CN114974465B 基于迁移学习算法的材料流动应力预测方法及系统 （上海交通大学）

基于迁移学习算法的材料流动应力预测方一种基于迁移学习算法的材料流动应力预合并生成模型训练集后，使用改进的两阶段TrAdaBoost.R2算法在模型训练集上进行流动应线进行预测，将得到的应力-应变预测曲线用于此批次金属在数据集中包含的温度和应变速率2所述的辅助训练数据集中包含至少3个不同源的相似材料流动应力实验数据，辅助训练数据集中的数据至少覆盖通过实验获得的待预测材料的流动应力数据的温度和应变速所述的与待预测材料相似材料是指：包括材料成分相近但不需完全相同f:x→JV；所述的改进两阶段TrAdaBoost.R2算法属于基于实例的迁移学习算法步骤①对目标训练数据集Ttarget和辅助训练数据集Tsource中以当前目标训练数据集T’target,当前辅助训练数据集T’source为输入调用两阶段标训练集Ttarget数据量远小于辅助训练集Tsource造成的目标训练集Ttarget初始权值过低的问模型作为最终的训练结果；3步骤②重复步骤①直至未访问的辅助训练数据集Tsource中实例与目标训练数据集步骤④在合并训练集上调用两阶段TrAdaBoost.所述的辅助训练数据集中包含的数据来自越多不同源的相似材料，改进两阶段TrAdaBoost.R2算法通过权值变更选出对待预测材料的流动应力预测有积极效果的数据的可能性越大；辅助数据集中数据覆盖的温度和应变速率范围决定模型可预测范围的上限，故辅助训练数据集中的数据包括来自更多不同来源的相似材料流动应力实验数据和实验5.一种实现权利要求1~4中任一所述基于迁移学习算法的材料流动应力预测方法的系4[0001]本发明涉及的是一种材料力学领域的预测技术，具体是一种基于改进两阶段[0004]本发明针对现有技术针对当前机器学习方法应用于流动应力预测仅限于独立同目标训练数据合并生成模型训练集后，使用改进的两阶段TrAdaBoost.R2算法在模型训练5[0009]所述的辅助训练数据集中包含至少3个不同源的相似材料流动应力实验数据，辅助训练数据集中的数据至少覆盖通过实验获得的待预测材料的流动应力数据的温度和应[0010]所述的辅助训练数据集中包含的数据来自越多不同源的相似材料，改进两阶段TrAdaBoost.R2算法通过权值变更选出对待预测材料的流动应力预测有积极效果的数据的同来源的相似材料流动应力实验数据和实验数据覆盖更大的温度[0011]所述的TrAdaBoost.R2算法，记载于PardoeD,StoneP.《BoostingforMachineLearning(ICML-10),June21-24,2[0015]步骤2：通过力学实验获取待预测材料的流动应力实验数据，作为目标训练数据[0017]所述的力学实验，获取至少3条不同温度和应变速率组合的流动应力曲线包含的[0018]步骤3：将辅助训练数据和目标训练数据合并作为训练流动应力预测模型的数据[0021]所述的改进两阶段TrAdaBoost.R2算法[0022]步骤①对目标训练数据集Ttarget和辅助训练数据集Tsource取两个示例空间交集中的数据，得到当前目标训练数据集T’target，当前辅助训练数据集6免目标训练集Ttarget数据量远小于辅助训练集Tsource造成的目标训练集Ttarget初始权值过低[0026]步骤②重复步骤①直至未访问的辅助训练数据集Tsource中实例与目标训练数据集数据集和目标训练数据集作为训练使用的数据集(T)；超参数验证模块调整改进两阶段TrAdaBoost.R2算法超参数，通过交叉验证，得到在目标训练数据集上回归误差最小的模[0032]本发明整体解决了现有技术仅使用非迁移学习算法(包括神经网络和支持向量机用的迁移学习算法(改进两阶段TrAdaBoost.R2算法)具有从辅助训练数据集获取对待预测7[0040]步骤2)通过实验获取少量待预测材料的流动应力数据，作为目标训练数据集[0044]改进两阶段TrAdaBoost.R2算法在真实数据集上的表现证明其可以较为准确的预集包含3条(600个数据点)待预测工业纯钛的已知流动应力曲线，共600个实例。合并数据8曲线预测问题上的有效性。改进两阶段TrAdaBoost.R2算法回归误差小于两阶段出，相比较其他两种算法，改进两阶段TrAdaBoost.R2算法具有对曲线形态最好的预测能[0047]本发明由于确定了两阶段TrAdaBoost.前，增加步骤1数据增强阶段，从而解决流动应力预测问题，对经典迁移学习算法两阶段TrAdaBoost.R2进行了针对流动应力预测的改进，并建立了基于迁移学习算法的流动应力[0048]上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整