(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210958019.1 (22)申请日 2022.08.11 (65)同一申请的已公布的文献号 申请公布号 CN 115034121 A (43)申请公布日 2022.09.09 (73)专利权人 太原科技大 学 地址 030024 山西省太原市万柏林区窊流 路66号 (72)发明人 姬亚锋　王晓军　李旭　孙杰　 李华英　王海深　 (74)专利代理 机构 北京东方盛凡知识产权代理 有限公司 1 1562 专利代理师 李哲 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01)G06F 119/14(2020.01) (56)对比文件 CN 102254057 A,201 1.11.23 CN 113420385 A,2021.09.21 CN 111889524 A,2020.1 1.06 CN 105257425 A,2016.01.20 CN 114091352 A,202 2.02.25 CN 10871072 9 A,2018.10.26 CN 113221954 A,2021.08.0 6 CN 104785 535 A,2015.07.2 2 CN 107520257 A,2017.12.2 9 CN 113392594 A,2021.09.14 CN 112100745 A,2020.12.18 JP 2006224177 A,2006.08.31 JP 2014176858 A,2014.09.25 廉艳平 等.金属 增材制造中的关键力学问 题与前沿计算 技术主题序. 《力学 学报》 .2021,第 53卷(第12期),3179- 3180. (续) 审查员 许哲 (54)发明名称 一种基于组织性能智能预报模型的带钢工 艺调控方法 (57)摘要 本发明公开了一种基于组织性能智能预报 模型的带钢工艺调控方法， 包括： 基于机器学习 和晶体塑性的框架， 对带钢进行力学性能实验、 微观组织表征以及基于率相关的晶体塑性有 限 元数值模拟， 获得实验数据与模拟数据； 根据所 述实验数据与模拟数据构建样 本数据集； 基于所 述样本数据集的样本数据进行GA ‑BP模型训练， 建立工艺参数与带钢力学性能和微观组织之间 的映射关系； 基于机器学习和晶体塑性的框架对 带钢不同工艺条件下的力学性能和微观组织进 行计算， 根据计算结果进行热变形工艺制定。 本 发明能够准确、 高效预测带钢的力学响应和微观 组织演化， 为热变形工艺参数的制定和优化设计提供参考， 大大提高了生产效率。 [转续页] 权利要求书2页 说明书5页 附图3页 CN 115034121 B 2022.10.25 CN 115034121 B (56)对比文件 王东城 等.数据驱动的热轧带钢边部线状 缺陷智能预报模型. 《钢铁》 .2020,第5 5卷(第11期),82-90. 姬亚锋 等.基 于KPLS与SVM的热连轧板凸度 预测. 《中国冶金》 .2021,第31卷(第1期),20 -24.2/2 页 2[接上页] CN 115034121 B1.一种基于组织 性能智能预报模型的带钢工艺调控方法， 其特 征在于， 包括： 基于机器学习和晶体塑性的框架， 对带钢进行力学性能实验、 微观组织表征以及基于 率相关的晶体塑性有限元数值模拟， 获得实验数据与模拟数据； 根据所述实验数据与模拟 数据构建样本数据集； 基于所述样本数据集的样本数据进行GA ‑BP模型训练， 建立工艺参数与带钢力学性能 和微观组织之间的映射关系； 基于机器学习和晶体塑性的框架对带钢不同工艺条件下的力学性能和微观组织进行 计算， 根据计算结果进行 热变形工艺制定； 对带钢进行力学性能实验、 微观组织表征以及基于率相关的晶体塑性有限元数值模 拟， 获得实验数据与模拟数据， 根据所述实验数据与模拟数据构建样本数据集的过程包括， 获取不同工艺条件下带钢试样的实验数据； 其中， 所述带钢试样的实验数据包括力学 性能数据、 微观组织数据； 构建考虑微观组织的代表性体积单元模型， 基于晶体塑性本构理论， 模拟带钢在不同 工艺条件下的力学响应和微观组织演变， 获得模拟数据； 将所述实验数据与所述模拟数据进行对比， 验证所述模拟数据的可靠性后， 与所述实 验数据组成样本数据集； 基于所述样本数据集的样本数据进行GA ‑BP模型训练， 建立工艺参数与带钢力学性能 和微观组织之间的映射关系的过程包括， 对所述样本数据集的样本数据进行预处理及提取特征值， 建立工艺参数与 带钢力学性 能和微观组织之间的映射关系模型， 基于所述样本数据对所述映射关系模型进行训练、 测 试与评估， 获得目标映射关系模型； 基于所述样本数据对所述映射关系模型进行训练、 测试与评估， 获得目标映射关系模 型的过程包括， 将变形温度、 应变速率、 真应变和初始欧拉角数据输入GA ‑BP模型， 输出真应力和变形 后的欧拉角数据； 基于所述样本数据对所述映射关系 模型进行训练， 获得工艺参数与 带钢力学性 能和微 观组织之 间的映射关系， 通过测试数据集对所述映射关系模型的性能通过均方根误差和均 方相关系数进行评估， 获得目标映射关系模型。 2.根据权利要求1所述的基于组织性能智能预报模型的带钢工艺调控方法， 其特征在 于， 获取不同工艺条件下带钢试样的实验数据的过程包括， 将带钢加工成标准试样， 并在 Gleeble热模拟试验机上做热成形实验， 将压缩后的试样经切割、 磨样， 电解抛光后进行 EBSD表征实验， 基于实验结果采集所述力学性能数据和微观组织数据。 3.根据权利要求1所述的基于组织性能智能预报模型的带钢工艺调控方法， 其特征在 于， 获得模拟数据的过程包括， 根据带钢的EBSD源数据构建代表性体积单元模型， 基于所 述代表性体积单元模型对带钢的晶粒形貌和取向进行复现； 基于晶体塑性本构理论， 模拟 带钢在预设条件下的力学响应和微观组织演变。 4.根据权利要求3所述的基于组织性能智能预报模型的带钢工艺调控方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115034121 B 3