-
公开(公告)号：CN118629549A
公开(公告)日：2024-09-10
申请号：CN202410697379.X
申请日：2024-05-31
Applicant: 鞍钢集团北京研究院有限公司 , 东北大学
IPC: G16C60/00 , G16C20/70 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于图神经网络的钢铁材料马氏体相变起始温度预测方法，涉及温度预测技术领域，本发明首先构建包含钢铁材料的化学成分、奥氏体晶粒尺寸、磁场以及预应变四个不同影响因素的数据库，从而得到基础数据集；基于基础数据集进行热力学知识图谱的构建，构建图卷积神经网络DDM‑GNN模型；设置迭代次数、学习率、批量以及损失函数，在进行热力学知识图谱中的特征和关系信息相融合时，采用矩阵拼接的方式来获得邻接卷积矩阵；采用全连接层来连接输出，得到预测的Ms温度；通过采用自适应矩估计法Adam对DDM‑DNN模型进行训练，最终取出训练过程中损失函数最小的模型作为最终模型Best_Model，实现温度预测。
-
公开(公告)号：CN111915602B
公开(公告)日：2023-07-11
申请号：CN202010816423.6
申请日：2020-08-14
Applicant: 东北大学
IPC: G06T7/00 , G06T7/11 , G06T7/90 , G06V10/82 , G06N3/08 , G06V10/774 , G06N3/0464
Abstract: 本发明提供一种结合EBSD与深度学习方法的钢铁材料组织定量化方法，涉及钢铁材料显微组织识别和深度学习应用技术领域。相比于传统基于深度学习的显微组织识别方法，本方法由于高质量数据集的建立进而提高了显微组织识别模型的精度，并且使得基于深度学习的图像识别方法可以应用到具有复杂显微组织的实际工程钢种，大幅提升此类方法的实际应用价值。基于EBSD方法可以准确标定复杂显微组织，从而使得深度学习显微组织鉴别方法可以应用至含有十分复杂显微组织的实际工程钢种，大幅提升深度学习方法的实际应用价值。除此之外，当前图像识别模型建立起SEM与EBSD之间的关联，训练后的模型可以通过数据简单的SEM图像便可获得EBSD“相图”。
-
公开(公告)号：CN114032473B
公开(公告)日：2022-04-22
申请号：CN202111438757.5
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: C22C38/20 , C22C38/24 , C22C38/26 , C22C38/28 , C22C38/34 , C22C38/38 , C21C5/28 , C21C7/00 , C21C7/06 , C22C33/04
Abstract: 本发明属于钢铁冶炼铸造技术领域，具体涉及一种免涂层热成形钢的合金加入方法。针对免涂层热成形钢钢种要求的含硅、锰和铬合金加入量较大的问题，通过合理匹配转炉炼钢在钢包合金加入和精炼LF炉合金加入两种方式，达到准确控制用于免涂层热成形钢合金成分的目的。采用转炉和精炼LF钢包炉两工序中进行一次合金化和二次合金化，完成该钢种合金化的过程，优化其合金的加入配比关系，达到准确控制该牌号的成分。同时也能提高合金收得率，节约了成本。
-
公开(公告)号：CN114032473A
公开(公告)日：2022-02-11
申请号：CN202111438757.5
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: C22C38/20 , C22C38/24 , C22C38/26 , C22C38/28 , C22C38/34 , C22C38/38 , C21C5/28 , C21C7/00 , C21C7/06 , C22C33/04
Abstract: 本发明属于钢铁冶炼铸造技术领域，具体涉及一种免涂层热成形钢的合金加入方法。针对免涂层热成形钢钢种要求的含硅、锰和铬合金加入量较大的问题，通过合理匹配转炉炼钢在钢包合金加入和精炼LF炉合金加入两种方式，达到准确控制用于免涂层热成形钢合金成分的目的。采用转炉和精炼LF钢包炉两工序中进行一次合金化和二次合金化，完成该钢种合金化的过程，优化其合金的加入配比关系，达到准确控制该牌号的成分。同时也能提高合金收得率，节约了成本。
-
公开(公告)号：CN111915603A
公开(公告)日：2020-11-10
申请号：CN202010816633.5
申请日：2020-08-14
Applicant: 东北大学
Abstract: 本发明提供一种含噪声EBSD数据中无噪声相图的人工智能预测方法，涉及EBSD数据处理及人工智能应用技术领域。通过深度学习方法建立EBSD的Band Contrast map(BC图)与phase map(相图)之间的对应关系。为使模型可以通过输入含噪声的BC图预测其对应的无噪声相图，模型训练时将噪声人工引入到训练数据中，应用深度学习建立起噪声BC图像与无噪声相图之间的关系。该方法大幅提升了EBSD噪声数据的可利用价值，相比于EBSD处理软件，该方法预测的相图具有更高的精度。基于此模型可以通过输入含噪声BC图像直接预测得到无噪声的相图，使低质量高噪声的EBSD数据具有更高的可利用价值，提升了EBSD方法对于噪声的鲁棒性，降低了由于噪声造成无效数据带来的时间和经济损失。
-
Patent Agency Ranking
公开(公告)号：CN111915602A
公开(公告)日：2020-11-10
申请号：CN202010816423.6
申请日：2020-08-14
Applicant: 东北大学
Abstract: 本发明提供一种结合EBSD与深度学习方法的钢铁材料组织定量化方法，涉及钢铁材料显微组织识别和深度学习应用技术领域。相比于传统基于深度学习的显微组织识别方法，本方法由于高质量数据集的建立进而提高了显微组织识别模型的精度，并且使得基于深度学习的图像识别方法可以应用到具有复杂显微组织的实际工程钢种，大幅提升此类方法的实际应用价值。基于EBSD方法可以准确标定复杂显微组织，从而使得深度学习显微组织鉴别方法可以应用至含有十分复杂显微组织的实际工程钢种，大幅提升深度学习方法的实际应用价值。除此之外，当前图像识别模型建立起SEM与EBSD之间的关联，训练后的模型可以通过数据简单的SEM图像便可获得EBSD“相图”。
-
公开(公告)号：CN110273095A
公开(公告)日：2019-09-24
申请号：CN201910232105.2
申请日：2019-03-26
Applicant: 东北大学
Abstract: 本发明提供了一种抗拉强度1.5GPa中熵合金的制备方法，其步骤包括：选取CoCrNi三元中熵合金作坯料，其Co、Cr及Ni原子百分比为1：1：1；将坯料加热轧制成4～12mm的板材，然后空冷至室温；将空冷后的板材在加热炉中加热，保温，然后淬火至室温，再在-50℃的温度下进行冷轧，总变形量为75％，得到厚度为1～3mm的板材；将1～3mm板材在退火炉中加热，保温，然后淬火至室温，得到抗拉强度1.5GPa的中熵合金。本发明提供的一种抗拉强度1.5GPa中熵合金的制备方法，制得的中熵合金具有高强度与高塑性。
-
公开(公告)号：CN119020699A
公开(公告)日：2024-11-26
申请号：CN202411534249.0
申请日：2024-10-31
Applicant: 东北大学
IPC: C22C38/08 , C22C38/04 , C22C38/12 , C22C38/02 , C22C38/06 , C22C33/04 , C21D8/00 , C21D1/25 , C21D1/18
Abstract: 一种V‑N微合金化及多级热处理调控的高强韧低温海工钢及其制法，属于低温合金用钢冶炼技术领域。本发明将V‑N微合金化与多级热处理相结合，降低Ni含量，添加V、N元素，同时结合热轧直接淬火‑高温淬火‑亚温淬火‑回火多级热处理工艺，在节省资源的同时，提高了材料的强度和低温韧性，从而达到更好的强度和韧性匹配，获得一种综合性能良好的低温海洋工程用钢，为高性能海洋工程用钢的合金设计和工艺优化提供指导。
-
公开(公告)号：CN113033105B
公开(公告)日：2023-09-19
申请号：CN202110368797.0
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/27 , G06F119/04 , G06F119/14
Abstract: 本发明提供一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明将力学理论机制引入到机器学习中，解决了材料高成本属性预测的小样本问题。通过基于力学理论指导建立钢种成分、工艺与目标性能之间的关系。本方法针对获取成本高的目标性能，利用目标性能与源性能间的高相关性，即基于力学理论指导，仅利用数十组目标性能数据便可建立起准确预测目标性能的迁移学习模型。该方法显著降低了机器学习对于高成本目标性能的数据量要求，显著提高了高成本目标性能评估、预测效率，并最终有利于提高新材料研发速率。
-
公开(公告)号：CN116469496A
公开(公告)日：2023-07-21
申请号：CN202310519932.6
申请日：2023-05-10
Applicant: 东北大学
IPC: G16C60/00 , G16C10/00 , G06F30/27 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/126 , G06F18/2411
Abstract: 本发明提供物理冶金原理指导图神经网络的抗蠕变不锈钢设计方法，涉及钢铁材料设计和机器学习应用的技术领域；首先收集蠕变数据，建立蠕变数据集，将数据随机划分为训练集和测试集50次；根据训练集建立基于物理冶金学原理指导的图神经网络模型GNN‑PM；将相关系数大于90％的GNN‑PM模型作为遗传算法中的目标函数；得到优化后的化学成分、加工工艺及最佳抗蠕变性能的不锈钢；最后采用SVC分类器对得到的设计结果进行分类筛选，输出其典型合金的化学成分、加工工艺和蠕变寿命；本方法将物理冶金原理引入到机器学习中，同时结合优化算法形成完备的设计方案，使设计结果更加符合物理冶金学原理。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.017 seconds)
