-
公开(公告)号：CN112951344A
公开(公告)日：2021-06-11
申请号：CN202110090971.X
申请日：2021-01-22
Applicant: 华东理工大学
Abstract: 本发明提供基于机器学习的材料均匀延伸率预测方法，包括：初步获取若干组待测材料的微观结构参数及均匀延伸率，得到标准数据集；根据标准数据集对第一极限学习机模型进行训练和测试，得到初始均匀延伸率预测模型；有针对性地再获取若干组待测材料的微观结构参数及均匀延伸率，得到真实数据集和第二均匀延伸率预测模型；利用结合粒子群优化算法的虚拟样本生成方法，围绕一部分真实样本生成虚拟样本；使用第二均匀延伸率预测模型对全部样本进行训练和测试，得到最终均匀延伸率预测模型。本发明的均匀延伸率预测方法，能够以较少的数据量，较为准确地预测均匀延伸率；本发明可以节省原始材料成本和计算时间成本，具有高精度、低成本的优点。
-
公开(公告)号：CN113361025B
公开(公告)日：2024-03-29
申请号：CN202110466876.5
申请日：2021-04-28
Applicant: 华东理工大学
IPC: G06F30/17 , G06F30/27 , G06F119/02 , G06F119/04
Abstract: 本发明涉及一种基于机器学习的蠕变疲劳概率损伤评定方法，包括：S1：获得试样不同工况下的原始小样本；S2：利用SMOTE获得不同工况下的虚拟样本；S3：训练GRNN模型，并根据预测误差更新换代虚拟样本；S4：生成针对原始小样本的扩充样本，混合扩充样本和原始小样本并估计其寿命分布；S5：计算每周次蠕变疲劳损伤，通过蒙特卡洛模拟获得随机总蠕变损伤和总疲劳损伤；S6：计算安全包络线的可信度，得到蠕变疲劳概率损伤评定图。本发明的方法，考虑实际寿命的分散性，获得具体的寿命分布特征，从而得到了随机的总蠕变疲劳损伤和安全设计包络线的可信度，实现了由确定性设计到不确定性设计的过渡。
-
公开(公告)号：CN112685962B
公开(公告)日：2024-03-29
申请号：CN202110090962.0
申请日：2021-01-22
Applicant: 华东理工大学
IPC: G06F30/27 , G06F119/18
Abstract: 本发明提供了一种基于机器学习的材料屈服强度预测方法，包括：初步获取若干组待测材料的微观结构参数及其对应的屈服强度，得到初始数据集；根据初始数据集对第一极限学习机模型进行训练，得到初始的屈服强度预测模型；根据初始的屈服强度预测模型的预测结果，有针对性地再获取若干组微观结构参数及其对应的屈服强度，得到真实数据集；利用真实数据集对第二极限学习机模型进行训练和测试，得到最终的屈服强度预测模型；利用待测材料的微观结构参数和最终的屈服强度预测模型预测得到待测材料的屈服强度。本发明的材料屈服强度预测方法，能够以有限的数据量，较为准确地预测待测材料的屈服强度，具有精度高、快速预测、可实施材料性能评估的优点。
-
公开(公告)号：CN113836760A
公开(公告)日：2021-12-24
申请号：CN202110956154.8
申请日：2021-08-19
Applicant: 华东理工大学
IPC: G06F30/23 , G06F30/27 , G06F119/02
Abstract: 本发明涉及一种涡轮盘蠕变疲劳寿命可靠性评估方法，包括步骤：S1：建立涡轮盘的有限元模型，通过有限元模拟确定涡轮盘的最危险位置；S2：根据多源不确定性因素选择随机变量，对随机变量进行抽样作为有限元模型的输入并获得有限元响应输出；S3：根据有限元模型的输入和对应的有限元响应输出构建机器学习的代理模型，在代理模型的基础上进行抽样模拟并获得输出数据；S4：根据输出数据，利用附有简化连续型包络线的蠕变疲劳损伤交互图进行寿命的可靠性评估。本发明的涡轮盘蠕变疲劳寿命可靠性评估方法，通过一定量的随机有限元模拟仿真数据构建代理模型，基于代理模型进行大规模的抽样模拟，从而减少有限元模拟次数，提高效率，节约成本。
-
公开(公告)号：CN112686361A
公开(公告)日：2021-04-20
申请号：CN202011565995.8
申请日：2020-12-25
Applicant: 华东理工大学
IPC: G06N3/00
Abstract: 本发明提供基于改进蚁狮优化算法的虚拟样本生成方法，包括：根据整体趋势扩散技术确定生成的虚拟样本的下边界和上边界；通过试参法确定ELM模型的隐含层的神经元个数，使ELM模型预测的平均绝对百分比误差小于10％；通过引入蚁狮主动高斯变异、自适应游走边界机制对蚁狮优化算法进行改进，通过改进的蚁狮优化算法，随机选定真实样本，并围绕其生成若干个虚拟样本。本发明的虚拟样本生成方法弥补了传统机器学习模型在处理小样本问题时预测精度不高的不足，并可充分利用改进后的蚁狮优化算法的优势，生成可靠性更高的虚拟样本，扩大原始数据训练集，具有误差小、适用性强、精确度高的优点。
-
Patent Agency Ranking
公开(公告)号：CN112951344B
公开(公告)日：2024-04-02
申请号：CN202110090971.X
申请日：2021-01-22
Applicant: 华东理工大学
Abstract: 本发明提供基于机器学习的材料均匀延伸率预测方法，包括：初步获取若干组待测材料的微观结构参数及均匀延伸率，得到标准数据集；根据标准数据集对第一极限学习机模型进行训练和测试，得到初始均匀延伸率预测模型；有针对性地再获取若干组待测材料的微观结构参数及均匀延伸率，得到真实数据集和第二均匀延伸率预测模型；利用结合粒子群优化算法的虚拟样本生成方法，围绕一部分真实样本生成虚拟样本；使用第二均匀延伸率预测模型对全部样本进行训练和测试，得到最终均匀延伸率预测模型。本发明的均匀延伸率预测方法，能够以较少的数据量，较为准确地预测均匀延伸率；本发明可以节省原始材料成本和计算时间成本，具有高精度、低成本的优点。
-
公开(公告)号：CN113836760B
公开(公告)日：2024-03-29
申请号：CN202110956154.8
申请日：2021-08-19
Applicant: 华东理工大学
IPC: G06F30/23 , G06F30/27 , G06F119/02
Abstract: 本发明涉及一种涡轮盘蠕变疲劳寿命可靠性评估方法，包括步骤：S1：建立涡轮盘的有限元模型，通过有限元模拟确定涡轮盘的最危险位置；S2：根据多源不确定性因素选择随机变量，对随机变量进行抽样作为有限元模型的输入并获得有限元响应输出；S3：根据有限元模型的输入和对应的有限元响应输出构建机器学习的代理模型，在代理模型的基础上进行抽样模拟并获得输出数据；S4：根据输出数据，利用附有简化连续型包络线的蠕变疲劳损伤交互图进行寿命的可靠性评估。本发明的涡轮盘蠕变疲劳寿命可靠性评估方法，通过一定量的随机有限元模拟仿真数据构建代理模型，基于代理模型进行大规模的抽样模拟，从而减少有限元模拟次数，提高效率，节约成本。
-
公开(公告)号：CN113361025A
公开(公告)日：2021-09-07
申请号：CN202110466876.5
申请日：2021-04-28
Applicant: 华东理工大学
IPC: G06F30/17 , G06F30/27 , G06F119/02 , G06F119/04
Abstract: 本发明涉及一种基于机器学习的蠕变疲劳概率损伤评定方法，包括：S1：获得试样不同工况下的原始小样本；S2：利用SMOTE获得不同工况下的虚拟样本；S3：训练GRNN模型，并根据预测误差更新换代虚拟样本；S4：生成针对原始小样本的扩充样本，混合扩充样本和原始小样本并估计其寿命分布；S5：计算每周次蠕变疲劳损伤，通过蒙特卡洛模拟获得随机总蠕变损伤和总疲劳损伤；S6：计算安全包络线的可信度，得到蠕变疲劳概率损伤评定图。本发明的方法，考虑实际寿命的分散性，获得具体的寿命分布特征，从而得到了随机的总蠕变疲劳损伤和安全设计包络线的可信度，实现了由确定性设计到不确定性设计的过渡。
-
公开(公告)号：CN112685962A
公开(公告)日：2021-04-20
申请号：CN202110090962.0
申请日：2021-01-22
Applicant: 华东理工大学
IPC: G06F30/27 , G06F119/18
Abstract: 本发明提供了一种基于机器学习的材料屈服强度预测方法，包括：初步获取若干组待测材料的微观结构参数及其对应的屈服强度，得到初始数据集；根据初始数据集对第一极限学习机模型进行训练，得到初始的屈服强度预测模型；根据初始的屈服强度预测模型的预测结果，有针对性地再获取若干组微观结构参数及其对应的屈服强度，得到真实数据集；利用真实数据集对第二极限学习机模型进行训练和测试，得到最终的屈服强度预测模型；利用待测材料的微观结构参数和最终的屈服强度预测模型预测得到待测材料的屈服强度。本发明的材料屈服强度预测方法，能够以有限的数据量，较为准确地预测待测材料的屈服强度，具有精度高、快速预测、可实施材料性能评估的优点。
-
公开(公告)号：CN112651164A
公开(公告)日：2021-04-13
申请号：CN202110072083.5
申请日：2021-01-20
Applicant: 华东理工大学
IPC: G06F30/25 , G06F30/27 , G06N3/00 , G06N3/04 , G06N20/00 , G06F111/06 , G06F119/04 , G06F119/14
Abstract: 本发明提供了一种基于机器学习的蠕变疲劳寿命预测方法，包括：获取待预测的蠕变疲劳寿命数据组，分为训练集和测试集，每一个蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数、中间计算参数和相对应的蠕变疲劳对数寿命；提供ELM模型，利用训练集中的数据通过粒子群优化算法得到ELM模型的最优权重矩阵、最优偏置向量，进而得到蠕变疲劳寿命预测模型；根据测试集中的蠕变疲劳寿命数据组对所述蠕变疲劳寿命预测模型的精度进行验证。本发明弥补了传统方法在预测蠕变疲劳寿命时精度低、成本高的不足，可充分利用变异PSO算法优化ELM模型权重矩阵和偏置向量的优势，具有误差小、成本低、效率高的优点。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.023 seconds)
