状态)，并不是输入材料力学性能最根本微观组织信息，且神经网络模型简单导致预测精度不足，因此，预测准确性存在一定缺陷。
技术实现思路
1、本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于卷积神经网络双相钢加工硬化预测方法，实验和人工智能相结合，实现钢铁材料弹塑性变形过程中加工硬化行为的高精度、高效率、强普适预测。
2、为解决上述技术问题，本发明所采取的技术方案是：
3、一种基于深度学习的钢材力学属性预测方法，包括以下步骤：
4、步骤1：生产训练卷积神经网络的数据集；
5、将不同热处理工艺路径下获得的双相(dp)钢进行电子背散射衍射实验(即ebsd实验)，扫描获得不同热处理工艺下的双相钢微观组织结构图像质量图即bc图；
6、将bc图进行降噪、裁剪、数据扩充，最后划分得到用于训练、验证和测试卷积神经网络模型的数据集，其中训练集：验证集：测试集＝2：1：1；
7、步骤2：对dp钢进行力学性能测试，即进行沿x轴的单轴拉伸实验，获得不同体系下与ebsd扫描的bc图对应的应变、晶粒尺寸和加工硬化值，以获得不同微结构实时的力学性能；
8、步骤3：建立卷积神经网络模型并进行训练和评估；
9、步骤4：利用训练好的卷积神经网络模型进行dp钢材料加工硬化行为预测。
10、进一步地，所述步骤1中降噪、裁剪、数据扩充的具体方法为：
11、将bc图进行降噪处理，对bc图进行裁剪，保证子图与原图包含相似的微结构特征，获得与bc图微结构特征相近的多个子图，将获得的子图进行旋转、镜像扩充，并对图片进行标号。
12、进一步地，所述卷积神经网络模型以多模态数据融合后得到的融合矩阵作为输入，所述融合矩阵按以下方法得到：
13、利用步骤1中获得的子图点乘归一化后的热处理工艺温度和晶粒尺寸、真应变信息，创建多体系微观组织与热处理工艺信息相耦合的数据集，即将热处理工艺温度、晶粒尺寸和不同时刻的应变值归一化，然后将处理后的像素数据乘以bc图中每个点的像素矩阵，以创建融合矩阵。
14、进一步地，所述卷积神经网络模型包括：12层卷积层、6层池化层和6层全连接层；
15、12层卷积层将dp钢微结构图像中的特征全部存储在二维矩阵，随着网络的深入，学习到更加抽象和复杂特征，这对微结构决定的加工硬化行为的预测是至关重要的；
16、在每个卷积层之后加入整流线性单元激活函数即relu激活函数来增加模型非线性，提高模型表达能力，防止过拟合；
17、6层池化层降低特征空间维度，减少计算，同时保留重要的特征信息；
18、最后，将输出特征平化，转化为一维数字或向量的数组，并连接到多个全连接层；
19、在全连接层之间加入批归一化和dropout，批归一化将输入数据的分布转化均值为0，方差为1的标准正态分布，防止梯度分散，dropout通过随机删除深度神经网络中的神经单元的方式防止过拟合；
20、全连接层之后，利用一个非线性函数提取图像的特征信息，并将不同位置的信息建立联系；从而将全连接层在提取的特征信息和加工硬化行为之间建立联系。
21、进一步地，所述卷积神经网络模型采用adam优化器进行训练，并进行参数优化；卷积神经网络模型预测得到m个输出数值，对应于拉伸过程中不同时刻的应力值；取m个输出数值的中位数作为最终的性能预测结果；
22、所述卷积神经网络模型采用平方相关系数和平均绝对误差进行模型评估；模型精度不满足要求时，通过改变模型的卷积层深度、宽度，全连接层层数以及学习率，迭代次数优化深度学习模型，直至达到预测精度。
23、进一步地，所述adam优化器进行训练时，学习率为0.001，批处理为64，损失函数为l1。
24、进一步地，所述步骤4中dp钢材料力学性能预测，将训练好的卷积神经网络模型预测结果提取，并与实验值进行比较，分析预测精度。
25、采用上述技术方案所产生的有益效果在于：本发明提供的基于卷积神经网络的双相钢加工硬化预测方法，利用ebsd获得的bc图和对应的应力值建立高质量的数据集；卷积网络模型用来学习bc图中显微组织形貌特征，建立bc图与材料加工硬化之间的映射关系。采用卷积神经网络以真实材料的微观结构(晶粒形状、尺寸、相分布等)为设计变量，采用先进的人工智能方法识别拉伸过程中材料工艺和非线性微尺度特性的变化，弥补了现有方法的不足。同时提出的神经网络构架实现对不同体系dp钢力学性能的快速普适性预测，其预测精度达到95％，平均绝对误差小于40mpa。本发明由于可以直接从原始组织图片中提取信息而具有较高精度，避免了人工提取组织信息带来的误差。本发明实现简单，效率和普适性相比与传统方法得到提升，且并且该深度学习方法可以应用到具有复杂显微组织的钢种中，可用于不同合金体系，具有扩展性。
1.一种基于卷积神经网络的双相钢加工硬化预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于卷积神经网络的双相钢加工硬化预测方法，其特征在于：所述步骤1中降噪、裁剪、数据扩充的具体方法为：
3.根据权利要求1所述的基于卷积神经网络的双相钢加工硬化预测方法，其特征在于：所述卷积神经网络模型以多模态数据融合后得到的融合矩阵作为输入，所述融合矩阵按以下方法得到：
4.根据权利要求3所述的基于卷积神经网络的双相钢加工硬化预测方法，其特征在于：所述卷积神经网络模型包括：12层卷积层、6层池化层和6层全连接层；
5.根据权利要求4所述的基于卷积神经网络的双相钢加工硬化预测方法，其特征在于：所述卷积神经网络模型采用adam优化器进行训练，并进行参数优化；卷积神经网络模型预测得到m个输出数值，对应于拉伸过程中不同时刻的应力值；取m个输出数值的中位数作为最终的性能预测结果；
6.根据权利要求5所述的基于卷积神经网络的双相钢加工硬化预测方法，其特征在于：所述adam优化器进行训练时，学习率为0.001，批处理为64，损失函数为l1。
7.根据权利要求1所述的基于卷积神经网络的双相钢加工硬化预测方法，其特征在于：所述步骤4中dp钢加工硬化预测，比较不同卷积神经网络构架对预测精度的影响，提取最优架构；最终，将训练好的卷积神经网络模型预测结果提取，并与实验值进行比较，分析预测精度。
