本发明属于高温合金铸造，具体涉及一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法。
背景技术：
1、微量元素mg通常被认为是高温合金中的有益元素，其对高温合金的固液相线温度、凝固温度区间、枝晶搭接点温度等凝固特征温度均具有重要影响，进而可以直接改变合金的凝固过程、凝固组织和力学性能。研究表明，微量元素mg能够净化高温合金熔体，降低合金中o、s、p等杂质的有害影响。同时，在高温合金中添加微量元素mg能够显著改变合金中γˊ相的尺寸和分布，球化、分散一次碳化物，降低晶界能和碳化物-基体的相界能，从而提高合金界面结合力，显著地改善合金的蠕变性能和持久寿命。此外，mg元素的添加还能控制gh4169合金中δ相的数量、形态及分布特征，从而提高合金的力学性能。研究还发现，微量元素mg在高温合金中存在最优作用含量范围，其在合金中的含量过低则不能发挥正面作用，而其含量过高则可能对合金性能产生负面影响。由此可见，需要精确稳定地控制高温合金中微量元素mg至目标含量。
2、然而，由于mg元素的饱和蒸气压较高，挥发倾向很大，同时真空感应熔炼过程中影响mg挥发速度的因素又很多，以致实现mg含量的精确控制存在一定困难。前期，研究者主要是基于mg元素挥发动力学，将熔炼工艺参数对mg含量的影响进行回归分析以建立含量预测经验公式和数学模型，从而指导实际生产中mg含量的控制。然而，简单的回归拟合分析很难较好地描述多变量输入与输出之间的复杂非线性耦合关系，使得传统mg含量预测经验公式和数学模型在预测准确性方面仍存在不足。因此，目前亟需建立高温合金中微量元素mg含量的精确控制方法。
3、人工神经网络作为一种深度学习算法模型，能够通过数据训练实现复杂非线性系统的建模预测，在描述多因素非线性耦合关系方面具有良好技术优势，目前已成功被应用于材料组织性能精确预测等。因此，利用人工神经网络训练拟合熔炼工艺参数及mg元素收得率之间的复杂非线性关系，建立mg含量预测模型，有望实现铸造高温合金中微量元素mg含量的精确控制。
技术实现思路
1、针对现有技术中的问题，本发明提供一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，通过该方法可以精确稳定地控制高温合金中微量元素mg至目标含量，从而指导高温合金的铸造生产。
2、为了实现以上目的，本发明采用以下技术方案：
3、一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，包括以下步骤：
4、(1)通过实验或现场生产数据确定mg元素添加量和熔炼工艺参数对高温合金中微量元素mg含量的影响规律，获得熔炼工艺参数与mg含量之间的机器学习数据集，熔炼工艺参数包括充氩压力、充氩时间、低温精炼温度、低温精炼时间；
5、(2)对机器学习数据集进行归一化和标准化处理；
6、(3)建立人工神经网络模型，模型包括输入层、隐藏层及输出层三层网络，其中输入层用于接收输入信号，其变量为mg元素添加量、充氩压力、充氩时间、低温精炼温度、低温精炼时间；输出层用于输出信号即计算结果，其变量为mg含量；隐藏层的神经节点数根据公式确定，其中m代表输入层神经元个数，n代表输出层神经元个数，a代表[1，10]之间的常数；
7、(4)将输入、输出的机器学习数据集划分为训练集、验证集及测试集，利用训练集训练人工神经网络，训练算法包括莱文贝格-马夸特法、贝叶斯正则化法及量化共轭梯度法，在输出误差满足设定要求时停止训练，并得到非线性回归模型；
8、(5)采用验证集及测试集对非线性回归模型进行验证测试，得到验证测试误差，当验证测试误差处于预设误差范围内时，将所得非线性回归模型作为mg含量预测模型；
9、(6)随机设置一组熔炼工艺参数，将熔炼工艺参数进行与步骤(2)相同的归一化处理后，输入步骤(5)得到的mg含量预测模型中，得到微量元素mg的相应预测含量，按照随机设置的熔炼工艺参数进行实际熔炼，并测定合金中的mg元素实际含量，对比mg元素预测含量及实际含量确定mg含量预测模型的有效性及准确性；
10、(7)设定高温合金中微量元素mg的目标含量，固定熔炼工艺参数，即充氩压力、充氩时间、低温精炼温度和低温精炼时间，调整合金中的mg元素添加量，通过mg含量预测模型将合金中的mg元素调整至目标含量，按照调整后的熔炼工艺参数进行含mg合金的冶炼，从而实现微量元素mg含量的精确控制。
11、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(1)中，mg元素添加量范围为20-2000ppm，充氩压力范围为0-60kpa，充氩时间范围为1-15min，低温精炼温度范围为1350-1450℃，低温精炼时间范围为1-10min，高温合金中微量元素mg的含量的测定方法包括但不限于icp-ms或icp-aes。
12、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(2)中，数据归一化和标准化处理方法包括min-max归一化、z-score归一化以及非线性归一化方法。
13、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(2)中，数据归一化和标准化处理方法为min-max归一化，公式为：
14、
15、式中x是原始数据，xmax和xmin分别是数据集中的最大值和最小值，xnorm为归一化处理后的数据。
16、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(3)中，人工神经网络类型为back-propagation人工神经网络，输入层神经元个数m为5，输出层神经元个数n为1，隐藏层神经元个数的取值范围为[4，13]，输入层和输出层用purelin函数表达，隐藏层使用sigmoid函数表达；
17、计算过程说明：隐藏层的神经节点数根据公式确定，其中m代表输入层神经元个数，n代表输出层神经元个数，a代表[1，10]之间的常数；本发明中输入层神经元个数m为5，输出层神经元个数n为1，因此约等于2.4，取整数为3，因此的取值范围为[4，13]。
18、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，隐藏层神经元个数为10。
19、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(4)中，机器学习数据集中的训练集、验证集及测试集比例分别为60-70％、15-20％、15-20％，训练算法选为莱文贝格-马夸特法，学习率为0.01，迭代次数为1000，训练精度要求为0.001。
20、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(4)中，具体训练过程为：
21、a.前向传播：将训练集数据输入back-propagation人工神经网络的输入层，经过隐藏层非线性变换后到达输出层并输出结果，若输出结果与期望输出不相符，则进行误差的反向传播；
22、b.反向传播：利用误差函数计算输出结果与期望输出之间的误差，将输出误差通过隐藏层向输入层逐层反传，并将误差分摊给各层所有神经元使误差沿梯度方向下降，以各层获得的误差作为调整权值和阈值的依据；
23、c.重复训练：重复进行步骤a和b，直到达到预设的收敛条件，确定与最小输入误差对应的权值和阈值，完成训练。
24、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(5)中，验证测试预设误差为0.001。
25、进一步的，上述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其优选方案为，步骤(6)中，随机设置的熔炼工艺参数在步骤(1)所述的工艺参数范围内，并按照设置工艺进行合金真空感应熔炼，利用icp-ms或icp-aes方法测定合金中的mg元素实际含量，当mg含量预测模型预测含量与实际含量的误差在±20ppm时，断定预测模型的有效性及准确性。
26、本发明的设计思想是：
27、微量元素mg在高温合金中存在最优作用含量范围，其在合金中的含量过低或过高均不能达到最佳作用效果。因此，高温合金中微量元素mg含量的精确控制显得尤为重要。然而由于mg元素的饱和蒸气压较高，挥发倾向很大，同时真空感应熔炼过程中影响mg挥发速度的因素又很多，以致实现mg含量的精确控制存在一定困难，而采用传统的试错法去调整合金熔炼工艺参数势必会造成人力及财力的大量浪费，极大地提高了高温合金的生产与试错成本。
28、随着计算机硬件和机器学习算法模型的发展，利用机器学习方法可实现复杂非线性系统的建模预测。而人工神经网络机器学习模型由于具有算法简单、结构清晰等特点而在材料科学研究中被广泛应用，目前其已成功被应用于材料成分-组织-性能精准预测等。因此，利用人工神经网络训练拟合熔炼工艺参数及mg元素收得率之间的复杂非线性关系，建立mg含量预测模型，有望实现铸造高温合金中微量元素mg含量的精确控制。本发明方法可以从时间和成本上减少熔炼工艺参数摸索的消耗，降低高温合金铸造生产成本，具有重要的理论研究意义和应用价值。
29、本发明的优点及有益效果：
30、1、本发明基于人工神经网络训练拟合熔炼工艺参数及mg元素收得率之间的复杂非线性关系，通过建立mg含量预测机器学习模型实现微量元素mg含量的精确控制，避免了传统试错法而造成的人力和资源的浪费，有效提高了铸造高温合金生产的效率及成分合格率，从而大大降低了高温合金的生产成本。
31、2、本发明方法设计合理，可操作性强，可为y、ce、la等其它易烧损元素的含量精确控制提供方法指导。
32、3、本发明方法简单易行，适合工程化应用和推广。
1.一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(1)中，mg元素添加量范围为20-2000ppm，充氩压力范围为0-60kpa，充氩时间范围为1-15min，低温精炼温度范围为1350-1450℃，低温精炼时间范围为1-10min，高温合金中微量元素mg的含量的测定方法包括但不限于icp-ms或icp-aes。
3.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(2)中，数据归一化和标准化处理方法包括min-max归一化、z-score归一化以及非线性归一化方法。
4.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(2)中，数据归一化和标准化处理方法为min-max归一化，公式为：
5.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(3)中，人工神经网络类型为back-propagation人工神经网络，输入层神经元个数m为5，输出层神经元个数n为1，隐藏层神经元个数的取值范围为[4，13]，输入层和输出层用purelin函数表达，隐藏层使用sigmoid函数表达。
6.根据权利要求5所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，隐藏层神经元个数为10。
7.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(4)中，机器学习数据集中的训练集、验证集及测试集比例分别为60-70％、15-20％、15-20％，训练算法选为莱文贝格-马夸特法，学习率为0.01，迭代次数为1000，训练精度要求为0.001。
8.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(4)中，具体训练过程为：
9.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(5)中，验证测试预设误差为0.001。
10.根据权利要求1所述的一种基于人工神经网络的高温合金中微量元素mg含量的精确控制方法，其特征在于，步骤(6)中，随机设置的熔炼工艺参数在步骤(1)所述的工艺参数范围内，并按照设置工艺进行合金真空感应熔炼，利用icp-ms或icp-aes方法测定合金中的mg元素实际含量，当mg含量预测模型预测含量与实际含量的误差在±20ppm时，断定预测模型的有效性及准确性。
