本發(fā)明涉及一種結構陶瓷彎曲強度的智能預測方法及系統(tǒng)，屬于材料機械性能評估。

背景技術：

1、結構陶瓷因其優(yōu)異的機械性能、耐磨性、耐高溫性和化學穩(wěn)定性，在航空航天、汽車制造、電子器件等高技術領域有著廣泛的應用前景。但受制于本征脆性和極高的缺陷敏感性，結構陶瓷的強度隨機性與離散性很大，嚴重制約了其可靠應用。因此，深入理解缺陷對結構陶瓷強度的影響規(guī)律對于材料的制備工藝優(yōu)化及服役性能評價等都顯得至關重要。

2、過去，缺陷與陶瓷強度的響應關系研究主要可以分為：定性評價和定量預測兩大類，定性評價始終難以指導特定部件承載極限的準確預報，而定量預測更多是針對裂紋和簡單形狀孔洞等簡化問題，距離直接指導工程實踐仍有較大差距，因為實際應用中結構陶瓷的破壞主要是由其內(nèi)部形狀各異、分布隨機、組合方式復雜的固有微孔導致，且難以簡化為理論模型可以描述的簡單孔問題。

3、近年來，機器學習（ml）已成為分析大量數(shù)據(jù)并根據(jù)數(shù)據(jù)預測材料特性的強大工具。人工神經(jīng)網(wǎng)絡（ann）、支持向量機（svr）、極端梯度提升（xgboost）和隨機森林（rf）等算法被成功用于預測陶瓷的力學性能，進而指導材料設計與制備，但特征空間一般僅考慮元素成分、添加劑、原料特性及燒結工藝，尚未關注微結構與力學性能的響應關系。

4、隨著無損檢測技術的發(fā)展，可以基本滿足對各類結構材料的缺陷檢測。bao等結合sr-μct和ml技術，基于缺陷幾何特征，通過支持向量機（svm）訓練模型，發(fā)現(xiàn)臨界缺陷的幾何參數(shù)會顯著影響ti-6al-4v材料的疲勞壽命。horňas等則利用μct檢測結果，構建了缺陷特征與ti-6al-4v材料疲勞壽命的預測模型。這些工作為開展固有孔作用下陶瓷的強度定量預測提供了有效思路和可行路徑。

技術實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術中的不足，提供一種結構陶瓷彎曲強度的智能預測方法及系統(tǒng)，在統(tǒng)計處理及理論模型基礎上，構建考慮微孔尺寸、形貌、位置、取向及組合方式的特征空間，通過分區(qū)處理并考慮孔洞的臨界尺寸與形狀，構建并優(yōu)化具有高精度及優(yōu)異泛化性的機器學習強度預測模型，進而指導材料的強度預測與可靠應用。

2、為達到上述目的，本發(fā)明是采用下述技術方案實現(xiàn)的：

3、一方面，?本發(fā)明提供一種結構陶瓷彎曲強度智能預測方法，包括：

4、獲取待測結構陶瓷的幾何信息數(shù)據(jù)；

5、對待測結構陶瓷的幾何信息數(shù)據(jù)進行處理優(yōu)化，得到處理優(yōu)化后的待測結構陶瓷的幾何信息數(shù)據(jù)；

6、將處理優(yōu)化后的待測結構陶瓷的幾何信息數(shù)據(jù)作為輸入，基于預訓練的結構陶瓷彎曲強度智能預測模型輸出得到待測結構陶瓷的彎曲強度值。

7、進一步的，所述待測結構陶瓷的幾何信息數(shù)據(jù)通過ct掃描得到，所述ct掃描范圍為以待測結構陶瓷幾何中心為中心點向外延伸20~50%跨距的區(qū)域。

8、進一步的，所述待測結構陶瓷的幾何信息數(shù)據(jù)包括待測結構陶瓷的孔洞尺寸、孔洞形狀、孔洞位置以及孔洞取向。

9、進一步的，所述對待測結構陶瓷的幾何信息數(shù)據(jù)進行處理優(yōu)化，得到處理優(yōu)化后的待測結構陶瓷的幾何信息數(shù)據(jù)，包括：

10、根據(jù)待測結構陶瓷的幾何信息數(shù)據(jù)，篩選得到直徑值大于材料臨界缺陷尺寸的孔洞的幾何信息數(shù)據(jù)，其中，所述材料臨界缺陷尺寸的表達式如下：

11、；

12、；

13、其中，為臨界缺陷尺寸， ρc為材料臨界缺陷尖銳度，為斷裂韌性，為幾何修正因子，為待測結構陶瓷破壞時的臨界應力，a為缺口深度，為特征強度，為測試三點彎曲強度所施加的載荷，為支撐點之間的跨度，為待測結構陶瓷的寬度，為待測結構陶瓷厚度；

14、根據(jù)直徑值大于材料臨界缺陷尺寸的孔洞的孔洞位置對直徑值大于材料臨界缺陷尺寸的孔洞的幾何信息數(shù)據(jù)進行區(qū)域劃分，得到處理優(yōu)化后的待測結構陶瓷的幾何信息數(shù)據(jù)。

15、進一步的，設待測結構陶瓷高度方向為 x軸，待測結構陶瓷寬度方向為 y軸，待測結構陶瓷跨距方向為 z軸，所述幾何信息數(shù)據(jù)包括孔洞的最大半徑、孔洞的平均半徑、孔洞球度的標準差、孔洞在 yz平面投影面積與孔洞總表投影面積的比值、孔洞在 y與 z方向投影長度比值的平均值、孔洞中心在 y軸坐標上的平均值以及孔洞位置，其中，所述孔洞球度的標準差和孔洞在 y與 z方向投影長度比值的平均值由半徑值大于臨界缺陷尖銳度的孔洞計算得出；

16、所述孔洞球度的標準差和孔洞位置的計算表達式分別如下：

17、;

18、其中，為半徑值大于臨界缺陷尖銳度孔洞的球度標準差，為半徑值大于臨界缺陷尖銳度孔洞數(shù)量，為第個半徑值大于臨界缺陷尖銳度孔洞的球度，為半徑值大于臨界缺陷尖銳度孔洞的球度平均值;表示孔洞位置，為三點彎曲強度測試的跨距，為待測結構陶瓷厚度，為孔洞中心在軸坐標上的平均值，為孔洞中心在軸坐標上的平均值。

19、進一步的，所述根據(jù)直徑值大于材料臨界缺陷尺寸的孔洞的孔洞位置對直徑值大于材料臨界缺陷尺寸的孔洞的幾何信息數(shù)據(jù)進行區(qū)域劃分，得到處理優(yōu)化后的待測結構陶瓷的幾何信息數(shù)據(jù)，包括：

20、根據(jù)直徑值大于材料臨界缺陷尺寸的孔洞的孔洞位置，將待測結構陶瓷在彎曲強度測試時的受拉應力表面占待測結構陶瓷厚度的10~20%區(qū)域內(nèi)的直徑值大于材料臨界缺陷尺寸的孔洞的幾何信息數(shù)據(jù)作為處理優(yōu)化后的待測結構陶瓷的幾何信息數(shù)據(jù)。

21、進一步的，所述結構陶瓷彎曲強度智能預測模型的預訓練方法，包括：

22、構建極端梯度增強模型和自適應提升模型；

23、獲取已知彎曲強度真實值的結構陶瓷樣本數(shù)據(jù)集，并將其劃分為訓練集和測試集；

24、將訓練集和測試集數(shù)據(jù)依次作為輸入，分別通過極端梯度增強模型和自適應提升模型輸出得到彎曲強度預測值，在過程中，利用網(wǎng)絡搜索對極端梯度增強模型和自適應提升模型的模型參數(shù)進行調(diào)優(yōu)；

25、將極端梯度增強模型和自適應提升模型的彎曲強度預測值與對應的彎曲強度真實值進行評估指標計算，得到極端梯度增強模型和自適應提升模型的評估結果；

26、對極端梯度增強模型和自適應提升模型的評估結果進行比較，選擇評估結果較優(yōu)的模型作為結構陶瓷彎曲強度智能預測模型，即為預訓練的結構陶瓷彎曲強度智能預測模型。

27、進一步的，所述評估指標包括驗證得分、均方誤差以及決定系數(shù)，其計算表達式分別如下：

28、;

29、其中，為驗證得分，為樣本數(shù)量，為第個樣本的彎曲強度預測值，為第個樣本的彎曲強度真實值，為樣本的彎曲強度平均值，為決定系數(shù)，為均方誤差。

30、進一步的，所述訓練集和測試集通過留一交叉驗證法隨機劃分得到。

31、另一方面，本發(fā)明還提供一種結構陶瓷彎曲強度智能預測系統(tǒng)，包括：

32、存儲器，用于存儲計算機程序/指令；

33、處理器，用于執(zhí)行所述計算機程序/指令以實現(xiàn)上述任一項所述的結構陶瓷彎曲強度智能預測方法的步驟。

34、與現(xiàn)有技術相比，本發(fā)明所達到的有益效果：

35、本發(fā)明將待測結構陶瓷的幾何信息數(shù)據(jù)作為輸入，可以通過結構陶瓷彎曲強度智能預測模型直接預測得到結構陶瓷材料的彎曲強度，簡單快捷的同時預測準確性也得到很大提升；

36、本發(fā)明在統(tǒng)計學和理論物理模型的基礎上，提出多個物理量特征，構建考慮孔洞尺寸、形貌、位置、取向及組合方式的特征空間，并基于結構陶瓷材料的固有屬性對物理量特征進行數(shù)學處理，然后構建并評估優(yōu)化得到具有高精度及優(yōu)異泛化性的機器學習強度預測模型，實現(xiàn)方便快速預測的同時極大程度提升了結構陶瓷材料的彎曲強度預測準確性。