(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210572726.7 (22)申请日 2022.05.25 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市雁塔区太白南 路2号 (72)发明人 王明智　张桂涛　黄想　刘延光　 王卫东　黄哲　胡景崎　时叶彤　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 王奇 (51)Int.Cl. G01N 3/42(2006.01) G01N 3/08(2006.01) G01N 3/06(2006.01) G06F 30/23(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于人工神经网络及压入测试的材料力学 参数识别方法 (57)摘要 本发明公开了一种基于人工神经网络及压 入测试的材料力学参数识别方法。 该方法对待测 金属材料开展球形压痕实验， 获取球形压痕实验 压痕快照； 依据Ludwigson硬化 法则， 开展球 形压 痕有限元仿真， 建立仿真压痕轮廓快照； 基于人 工神经网络建立球形压痕中压痕轮廓快照与材 料本构参数之间的关系， 基于模拟退火算法获取 人工神经网络超参数， 利用单目标规划， 获得被 测试金属材料的塑性拉伸性能参数。 本发明对所 建立的人工神经网络进行超参数的优化， 对压痕 轮廓仿真预测更加准确， 使 得参数识别结果更加 准确。 通过该方法测试所得金属材料拉伸性能参 数的可信度高。 权利要求书2页 说明书8页 附图7页 CN 114965120 A 2022.08.30 CN 114965120 A 1.基于人工神经网络及压入测试的材料力学参数识别方法， 其特征在于， 包括以下步 骤： 步骤1， 对待测试金属材料开展球形压痕实验， 通过激光共聚焦显微测试获取残留在试 件表面的压痕轮廓形貌； 步骤2， 依据Ludwigson硬化法则， 开展球形压痕有限元仿真， 获取一系列与Ludwigson 硬化法则参数 所对应的压痕形貌快照， 获得压痕轮廓快照矩阵； 步骤3， 基于 人工神经网络， 建立材料拉伸性能参数屈服应力σy、 强度因子 K和硬化指数n 与压痕形貌轮廓之间的直接关联； 步骤4， 依据机器学习模拟退火算法， 建立模拟退火接受函数， 并依据此对人工神经网 络训练超参数进行优化， 以获得 人工网络训练最优的人工神经网络训练超参数； 步骤5， 基于人工神经网络最优超参数构建的人工神经网络及单目标规划， 建立单目标 规划目标函数约束条件， 给定材料拉伸性能参数屈服应力σy、 强度因子K和硬化指数n的识 别范围， 可以得到被测试 材料拉伸性能参数的识别结果。 2.根据权利要求1所述的基于人工神经网络及压入测试的材料力学参数识别方法， 其 特征在于， 所述步骤1中， 压痕轮廓形貌按照轮廓快照 的形式表示； 其中， n表示压痕轮廓快照Yexp的维数， 向量包含的值 是压痕轮廓垂直位移的 序列量。 3.根据权利要求1所述的基于人工神经网络及压入测试的材料力学参数识别方法， 其 特征在于， 所述 Ludwigson硬化法则表示 为： 其中， σ 为应力； E为弹性模量； ε为应变； σy为屈服应力； K为强度因子； n为硬化指数； εp为 塑性应变。 4.根据权利要求1所述的基于人工神经网络及压入测试的材料力学参数识别方法， 其 特征在于， 所述仿真压痕轮廓快照矩阵Ysim， 且 Ysim∈RN*n； 其中， N表示 在材料参数设计空间中， 用于 压痕仿真的材 料参数组合的个数。 5.根据权利要求1所述的基于人工神经网络及压入测试的材料力学参数识别方法， 其 特征在于， 所述人工神经网络包括依次连接的输入层、 两层隐藏层和输出层， 所述输出层为 人工神经网络预测的压痕轮廓数据。 6.根据权利要求1所述的基于人工神经网络及压入测试的材料力学参数识别方法， 其 特征在于， 材 料拉伸性能参数σy、 K和n与压痕形貌轮廓之间的表示关系为： 其中， 矩阵Ypre为人工神 经网络预测的压痕轮廓快照； 矩阵W1、 W2和W3分别为第1、 2、 3层 神经网络的权重系数矩阵； 矩阵b1和b2分别为第1、 2层神经网络的偏置矩阵， 为列向量； 矩阵 X为代表拉伸性能参数σy、 K和n的行向量； σ(x)为第3层神经网络的激活函数， 为线性函数； 为第1、 2层人工神经网络的激活函数， 取Sigmo id函数， 将其定义 为：权　利　要　求　书 1/2 页 2 CN 114965120 A 27.根据权利要求1所述的基于人工神经网络及压入测试的材料力学参数识别方法， 其 特征在于， 所述步骤4中， 基于模拟退火算法， 引入随时间变化的温度变量T(t)和温度变化 系数α； 在退火迭代进行 过程中， 温度变量定义 为： T(t+1)＝α T(t)                   (5) 当前优化的神经网络隐含层数为两层， 初始的神经网络节点组合 使用 该组超参数进行网络训练， 返回评判神经网络训练好坏及泛化能力的预测集平方和误差 E(n0)， 在二维空间中n(i)的周围高维半径内随机生 成新的网络节点组合n(i+1)， 重复训练获得 新的网络训练预测集平方和误差E(ni+1)； 若E(ni+1)＞E(ni)， 则接受该节点组合； 反之， 系统以 一定的概率接受该网络节点组合； 模拟退火算法接受概率正比于神经网络压痕轮廓预测值 与压痕轮廓真实值之间的均方根 误差， 表示 为 其中， P表示模拟退火算法接受概率； Ypre表示神经网络压痕轮廓 预测值矩阵； Yture表示 压痕轮廓的真实值矩阵； n表示压痕轮廓快照Yexp的维数； 构建模拟退火算法概 率函数表示 为： 其中， Tt表示为时刻t时的温度， 记为Tt＝αtT0， α 常取0.95， T0为初始温度。 8.根据权利要求1所述的基于人工神经网络及压入测试的材料力学参数识别方法， 其 特征在于， 所述 步骤5中单目标规划目标函数及约束条件， 其表示 为： 其中， n表示压痕轮廓快照Yexp的维数； Yexp表示实验压痕轮廓快照， 向量包含的值 是压痕轮廓垂直位移的序列量； Ypre表示神经网络压痕轮廓预测值快照； σymin 和σymax表示所建数据库材料屈服应力σy的最小值和最大值； Kmin和Kmax表示所建数据库材料 强度因子K的最小值和最大值； nmin和nmax表示所建数据库材料硬化指数n的最小值和最大 值； 采用单目标规划求解方法对上述单目标规划目标函数及约束条件进行求解， 可以得到 被测试材料拉伸性能参数屈服应力σy、 强度因子K和硬化指数n的识别结果。权　利　要　求　书 2/2 页 3 CN 114965120 A 3