-
公开(公告)号：CN113032909B
公开(公告)日：2023-09-05
申请号：CN202110368791.3
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/15 , G06F30/17 , G06F30/27 , G06F119/14 , G06F119/22
Abstract: 本发明提供一种分子动力学指导的机器学习的激光制孔结果预测方法，涉及激光制孔和机器学习应用技术领域。本发明应用分子动力学微观物理模型指导的支持向量回归(SVR‑MD)建立起飞秒激光制孔工艺参数与目标性能之间的关系，形成了完整的飞秒激光制孔效率及质量的预测平台。通过将与目标性能高度相关的微观物理参量添加数据集中，参与模型训练及设计过程，使机器学习过程富有物理意义，相比于单纯的机器学习模型，分子动力学指导下的机器学习预测精度更高，成功构建了飞秒激光在金属镍靶材上冲击制孔效率及质量的预测模型。
-
公开(公告)号：CN116426846A
公开(公告)日：2023-07-14
申请号：CN202310476749.2
申请日：2023-04-28
Applicant: 东北大学
IPC: C22C38/52 , C22C38/44 , C22C38/46 , C22C38/06 , C22C33/04 , C21D1/28 , C21D1/26 , C21D6/00 , C21D1/18 , C21D6/04
Abstract: 本发明提供一种复相析出的2.4GPa含铝高钴镍二次硬化钢及其制备方法，属于合金钢技术领域。这种基于性能优良的二次硬化型超高强度钢，在目前的高钴镍二次硬化钢M54合金成分基础上，加入1％的Al元素以引入能带来显著析出强化效果的纳米级NiAl相，实现与M2C碳化物的复相析出，以复合析出强化的方式达到高的屈服强度和抗拉强度，其制备方法拓宽了其回火热处理窗口，一次回火在所述温度范围内可任意选择，两种析出相的峰时效都在这个温度范围内，温度更高或更低都会严重削弱析出强化效果，最终的强度均可达到2400MPa，第二次回火使析出相强化作用更稳定，强塑性匹配更好，一定程度上解决了单一析出相对过时效敏感的问题。
-
公开(公告)号：CN111915603B
公开(公告)日：2023-07-11
申请号：CN202010816633.5
申请日：2020-08-14
Applicant: 东北大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464 , G06T3/40
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。
-
公开(公告)号：CN113832407B
公开(公告)日：2022-02-22
申请号：CN202111427659.1
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: C22C38/02 , C22C38/04 , C22C38/06 , C22C38/20 , C22C38/24 , C22C38/26 , C22C38/28 , C22C38/38 , C21D8/02
Abstract: 本发明属于金属加工技术领域，具体涉及一种厚规格热成形钢的制备方法、热轧钢板及热成形钢。针对现有技术中存在的问题，本发明提供一种应用了低成本高Cr‑Si合金化成分体系，且操作简单的1700MPa级免镀层厚规格热成形钢制备方法，制备厚度大于4.5mm小于等于10mm的1700MPa级热成形用厚规格热轧钢板和热成形钢，特别是能制备现有热成形钢无法达到的高强度且厚度规格不低于6mm的热成形用热轧钢板和热成形钢，并且能够只通过热轧、不经过冷轧而完成制备。本发明的制备方法成本低、工艺简单，制备的热成形钢具有高淬透性、组织成分均匀，综合性能优异，且钢种具有良好的抗高温氧化能力，不需要镀层或抛丸即可进行热成形加工。
-
公开(公告)号：CN113832407A
公开(公告)日：2021-12-24
申请号：CN202111427659.1
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: C22C38/02 , C22C38/04 , C22C38/06 , C22C38/20 , C22C38/24 , C22C38/26 , C22C38/28 , C22C38/38 , C21D8/02
Abstract: 本发明属于金属加工技术领域，具体涉及一种厚规格热成形钢的制备方法、热轧钢板及热成形钢。针对现有技术中存在的问题，本发明提供一种应用了低成本高Cr‑Si合金化成分体系，且操作简单的1700MPa级免镀层厚规格热成形钢制备方法，制备厚度大于4.5mm小于等于10mm的1700MPa级热成形用厚规格热轧钢板和热成形钢，特别是能制备现有热成形钢无法达到的高强度且厚度规格不低于6mm的热成形用热轧钢板和热成形钢，并且能够只通过热轧、不经过冷轧而完成制备。本发明的制备方法成本低、工艺简单，制备的热成形钢具有高淬透性、组织成分均匀，综合性能优异，且钢种具有良好的抗高温氧化能力，不需要镀层或抛丸即可进行热成形加工。
-
Patent Agency Ranking
公开(公告)号：CN113033106A
公开(公告)日：2021-06-25
申请号：CN202110368798.5
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/27 , G06F119/02 , G06F119/14
Abstract: 本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。
-
公开(公告)号：CN110442954A
公开(公告)日：2019-11-12
申请号：CN201910698771.5
申请日：2019-07-31
Applicant: 东北大学 , 本钢板材股份有限公司
Abstract: 本发明提供一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，涉及钢铁材料设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得超高强不锈钢，对不锈钢的成分及热处理条件进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、硬度。该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。
-
公开(公告)号：CN110428876A
公开(公告)日：2019-11-08
申请号：CN201910698739.7
申请日：2019-07-31
Applicant: 东北大学 , 本钢板材股份有限公司
Abstract: 本发明提供一种基于物理指导的机器学习算法的钢铁材料设计方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的支持向量机模型；将基于物理冶金学指导的支持向量机模型的相关系数大于90％的作为遗传算法中的目标函数；得到优化后的成分、工艺及最佳目标性能的材料；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、目标性能。本方法将物理冶金机制引入到机器学习中，同时结合优化算法形成完备的设计平台，设计结果更加符合物理冶金学原理。
-
公开(公告)号：CN110415769A
公开(公告)日：2019-11-05
申请号：CN201910698854.4
申请日：2019-07-31
Applicant: 东北大学 , 本钢板材股份有限公司
Abstract: 本发明提供一种基于物理冶金学指导下机器学习的低活化钢的设计方法，涉及材料计算设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得最佳强度的低活化钢，对低活化钢的成分及工艺进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、屈服强度。该方法使基于统计学的机器学习富有了物理冶金学含义，并且该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。
-
公开(公告)号：CN118824429A
公开(公告)日：2024-10-22
申请号：CN202410853700.9
申请日：2024-06-28
Applicant: 鞍钢集团北京研究院有限公司 , 东北大学
IPC: G16C60/00 , G16C20/70 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06V20/69 , G06V10/82
Abstract: 本发明提供一种基于卷积神经网络的双相钢加工硬化预测方法，涉及材料力学性能分析技术领域。利用EBSD实验获得的BC图和材料力学属性建立高质量的数据集；深度学习模型用来学习BC图中显微组织形貌特征，建立BC图与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成分和非线性微尺度特性的变化，同时实现对不同体系DP钢加工硬化的高效普适性预测。本发明实现简单，效率和普适性相比与传统方法得到提升，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。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.032 seconds)
