(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111651345.X (22)申请日 2021.12.3 0 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区一 二— 大街文昌巷68号 (72)发明人 王海伟　种晓宇　 (74)专利代理 机构 昆明合盛知识产权代理事务 所(普通合伙) 53210 专利代理师 曹卫良 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 111/06(2020.01)G06F 119/08(2020.01) (54)发明名称 一种Fe-Mn-Al-C系低密度钢力学性能预测 方法 (57)摘要 基于GA‑BP神经网络的Fe ‑Mn‑Al‑C系低密度 钢力学性能预测方法， 其特征在于； 所述方法通 过遗传算法优化BP神经网络的阈值与权值， 利用 GA‑BP神经网络构建Fe ‑Mn‑Al‑C低密度钢成分、 热处理工艺和 力学性能之间的关联， 预测Fe ‑Mn‑ Al‑C低密度钢力学性能； 本发明通过遗传算法对 BP神经网络的阈值与权值进行优化， 使BP神经网 络既可以克服容易陷入局部极小值的缺陷， 又能 克服遗传算法局部搜索能力不强、 容易早熟的不 足， 相互取长补短； 利用GA ‑BP神经网络构建Fe ‑ Mn‑Al‑C低密度钢成分、 热处理工艺和力学性能 之间的关联， 从而对Fe ‑Mn‑Al‑C低密度钢力学性 能进行快速准确的预测， 为优化低密度钢的成分 和热处理工艺提供一种有效的方法， 提高了Fe ‑ Mn‑Al‑C系低密度钢研发效率， 降低了 研发成本。 权利要求书1页 说明书4页 附图2页 CN 115017792 A 2022.09.06 CN 115017792 A 1.基于GA ‑BP神经网络的F e‑Mn‑Al‑C系低密度钢力学性能预测方法， 其特 征在于； 所述方法通过遗传算法优化BP神经网络的阈值与权值， 利用GA ‑BP神经网络构建Fe ‑ Mn‑Al‑C低密度钢成分、 热处理工艺和 力学性能之间的关联， 预测Fe ‑Mn‑Al‑C低密度钢力学 性能。 2.根据权利要求1所述基于GA ‑BP神经网络 的Fe‑Mn‑Al‑C系低密度钢力学性能预测方 法， 其特征在于； 所述方法包括以下 具体步骤： Step1收集F e‑Mn‑Al‑C系低密度钢数据， 归一 化后得到训练GA ‑BP神经网络的数据集； Step2采用输入层、 隐含层和输出层三层网络结构， 构建BP神经网络结构 Step3设置 遗传算法初始参数， 将BP神经网络初始权值和阈值进行编码 Step4选择适用度函数， 用每组染色体构造BP神经网络进行预测， 根据预测结果计算适 用度值， 并进行选择， 交叉和变异操作 Step5将新得到 的染色体进行解码， 重复step4， 不断的对个体进行选择、 交叉、 变异操 作并记录适用度值， 直至达到遗传迭代 次数上限， 适用度最优解所对应的染色体为所建立 GA‑BP神经网络所对应的最优权值和阈值， Step6将最优权值和阈值赋予BP神经网络并进行训练， 直至预测输出误差小于给定值 或者循环次数超过训练设置次数 上限， 该GA ‑BP神经网络训练完成。 3.根据权利要求2所述基于GA ‑BP神经网络 的Fe‑Mn‑Al‑C系低密度钢力学性能预测方 法， 其特征在于； 所述step1中合金成分包括13种元素成分(Fe、 Mn、 Al、 C、 Si、 P、 S、 Ti、 N、 Nb、 Cr、 Ni、 Mo)； 热处理工艺包括均匀化 温度、 均匀化时间、 热轧温度、 退火温度、 退火时间、 固溶 温度、 固溶时间、 退火温度、 退火时间、 淬火方式、 时效温度、 时效时间。 4.根据权利要求2所述基于GA ‑BP神经网络 的Fe‑Mn‑Al‑C系低密度钢力学性能预测方 法， 其特征在于； 所述step3中遗传算法初始 参数： 包括种群规模、 遗传代数、 选择操作方法、 交叉操作算子和变异概 率。 5.根据权利要求4所述基于GA ‑BP神经网络 的Fe‑Mn‑Al‑C系低密度钢力学性能预测方 法， 其特征在于； 所述种群规模取50， 遗传代数取100， 选择操作采用轮盘赌方法， 交叉操作 采用单点交叉算子， 变异概 率取0.001‑0.1。 6.根据权利要求2所述基于GA ‑BP神经网络 的Fe‑Mn‑Al‑C系低密度钢力学性能预测方 法， 其特征在于； 所述step4中适用度计算公式如下： 式中， F为适用度值， n为BP神经网络输出节点， yi为BP神经网络第i个节点的期望输出， oi为BP神经网络第i个节点的实际输出， k 为系数。权　利　要　求　书 1/1 页 2 CN 115017792 A 2一种Fe‑Mn‑Al‑C系低密度钢力学性能预测方 法 技术领域 [0001]本发明涉及一种Fe ‑Mn‑Al‑C系低密度钢力学性能预测方法， 属于低密度钢力学性 能预测技 术领域。 背景技术 [0002]低密度钢 是指向钢中加入Mn、 Al、 C等轻量化元素使得合金密度降低。 Fe ‑Mn‑Al‑C 低密度钢是一类具有优异力学性能的低密度钢(屈服强度： 0.4 ‑1.0GPa， 极限抗拉强度： 0.6‑2.0GPa， 延伸率： 30 ‑100％)。 Mn和Al的加入对钢的力学性能和抗氧化性产生重要影响， 同时使用Mn和A l代替昂贵的Cr ‑Ni不仅降低成本， 也减小了密度， Al的添加能够通过降低材 料平均摩尔质量及晶格膨胀来有效的降低钢材密度， Mn的加入则可以有效的稳定奥氏体组 织， 避免由于Al的添加而产生较多铁素体进而影响低密度钢的力学性能。 但由于添加了大 量的Al(高达13％)、 Mn元素(高达32％)， 使得这些钢的冶 炼、 加工、 显微组织演变和变形机 制等与常规钢种大不相同， 采用传统的经验与试错法使 得Fe‑Mn‑Al‑C低密度钢研发过程 缓 慢而昂贵。 [0003]作为材料性能预测的一种新方法， 机器学习方法被广泛的应用于材料性能预测 中。 Fe‑Mn‑Al‑C低密度钢成分、 工艺、 性能之间为复杂的非线性关系， 不能用简单的数学关 系式表达。 BP神经网络具有 无限逼近非线性映射的特征， 但 容易陷入“局部极小 ”， 导致其全 局搜索能力弱、 寻优性能不高。 遗传算法具有很强的全局搜索能力和鲁棒性， 但是局部搜索 能力不足。 [0004]因此， 现目前需要一种能快速准确的F e‑Mn‑Al‑C系低密度钢力学性能预测方法。 发明内容 [0005]为了解决上述技术问题， 本 发明提供了一种Fe ‑Mn‑Al‑C系低密度钢力学性能预测 方法， 结合BP神经网络和遗传算法， 以解决上述的局部 搜索能力 弱、 寻优性能不高的问题。 [0006]为了达到解决上述技术问题的技术效果， 本发明是通过以下技术方案实现的： 一 种Fe‑Mn‑Al‑C系低密度钢力学性能预测方法， 其特 征在于； [0007]所述方法通过遗传算法优化BP神 经网络的阈值与权值， 利用GA ‑BP神经网络构建 Fe‑Mn‑Al‑C低密度钢成分、 热处理工艺和力学性能之间的关联， 预测Fe ‑Mn‑Al‑C低密度钢 力学性能； [0008]进一步的， 所述方法包括以下 具体步骤： [0009]Step1收集Fe ‑Mn‑Al‑C系低密度钢数据， 归一化后得到训练GA ‑BP神经网络的数据 集； [0010]Step2采用输入层、 隐含层和输出层三层网络结构， 构建BP神经网络结构 [0011]Step3设置 遗传算法初始参数， 将BP神经网络初始权值和阈值进行编码 [0012]Step4选择适用度函数， 用每组染色体构造BP神经 网络进行预测， 根据预测结果计 算适用度值， 并进行选择， 交叉和变异操作说　明　书 1/4 页 3 CN 115017792 A 3