(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 202110204863.0 (22)申请日 2021.02.23 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 陈恬　董湘怀　 (74)专利代理 机构 上海交达专利事务所 31201 专利代理师 王毓理　王锡麟 (51)Int.Cl. G16C 60/00(2019.01) G06F 30/27(2020.01) G06N 20/00(2019.01) G06F 111/10(2020.01) G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 基于迁移学习算法的材料流动应力预测方 法及系统 (57)摘要 一种基于迁移学习算法的材料流动应力预 测方法及系统， 将辅助训练数据和目标训练数据 合并生成模型训练集后， 使用改进的两阶段 TrAdaBoost.R2算 法在模型训练集上进行流动应 力预测模型训练， 通过交叉验证得到在目标训练 数据上回归误差最小的模型， 调整算法超参数直 到得到最优模 型， 将最优模型对 材料流动应力曲 线进行预测， 将得到的应力 ‑应变预测曲线用于 材料的数值模拟。 本发明仅需要对 此批次金属进 行少量力学实验， 并将迁移学习算法应用于当前 实验数据和已知数据集上进行训练， 就可以得到 此批次金属在数据集中包含的温度和应变速率 范围内的较为 准确的流动应力预测结果。 权利要求书2页 说明书5页 附图3页 CN 114974465 A 2022.08.30 CN 114974465 A 1.一种基于迁移学习算法的材料流动应力预测方法， 其特征在于， 将辅助训练数据和 目标训练数据合并生成模型训练集后， 使用改进的两阶段TrAdaBoost.R2算法在模型训练 集上进行流动应力预测模型训练， 通过 交叉验证得到在目标训练数据上回归误差最小的模 型， 调整算法超参数直到得到最优模型， 将最优模 型对材料流动应力曲线进行预测， 将得到 的应力‑应变预测曲线用于材 料的数值模拟。 2.根据权利要求1所述的基于迁移学习算法的材料流动应力预测方法， 其特征是， 具体 包括： 步骤1： 收集整理与待预测材料相似材料的已知流动应力实验数据， 作为可复用的辅助 训练数据集； 所述的辅助训练数据集中包含至少3个不同源的相似材料流动应力实验数据， 辅助训 练数据集中的数据至少覆盖通过实验获得 的待预测材料的流动应力数据的温度和应变速 率范围； 所述的与待预测材料相似材料是指： 包括材料成分相近但不需完全相同， 材料加工工 艺相近但不需完全相同， 即 同属于一种种类但不完全相同材料， 属于同一操作手段但工艺 的参数不完全相同的工艺； 所述的流动应力实验数据 具体是指： 材料在不同温度、 不同应变速率下的应力 ‑应变曲 线对应的数据点， 该 数据点的单位 为： 温度T(K)， 应 变速率 应变 ε， 应力σ(MPa)； 步骤2： 通过力学实验获取待预测材 料的流动应力实验数据， 作为目标训练数据集； 步骤3： 将辅助训练数据和目标训练数据合并作为训练流动应力预测模型的数据集； 所述的流动应力预测模型， 其输入为温度、 应变速率以及应变， 输出为应力， 该模型具 体为： yi＝σ， 模型为输入空间 到输出空间 的映射 步骤4： 使用改进两阶段TrAdaBoost.R2算法进行模型训练， 通过交叉验证得到在目标 训练数据上回归误差最小的模型， 调整算法超参数直到得到最优 模型； 所述的改进两阶段TrAdaBoost.R2算法属于基于实例的迁移学习算法， 其基回归器为K 近邻回归， 具体步骤 包括： 步骤①对目标训练数据集Ttarget和辅助训练数据集Tsource中实例的示例空间求交， 取两 个示例空间交集中的数据， 得到当前目标训练数据集T ’target， 当前辅助训练数据集T ’source； 以当前目标训练数据集T ’target,当前辅助训练数据集T ’source为输入调用两阶段 TrAdaBoost.R2 ’， 其中两阶段TrAdaBoost.R2 ’除了输出为误差最小时的权值分布向量外， 与两阶段TrAdaBoost.R2完全相同， 以当前辅助训练数据集T ’source中每个实例对应的权值 为概率均匀采样每 个实例中的数据点， 将采样得到的数据并入目标训练数据集Ttarget； 步骤①中所述的两阶段Tr AdaBoost.R2算法包括： 1.1逐渐降低所有辅助训练集Tsource中实例的权值和在总权值中的占比， 并通过交叉验 证得到权值比最优解， 此阶段旨在确定目标训练集Ttarget中实例合适的权值总和， 以避免目 标训练集Ttarget数据量远小于辅助训练集Tsource造成的目标训练集Ttarget初始权值过低的问 题， 并对辅助训练集Tsource中实例进行权值更新； 权值更新的方式为， 调用基回归器在合并 训练集T上 得到一个学习器， 然后计算每 个实例的权值调整误差， 根据误差值降权； 1.2在确定的权值比的基础 上， 按照Adaboost.R2算法的权值更新策略更新目标域实例权　利　要　求　书 1/2 页 2 CN 114974465 A 2权值分布， 即对误差较大的数据点进行加权处理， 此阶段辅助训练集Tsource中实例的权值保 持不变； 仅 保存产生的模型； 通过交叉验证， 找到在目标训练集Ttarget上回归误差值最小的 模型作为 最终的训练结果； 步骤②重复步骤 ①直至未访问的辅助训练数据集Tsource中实例与目标训练数据集 Ttarget示例空间求交后的当前目标训练数据集T ’target， 当前辅助训练数据集T ’source皆为空 集， 此过程旨在对目标训练数据集Ttarget进行数据增强， 扩大目标训练数据集Ttarget中数据 覆盖的温度和应 变速率范围， 为之后的训练提供 更多参考； 步骤③在步骤①中得到的目标训练集Ttarget的基础上， 与辅助数据集Tsource合并； 步骤④在合并训练集上调用两阶段Tr AdaBoost.R2算法得到最终模型； 步骤⑤对材料流动应力曲线 进行预测， 预测结果可用于材 料的数值模拟。 3.根据权利要求2所述的基于迁移学习算法的材料流动应力预测方法， 其特征是， 所述 的辅助训练数据集中包含的数据来自越多不同源的相似材料， 改进两阶段TrAdaBoost.R2 算法通过权值变更选出对待预测材料的流动应力预测有积极 效果的数据的可能性越大； 辅 助数据集中数据覆盖的温度和应变速率范围决定模型可预测范围的上限， 故辅助训练数据 集中的数据包括来自更多不同来源的相似材料流动应力实验数据和实验数据覆盖更大的 温度和应 变速率范围。 4.根据权利要求2所述的基于迁移学习算法的材料流动应力预测方法， 其特征是， 所述 的辅助训练数据集为可复用的多个实例， 其中每个实例为来自同一材料的所有流动应力数 据。 5.根据权利要求2所述的基于迁移学习算法的材料流动应力预测方法， 其特征是， 所述 的目标训练数据集中包 含多个实例， 其中每 个实例为待预测材 料实验数据的一个数据点。 6.根据权利要求2所述的基于迁移学习算法的材料流动应力预测方法， 其特征是， 所述 的力学实验， 获取至少3条不同温度和应 变速率组合的流动应力曲线包 含的数据。 7.一种实现权利要求1～6中任一所述基于迁移学习算法的材料流动应力预测方法的 系统， 其特征在于， 包括： 数据采集模块、 训练集生成模块、 合并模块、 超参数验证模块和预 测模块， 其中： 数据采集模块收集整理大量与待 预测材料相似 材料的流动应力数据， 作为可 复用的辅助训练数据集； 训练集生成模块通过实验获取少量待预测材料 的流动应力数据， 作为目标训练数据集； 合并模块合并辅助训练数据集和目标训练数据集作为训练使用的数 据集； 超参数验证模块调整改进两阶段TrAdaBoost.R2算法超参数， 通过交叉验证， 得到在 目标训练数据集上回归误差最小的模型； 预测模块对材料流动应力曲线进行预测， 预测结 果可用于材 料的数值模拟。权　利　要　求　书 2/2 页 3 CN 114974465 A 3