基于小样本学习的高温合金增材制造工艺优化预测方法与流程

本发明涉及高温合金，尤其涉及基于小样本学习的高温合金增材制造工艺优化预测方法。

背景技术：

1、高温合金通常是指能在600~1200°c的高温下抗氧化、抗腐蚀、抗蠕变，并能在较高的机械应力作用下长期工作的合金材料。高温合金按基体元素分为铁基、镍基、钴基等高温合金，镍基高温合金应用范围最广，占比达80%；其次为镍-铁基，占比14.3%；钴基占比最少，占比5.7%。高温合金材料最初主要应用于航空航天领域，由于其有着优良的耐高温、耐腐蚀等性能，逐渐被应用到能源、汽车、冶金、玻璃制造等工业领域。随着高温合金材料的发展，新型高温合金材料的出现，高温合金的市场需求处于逐步扩大和增长态势。

2、20世纪80年代后期发展起来的增材制造技术（additive manufacturing, am）作为一种先进的一体化制造技术，正逐渐成为高温合金复杂构件制备的颠覆性技术。激光增材制造便是一种以高能激光束为能量源的增材制造技术。将激光增材制造应用于高温合金的制造具有独特的优势，激光具有高能量密度，适用于高熔点金属的加工制造；与传统的切削加工相比，具有极高的材料利用率；激光增材制造不受限于零件形状与内部结构，能加工形状复杂、结构复杂的零件；且具有多种类、快速响应等优势。

3、近年来，研究人员在高温合金激光增材制造工艺优化方面开展了广泛的研究。moradi等使用全因子设计实验方法，系统研究了激光扫描速度、送粉速率和扫描策略对直接激光金属沉积（direct laser metal deposition, dlmd）增材制造in 718合金的几何尺寸、硬度标准差和增材制造壁稳定性的影响，并基于统计分析获得了最佳的工艺条件；benoit等研究了合金成分和lpbf工艺参数对in625合金缺陷形成的影响规律；zhong等实验分析发现，在相同的增材制造工艺参数条件下，in 625合金的致密度显著高于in 718合金。

4、上述研究工作均表明，在合金成分一定的情况下，不同激光增材制造工艺参数对高温合金的微观组织、致密度（或孔隙率）、力学性能（抗拉强度、屈服强度、伸长率）等性能有着显著影响。但由于这些工艺参数交互影响，呈现高度的非线性规律，因此其是一个多维非线性的映射问题，采用传统的试验分析方法将十分的耗时耗力且研发成本高昂。因此，如能在尽可能少实验的条件下，借助新型技术手段，构建起“不同增材制造工艺参数——高温合金性能”间的数学模型，利用模型实现对不同工艺对合金性能影响地快速预测分析，将对于促进我国新型高温合金的开发具有重要作用。

5、机器学习（machine learning，ml）是一种涉及概率论、统计学、计算机科学等多门学科，通过在计算机中输入大量数据对模型进行训练，使模型掌握数据蕴含的潜在规律，进而对新数据进行准确的分类或预测的新型技术。在材料科学研究中，常借助其来快速寻找得到最佳的成分配方和制备工艺参数组合，bp（back propagation，bp）神经网络技术便是其中应用较为广泛和成功的一种。bp网络也称前馈神经网络，是一种误差反向传播进行训练的算法，其原理简单，计算精度较高，目前已被应用于众多领域。发明专利（cn 107609647a）公开了“一种基于bp神经网络的轧辊合金力学性能预测方法”，发明人通过构建轧辊合金成分、热处理工艺参数和力学性能间的bp网络模型，实现了最优参数组合的筛选。发明专利（cn 111241750 a）公开了“一种结合遗传算法的bp网络冷轧带钢力学性能预测方法”，发明人以bp网络为中心，利用遗传算法对bp网络进行改进，建立了冷轧带钢力学性能的预测模型，提高了生产效率。然而，长期以来，由于高温合金研发成本高、技术难度大，同时国内激光增材制造领域研究起步较晚，因此急需一种将小样本机器学习技术应用到高温合金性能预测的方法，以解决现有研究工作采用单因素控制变量法，实验量大、研发成本高，难以通过建立简单的数学模型表达不同工艺参数内在联系的问题。

技术实现思路

1、为了克服现有普通bp网络技术对于小样本数据预测精度欠佳，同时容易陷入局部最小化的不足，本发明的目的在于提供基于遗传算法（genetic algorithms，ga）改进bp网络模型（即ga-bp模型）的高温合金工艺-性能预测方法，用于预测不同增材制造工艺下的高温合金孔隙率性能，从而实现工艺参数单独及交互作用下对合金孔隙率的影响分析，为优化最佳工艺参数组合，制备优异耐高温合金，提供一种新的高效技术手段。

2、本发明提供基于遗传算法改进bp网络模型的高温合金增材制造工艺参数优化预测方法，包括以下步骤：

3、获取原始数据样本，将高温合金试样的孔隙率作为研究对象，确定输入变量和输出变量，开展激光打印，获得原始数据样本；

4、构建普通bp网络模型，确定bp网络拓扑结构，设定训练函数、学习率、传递函数、训练步数和最大允许误差，通过从所述原始数据样本中选取的训练样本构建不同增材工艺-孔隙率的bp网络模型；

5、验证bp网络模型，通过从所述原始数据样本中随机选取的测试样本对构建的bp网络模型进行验证。

6、构建ga-bp网络模型，通过种群初始化、适应度函数、选择操作、交叉操作和变异操作，设定ga-bp模型的迭代次数、种群规模、交叉概率以及变异概率等参数，通过从所述原始数据样本中随机选取的训练样本构建不同增材工艺-孔隙率的ga-bp网络模型；

7、验证ga-bp网络模型，通过从所述原始数据样本中随机选取的测试样本对构建的ga-bp网络模型进行验证，并将之与普通bp模型进行对比。

8、进一步地，所述获取原始数据样本步骤中，所述输入变量包括激光功率p（单位：w）、激光扫描速度v（单位：mm/s）、扫描间距y（单位：μm）、纵向铺粉厚度d（单位：μm），所述输出变量为样品的孔隙率（平均体积分数%）。

9、进一步地，所述构建bp网络模型步骤中，所述bp网络拓扑结构为三层，分别为输入层、隐含层和输出层，输入层节点数为4，输出层节点数为1，隐含层节点数取值范围为[2-10]。

10、进一步地，所述构建bp网络模型步骤中，训练函数为trainlm，学习函数为leargdm，传递函数为tansig、purelin，学习率设为0.1，最大迭代次数为2000次，目标误差e为1x10-2。

11、进一步地，所述验证bp网络模型步骤中，从样本中随机选取未参加bp网络模型训练的样本，对构建的bp网络模型进行预测检验，通过实测和预测值间的相对误差比较，评价模型的泛化能力。

12、进一步地，所述构建ga-bp网络模型步骤中，用遗传算法来优化bp神经网络的初始权值和阈值，使优化后的bp神经网络能够更好地预测函数输出。设置：迭代次数为50次，种群规模为10，交叉概率为0.8，变异概率为0.2。

13、进一步地，所述验证ga-bp网络模型步骤中，从样本中选取未参加ga-bp网络模型训练的样本，对构建的ga-bp网络模型进行预测检验，通过实测和预测值间的相对误差比较，评价模型改进后的泛化能力。

14、相比现有技术，本发明的有益效果在于：

15、本发明针对不同增材制造工艺对高温合金孔隙率性能影响预测问题，以bp网络模型为中心，结合遗传算法ga优化初始权值和阈值，解决了传统bp网络方法在预报应用中，普遍存在的过度拟合、收敛速度慢和泛化能力差等问题，有效改善了传统bp网络模型的预测精度和泛化能力，构建了高温合金增材制造工艺参数与孔隙率性能的非线性映射关系模型，解决了目前通过大量实验法进行高温合金性能研究而造成的研发周期长、效率低以及成本浪费问题，为新型高温合金研发提供了一种新的技术手段。

16、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。