王紅珂，劉嘯天，林磊，孫海濤，呂云鶴，張晏瑋，薛飛

（1.蘇州熱工研究院有限公司，江蘇 蘇州 215004；2.生態(tài)環(huán)境部核與輻射安全中心，北京 100082）

材料在服役過程中，由于受光照、熱能、機(jī)械能、輻照、潮濕等因素的影響，會(huì)逐步發(fā)生老化，進(jìn)而導(dǎo)致材料性能下降甚至失效。材料失效不僅帶來巨大的經(jīng)濟(jì)損失，造成環(huán)境污染和資源浪費(fèi)，甚至可能釀成安全事故，引發(fā)各種社會(huì)問題。因此，材料服役性能研究和服役壽命預(yù)測一直是材料領(lǐng)域的研究熱點(diǎn)之一。

在早期研究中，通常將材料放置在自然環(huán)境或人工模擬環(huán)境中進(jìn)行大量性能試驗(yàn)，并在試驗(yàn)過程中監(jiān)測材料性能的變化情況。然后找出試驗(yàn)條件和材料性能之間的關(guān)系，進(jìn)而預(yù)測材料服役性能的變化趨勢和服役壽命。但這種方法通常需要投放大量的試樣，試驗(yàn)周期漫長，無法真實(shí)反映出實(shí)際環(huán)境中不同因素之間的協(xié)同作用和綜合效應(yīng)，在客觀性和普適性方面存在不足。

目前，材料服役性能研究主要分為四個(gè)方向：加速模擬實(shí)驗(yàn)、力學(xué)性能研究、數(shù)學(xué)模型和數(shù)據(jù)挖掘。其中，加速模擬實(shí)驗(yàn)是最簡便可行的方案，但加速過程會(huì)掩蓋材料服役的關(guān)鍵細(xì)節(jié)，難以區(qū)分不同條件對(duì)材料性能影響的細(xì)微差別。力學(xué)性能研究通過經(jīng)典力學(xué)、斷裂力學(xué)、疲勞力學(xué)、損傷力學(xué)等方法建立材料力學(xué)方程，然后進(jìn)行力學(xué)分析和服役性能預(yù)測。但對(duì)于受力復(fù)雜的情況，建立的力學(xué)方程非常復(fù)雜，并且很難反映材料的真實(shí)受力情況。數(shù)學(xué)模型通過短期試驗(yàn)，推測長期服役條件下材料性能的變化情況，但該方法預(yù)測誤差較大、計(jì)算復(fù)雜、普適性有待進(jìn)一步研究。

數(shù)據(jù)挖掘通過機(jī)器學(xué)習(xí)，對(duì)大量材料服役數(shù)據(jù)進(jìn)行學(xué)習(xí)和規(guī)律總結(jié)，然后對(duì)材料服役性能進(jìn)行預(yù)測，目前已經(jīng)在醫(yī)藥、生物信息、圖像識(shí)別、故障診斷等領(lǐng)域取得了應(yīng)用成果。文中首先闡述了機(jī)器學(xué)習(xí)在材料服役性能預(yù)測中的一般流程及常用機(jī)器學(xué)習(xí)模型原理，并對(duì)各種模型在材料服役性能研究應(yīng)用中的特點(diǎn)進(jìn)行總結(jié)；然后具體研究了機(jī)器學(xué)習(xí)在RPV鋼輻照性能預(yù)測中的應(yīng)用。研究結(jié)果為材料服役性能預(yù)測提供了新的方法和參考。

1 基于機(jī)器學(xué)習(xí)的材料服役性能預(yù)測

機(jī)器學(xué)習(xí)在材料服役性能預(yù)測的一般流程如圖1所示，主要包括兩個(gè)過程：1）從材料基因數(shù)據(jù)庫中選擇要處理的數(shù)據(jù)并進(jìn)行預(yù)處理、特征選擇和樣本劃分，然后通過機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練、測試和評(píng)估，并獲得最優(yōu)模型及模型參數(shù)；2）通過最優(yōu)模型對(duì)新數(shù)據(jù)進(jìn)行服役性能預(yù)測，獲得最終結(jié)果。

圖1 基于機(jī)器學(xué)習(xí)的材料服役性能預(yù)測流程Fig.1 Prediction process of material service performance based on machine learning

材料基因數(shù)據(jù)庫為源數(shù)據(jù)，可源于試驗(yàn)、測試、仿真計(jì)算或其他數(shù)據(jù)庫。數(shù)據(jù)庫中數(shù)據(jù)的來源、格式、完整度等存在差異，需要進(jìn)行數(shù)據(jù)清洗使其符合機(jī)器學(xué)習(xí)模型的輸入要求。數(shù)據(jù)清洗包括異常值剔除、缺失值填充、重復(fù)樣本刪除、數(shù)字化等。對(duì)于不同量綱或存在數(shù)量級(jí)差異的特征值，還需要進(jìn)行歸一化或標(biāo)準(zhǔn)化處理，消除量綱帶來的偏差。

數(shù)據(jù)清洗和預(yù)處理后需要進(jìn)行特征選擇，找出和目標(biāo)相關(guān)度高的特征進(jìn)行學(xué)習(xí)和訓(xùn)練，消除無關(guān)特征帶來的噪聲偏差。常用的特征選擇方法有過濾式、包裹式和嵌入式，篩選后的特征子集可提高模型的訓(xùn)練效率和預(yù)測精度。

獲得特征子集后，通過分層抽樣將其劃分為訓(xùn)練集和測試集，測試集約占總樣本的20%~30%。然后選擇合適的模型，并在訓(xùn)練集上進(jìn)行模型訓(xùn)練和參數(shù)調(diào)優(yōu)。模型訓(xùn)練后，根據(jù)預(yù)測結(jié)果進(jìn)行模型評(píng)估，常用的評(píng)估指標(biāo)有平均絕對(duì)誤差、均方根誤差和決定系數(shù)等。

1）平均絕對(duì)誤差MAE。

2）均方根誤差RMSE。

3）決定系數(shù)。

決定系數(shù)用來衡量模型對(duì)數(shù)據(jù)集波動(dòng)的解釋程度，最大值為1。越接近1，表明模型的擬合越好。

根據(jù)模型評(píng)估結(jié)果保存最優(yōu)模型及參數(shù)，當(dāng)有相同場景的新數(shù)據(jù)輸入時(shí)，可直接通過最優(yōu)模型對(duì)材料屬性進(jìn)行預(yù)測。

2 機(jī)器學(xué)習(xí)模型

根據(jù)訓(xùn)練數(shù)據(jù)是否擁有標(biāo)記信息，機(jī)器學(xué)習(xí)可分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。材料服役性能預(yù)測屬于監(jiān)督學(xué)習(xí)，常用的學(xué)習(xí)模型有支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、決策樹和隨機(jī)森林等。

2.1 支持向量機(jī)

支持向量機(jī)的目的是獲得N維空間的最優(yōu)超平面，其用于二維空間的分類如圖2所示。支持向量機(jī)可解決三類問題：1）樣本線性可分，通過硬間隔最大學(xué)習(xí)一個(gè)分類器；2）樣本近似線性可分，通過軟間隔最大學(xué)習(xí)一個(gè)分類器；3）樣本線性不可分，通過核技法將低維非線性問題轉(zhuǎn)化為高維線性問題，然后學(xué)習(xí)一個(gè)非線性支持向量機(jī)。支持向量機(jī)可用于分類也可用于回歸，回歸問題的目標(biāo)函數(shù)為：

圖2 支持向量機(jī)分類示意Fig.2 Classification schematic diagram of support vector machine (SVM)

式中：= （,,… ,ω）為超平面的法向量；為正則化系數(shù)；l為損失函數(shù)。

加入核函數(shù)后，式（4）可表示為：

2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，主要包括正向傳播和誤差反向傳遞兩個(gè)過程。其中，正向傳播的輸出可表示為：

圖3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of artificial neural network

式中：、、分別為輸入層到隱藏層的權(quán)重、偏置項(xiàng)和激活函數(shù)；、、分別為隱藏層到輸出層的權(quán)重、偏置項(xiàng)和激活函數(shù)，為模型輸出。

誤差反向傳遞是根據(jù)預(yù)測值與期望值的偏差逐層回歸計(jì)算正向傳播過程中的誤差，并迭代更新各層神經(jīng)元的權(quán)值，回歸問題的損失函數(shù)為：

然后根據(jù)損失函數(shù)和正向傳播公式迭代更新各層的權(quán)值及偏置項(xiàng)，并使損失函數(shù)越來越小。通過建立多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，適當(dāng)增加神經(jīng)元個(gè)數(shù)和樣本數(shù)量，可提高模型的擬合能力。

2.3 決策樹

決策樹是一種基于樹結(jié)構(gòu)劃分的學(xué)習(xí)算法，可分為分類樹和回歸樹，圖4為一個(gè)深度為3層的分類樹。決策樹主要包括決策樹生長和剪枝兩個(gè)步驟：1）決策樹生長采用的屬性選擇方法有ID3、C4.5和Gini指數(shù)，ID3和C4.5分別采用信息增益和信息增益率進(jìn)行屬性選擇；2）決策樹剪枝是為了防止模型過擬合，并提高模型的訓(xùn)練速度和識(shí)別能力，通常采用“預(yù)剪枝”和“后剪枝”兩種策略。

圖4 決策樹結(jié)構(gòu)示意Fig.4 Schematic diagram of decision tree structure

2.4 隨機(jī)森林

隨機(jī)森林回歸算法的流程如圖5所示，其是一種基于決策樹模型的Boosting集成算法，可用于分類、回歸和特征選擇。首先從原始數(shù)據(jù)中隨機(jī)抽取若干個(gè)樣本組成樣本子集，然后基于每個(gè)樣本子集建立決策樹，并構(gòu)成樹模型集合{(,)，= 1,2,…}。對(duì)于回歸問題，(,)采用CART算法生成回歸樹，θ決定每棵樹的生長過程。

圖5 隨機(jī)森林回歸模型結(jié)構(gòu)Fig.5 Structure of random forest regression model

3 機(jī)器學(xué)習(xí)在材料服役性能預(yù)測中的應(yīng)用

材料服役性能與其結(jié)構(gòu)、成分、環(huán)境條件等密切相關(guān)，不同因素之間的相互作用復(fù)雜。機(jī)器學(xué)習(xí)可以從大量服役數(shù)據(jù)中獲得各因素之間的影響規(guī)律，并對(duì)服役性能進(jìn)行預(yù)測。材料的服役性能主要包括腐蝕、磨損、輻照和疲勞等。

3.1 腐蝕性能預(yù)測

影響材料腐蝕的因素包括化學(xué)成分、組織結(jié)構(gòu)、加工工藝、服役條件等，并且不同因素又包含多個(gè)維度信息，通常采用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等擬合能力強(qiáng)、適用緯度高的模型進(jìn)行腐蝕性能預(yù)測。

杜翠微等采用人工神經(jīng)網(wǎng)絡(luò)建立了碳鋼和低合金鋼的腐蝕速率預(yù)測模型，探究了化學(xué)成分、環(huán)境因素及多因素耦合作用對(duì)海水中金屬材料腐蝕性能的影響。訓(xùn)練數(shù)據(jù)為我國典型海水區(qū)域長達(dá)16 a的腐蝕樣本，模型輸入為合金主要元素成分、pH、溫度、溶解氧、鹽度、生物附著物等。當(dāng)僅考慮環(huán)境因素時(shí)，模型的預(yù)測精度達(dá)到75%；當(dāng)同時(shí)考慮環(huán)境因素和材料元素含量時(shí)，模型的預(yù)測精度可提高到90%以上。

LY12CZ鋁合金是飛機(jī)承重構(gòu)件的主要材料，劉延利等]通過鹽霧試驗(yàn)獲得了鋁合金材料的腐蝕試樣，并對(duì)試樣進(jìn)行疲勞試驗(yàn)和腐蝕深度測量。然后基于腐蝕溫度、腐蝕時(shí)間、最大點(diǎn)蝕深度及疲勞額定強(qiáng)度, 建立了人工神經(jīng)網(wǎng)絡(luò)模型，模型對(duì)試樣最大腐蝕深度的預(yù)測誤差為7.24%，對(duì)疲勞額定強(qiáng)度的預(yù)測誤差為1.63%。

為驗(yàn)證RE-Ni-Cu合金鑄鐵在堿液中的腐蝕性能，王玉榮等通過靜態(tài)質(zhì)量損失腐蝕試驗(yàn)獲得了35組腐蝕樣本數(shù)據(jù)，然后建立了合金成分、腐蝕時(shí)間、堿液溫度與合金鑄鐵腐蝕深度的RBF神經(jīng)網(wǎng)絡(luò)模型。RBF神經(jīng)網(wǎng)絡(luò)對(duì)合金鑄鐵腐蝕深度的預(yù)測誤差為8.09%，對(duì)樣本的耐腐蝕等級(jí)和耐腐蝕評(píng)價(jià)準(zhǔn)確率達(dá)到100%。

海底管道腐蝕速率的有效預(yù)測可減少管道失效風(fēng)險(xiǎn)，李響等基于Q235鋼材海洋掛片的腐蝕數(shù)據(jù)建立了環(huán)境溫度、含氧量、含鹽量、pH和腐蝕速率之間的SVM模型。首先采用遺傳算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，優(yōu)化后的模型對(duì)試樣腐蝕速率的預(yù)測誤差小于3%，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

針對(duì)長輸管道腐蝕速率的預(yù)測，馬鋼等建立了PSO-SVM模型，模型輸入為CO含量、硫化物含量、輸送溫度、輸送壓力和流速，輸出為管道腐蝕速率。然后分別采用粒子群算法（PSO）、遺傳算法（GA）、交叉驗(yàn)證（CV）、最小二乘法（LS）和果蠅算法（FOA）對(duì)模型參數(shù)進(jìn)行優(yōu)化。預(yù)測結(jié)果見表1，其中PSOSVM模型的平均絕對(duì)誤差和均方根誤差最小，分別為0.58%和6.18×10，但該模型的訓(xùn)練時(shí)間較長，仍需進(jìn)一步優(yōu)化。

表1 不同模型的時(shí)間及預(yù)測誤差[17]Tab.1 Prediction time and error of different models[17]

支持向量機(jī)（SVM）可有效避免過擬合和局部極小值問題，適用于數(shù)據(jù)樣本較小、特征維度中等的數(shù)據(jù)集。但是SVM模型參數(shù)對(duì)預(yù)測結(jié)果影響較大，通常結(jié)合主成分分析法、遺傳算法、粒子群優(yōu)化算法、交叉驗(yàn)證和最小二乘法等對(duì)模型參數(shù)進(jìn)行優(yōu)化，并采用優(yōu)化后的參數(shù)進(jìn)行模型訓(xùn)練和預(yù)測，從而提高模型效率和預(yù)測精度。

3.2 磨損性能預(yù)測

磨損與材料硬度、受力狀態(tài)、摩擦系數(shù)等因素有關(guān)，但這些參數(shù)通常難以全部準(zhǔn)確獲得，容易造成數(shù)據(jù)缺失，通常采用對(duì)缺失值容忍度好的隨機(jī)森林模型進(jìn)行預(yù)測。由于磨損也是設(shè)備機(jī)械故障的一個(gè)重要原因，但磨損故障樣本較小，容易造成樣本不均衡，因此可選擇適用于小樣本的支持向量機(jī)模型進(jìn)行預(yù)測。

隨機(jī)森林具有可解釋性好、對(duì)缺失值及異常值容忍度高等特點(diǎn)，可用于降維和重要特征篩選。趙帥等提出了一種基于隨機(jī)森林和主成分分析法相結(jié)合的刀具磨損狀態(tài)評(píng)估模型，首先通過降維獲得刀具磨損的特征主分量，然后對(duì)刀具磨損狀態(tài)進(jìn)行評(píng)估，模型對(duì)刀具磨損狀態(tài)的評(píng)估準(zhǔn)確率達(dá)到94.3%。降維和重要特征篩選提高了模型的效率和評(píng)估精度，降低了噪聲對(duì)評(píng)估結(jié)果的影響，增強(qiáng)了模型的魯棒性。

鐵譜分析法是航空發(fā)動(dòng)機(jī)磨損故障診斷的常用方法，但該方法依賴于專家經(jīng)驗(yàn)和人工判斷，診斷誤差較大且效率很低。張建等提出一種基于免疫算法優(yōu)化的支持向量機(jī)模型，首先通過免疫算法對(duì)模型的懲罰因子、松弛變量等進(jìn)行優(yōu)化，然后對(duì)航空發(fā)動(dòng)機(jī)故障類型進(jìn)行預(yù)測，預(yù)測準(zhǔn)確率可達(dá)98%，添加了2%的噪聲后，預(yù)測準(zhǔn)確率仍大于95%。

人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性好、非線性建模能力強(qiáng)等優(yōu)點(diǎn)，適用于特征維度高、規(guī)律復(fù)雜的場景。針對(duì)聚酰胺復(fù)合材料（PA6）磨損性能的預(yù)測，呂若云等提出一種基于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的混合神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖6所示。模型輸入為材料成分、載荷和轉(zhuǎn)速，輸出為摩擦因數(shù)和磨損率。混合神經(jīng)網(wǎng)絡(luò)對(duì)材料的摩擦因數(shù)、磨損率的預(yù)測誤差分別為3.01%和0.32%，為材料磨損性能的研究節(jié)省更多時(shí)間和成本。

圖6 混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[20]Fig.6 Structure of hybrid neural network[20]

磨損量和切削力通常采用解析法或經(jīng)驗(yàn)公式進(jìn)行預(yù)測，但存在預(yù)測精度低、數(shù)學(xué)模型復(fù)雜等局限性。李鑫等將改進(jìn)后的神經(jīng)網(wǎng)絡(luò)用于合金車削刀具磨損量和切削力的預(yù)測，預(yù)測結(jié)果見表2，神經(jīng)網(wǎng)絡(luò)的平均預(yù)測誤差為2.4%，小于經(jīng)驗(yàn)公式4.9%的預(yù)測誤差。但是神經(jīng)網(wǎng)絡(luò)的預(yù)測精度高度依賴于訓(xùn)練樣本，更傾向于訓(xùn)練樣本范圍內(nèi)的數(shù)據(jù)，并且缺乏對(duì)切削加工過程中物理本質(zhì)的描述，可解釋性差。

表2 神經(jīng)網(wǎng)絡(luò)模型與經(jīng)驗(yàn)公式對(duì)刀具銑削力的預(yù)測結(jié)果[21]Tab.2 Prediction results of tool milling force by neural network model and empirical formula[21]

3.3 輻照性能預(yù)測

壓力容器的輻照性能與材料成分、輻照條件、微觀結(jié)構(gòu)等密切相關(guān)，Mathew等提出一種基于人工神經(jīng)網(wǎng)絡(luò)的壓力容器輻照脆化預(yù)測模型，模型輸入為化學(xué)成分、輻照溫度、中子注量和注量率，輸出為材料的轉(zhuǎn)變溫度。人工神經(jīng)網(wǎng)絡(luò)可以較好反映出材料成分、輻照條件與輻照轉(zhuǎn)變溫度之間的關(guān)系，預(yù)測結(jié)果與試驗(yàn)結(jié)果基本一致。

針對(duì)輻照環(huán)境下材料硬度的預(yù)測，Kemp等提出了一種基于貝葉斯框架的人工神經(jīng)網(wǎng)絡(luò)模型，并分析了溫度、輻照劑量、化學(xué)成分對(duì)輻照后馬氏體鋼屈服應(yīng)力的影響。神經(jīng)網(wǎng)絡(luò)模型可以很好地捕捉到屈服應(yīng)力與化學(xué)成分及輻照條件之間的非線性關(guān)系，預(yù)測結(jié)果有助于材料性能試驗(yàn)設(shè)計(jì)及缺失信息的補(bǔ)充。

Castin等提出了兩種不同的人工神經(jīng)網(wǎng)絡(luò)模型，并用于壓力容器鋼輻照后屈服應(yīng)力的預(yù)測。其中貝葉斯訓(xùn)練神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果更接近于試驗(yàn)值，預(yù)測精度要好于BP神經(jīng)網(wǎng)絡(luò)。通過對(duì)現(xiàn)有數(shù)據(jù)的訓(xùn)練和模型優(yōu)化，實(shí)現(xiàn)了高中子注量條件下材料的輻照性能預(yù)測。

高功率微波輻照條件下電子元器件會(huì)發(fā)生損傷失效，金焱等采用支持向量機(jī)對(duì)電子元器件的損傷概率進(jìn)行預(yù)測，同時(shí)采用模糊神經(jīng)網(wǎng)絡(luò)在相同條件下對(duì)算例進(jìn)行了預(yù)測分析。支持向量機(jī)和模糊神經(jīng)網(wǎng)絡(luò)都較好地獲得了預(yù)測結(jié)果，但在小樣本條件下支持向量機(jī)的預(yù)測精度更高，預(yù)測結(jié)果也更為穩(wěn)定。

3.4 疲勞性能預(yù)測

疲勞是指交變載荷作用下結(jié)構(gòu)產(chǎn)生裂紋或斷裂的一種現(xiàn)象，通常用疲勞壽命或疲勞強(qiáng)度表示。材料疲勞失效的因素有很多，如材料成分、加工工藝、表面狀態(tài)、受力情況等。不同因素的細(xì)微差別都可能造成疲勞性能的較大差異，因此需要根據(jù)材料疲勞失效因素的維度、樣本數(shù)量、數(shù)據(jù)完整度等選擇合適的學(xué)習(xí)模型。

Agrawal等基于NIMS提供的鋼材料疲勞數(shù)據(jù)集，對(duì)材料疲勞性能影響因素進(jìn)行重要性篩選，然后采用數(shù)十種模型對(duì)材料疲勞壽命進(jìn)行預(yù)測。其中人工神經(jīng)網(wǎng)絡(luò)、決策樹、多項(xiàng)式回歸模型的預(yù)測精度都達(dá)到了預(yù)期效果，模型均方根誤差最小為26.44。

為預(yù)測316不銹鋼的低周疲勞壽命，Mathew等采用神經(jīng)網(wǎng)絡(luò)對(duì)不同溫度和氮含量條件下各因素對(duì)材料疲勞性能的影響進(jìn)行研究。其中，人工神經(jīng)網(wǎng)絡(luò)可準(zhǔn)確預(yù)測316不銹鋼在任何溫度條件下的疲勞壽命，預(yù)測誤差為5.4%，具有較高的精度和魯棒性。

盡管人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在復(fù)雜材料疲勞性能預(yù)測中發(fā)揮出良好的作用，但在材料疲勞樣本較少時(shí)容易出現(xiàn)過擬合和局部極小值，模型預(yù)測精度大大降低。吳峰崎等建立了基于支持向量機(jī)的材料疲勞壽命預(yù)測模型，模型預(yù)測誤差為7.91%，可以在較少樣本條件下實(shí)現(xiàn)材料疲勞壽命預(yù)測。

3.5 模型對(duì)比分析

通過對(duì)各種機(jī)器學(xué)習(xí)模型在材料服役性能預(yù)測中的應(yīng)用分析，不同服役數(shù)據(jù)的特征不同、數(shù)據(jù)分布及特征復(fù)雜度存在差異。因此需要根據(jù)具體的應(yīng)用場景及數(shù)據(jù)特點(diǎn)選擇合適的模型進(jìn)行訓(xùn)練和性能預(yù)測，常用機(jī)器學(xué)習(xí)模型的特點(diǎn)及使用場景見表3。

表3 常用機(jī)器學(xué)習(xí)模型性能對(duì)比Tab.3 Performance comparison of common machine learning models

4 基于模型融合的RPV鋼輻照性能預(yù)測

4.1 輻照數(shù)據(jù)

文中所用的RPV鋼輻照數(shù)據(jù)來源于文獻(xiàn)數(shù)據(jù)及試驗(yàn)數(shù)據(jù)，共有390條有效樣本，數(shù)據(jù)分布如圖7所示。首先剔除與輻照性能相關(guān)性較小的特征，最終選擇中子注量、注量率、輻照溫度、Cu含量、Ni含量、Mn含量、Si含量、P含量作為模型輸入，輻照后的轉(zhuǎn)變溫度增量Δ作為模型輸出。

圖7 輻照數(shù)據(jù)分布Fig.7 Distribution of radiation data

4.2 數(shù)據(jù)劃分

由于RPV鋼輻照數(shù)據(jù)樣本較小且離散性大，因此需要保證數(shù)據(jù)劃分后仍保持原始數(shù)據(jù)的分布規(guī)律，避免數(shù)據(jù)不均衡造成預(yù)測偏差。首先對(duì)相關(guān)性較高的Cu含量進(jìn)行區(qū)間劃分并標(biāo)記為4個(gè)類別，然后按類別進(jìn)行分層抽樣，抽樣結(jié)果見表4。其中，分層抽樣后的樣本分布與原始數(shù)據(jù)基本相同，Cu含量類別“4”的樣本占比誤差最大，為-4.76%；隨機(jī)抽樣后的樣本分布與原始樣本差異較大，最大的占比誤差為8.57%。分層抽樣后，將80%的數(shù)據(jù)用作訓(xùn)練，20%用作測試。

表4 數(shù)據(jù)抽樣結(jié)果及誤差Tab.4 Results and errors of data sampling

4.3 模型預(yù)測

數(shù)據(jù)劃分后采用單一模型進(jìn)行訓(xùn)練和預(yù)測，并對(duì)各種模型的預(yù)測結(jié)果進(jìn)行評(píng)估，結(jié)果如圖8所示。其中，極端梯度增強(qiáng)算法模型（Extreme Grandient Boosting, XGBoost）的均方根誤差最小為10.16，達(dá)到0.88?；跇淠Ｐ偷募伤惴ǎ珉S機(jī)森林（Random Forest, RF）、梯度提升決策樹（Grandient Boosting Decision Tree, GBDT）、自適應(yīng)提升算法（Adaptive Boosting, AdaBoost）、XGBoost和輕量級(jí)梯度提升算法（Light Grant Boosting Machine,LightGBM）等模型的預(yù)測平均絕對(duì)誤差均小于10，表明樹模型對(duì)本數(shù)據(jù)集的預(yù)測精度相對(duì)較高。

圖8 各種模型評(píng)估結(jié)果Fig.8 Evaluation results of various models

為提高輻照性能的預(yù)測精度，采用Stacking方法在單一模型預(yù)測結(jié)果的基礎(chǔ)上再次進(jìn)行模型訓(xùn)練和預(yù)測。方法流程如圖9所示，具體步驟如下：

圖9 基于Stacking集成方法的預(yù)測流程Fig.9 Prediction process based on stacking integration method

1）將訓(xùn)練集均分為5個(gè)樣本子集，4個(gè)用于訓(xùn)練，1個(gè)用于預(yù)測；

2）采用RF、GBDT、AdaBoost、XGBoost和LightGBM模型分別在4個(gè)訓(xùn)練子集上進(jìn)行訓(xùn)練，并對(duì)剩余1個(gè)樣本子集進(jìn)行預(yù)測。五個(gè)模型的預(yù)測結(jié)果重組為新訓(xùn)練集，大小與訓(xùn)練集相同；

3）采用上述五個(gè)模型分別對(duì)測試集進(jìn)行預(yù)測，并將預(yù)測結(jié)果求平均后作為新測試集；

4）將新訓(xùn)練集和新測試集組成一個(gè)新數(shù)據(jù)集，然后采用支持向量機(jī)回歸（Support Vector Regression,SVR）模型在新數(shù)據(jù)集上進(jìn)行訓(xùn)練。

基于Stacking方法的預(yù)測結(jié)果如圖10所示，模型預(yù)測值與試驗(yàn)值基本一致，全部落在45°線附近區(qū)域。模型預(yù)測結(jié)果與試驗(yàn)值的均方根誤差RMSE為9.94，平均絕對(duì)值誤差MAE為8.01，達(dá)到0.89。相比于單一模型，基于Stacking方法的集成模型預(yù)測性能得到提升，對(duì)RPV鋼輻照性能預(yù)測具有較高的準(zhǔn)確度和可靠性。

圖10 集成模型預(yù)測結(jié)果Fig.10 Prediction results of the integrated model

5 總結(jié)與展望

從機(jī)器學(xué)習(xí)流程出發(fā)，首先概括了常用機(jī)器學(xué)習(xí)模型的原理及其在材料服役性能預(yù)測中的應(yīng)用；然后采用多種機(jī)器學(xué)習(xí)模型對(duì)RPV鋼的輻照性能進(jìn)行預(yù)測，并采用Stacking方法提高了模型的預(yù)測精度。主要結(jié)論如下：

1）機(jī)器學(xué)習(xí)可用于材料服役性能預(yù)測，具有較高的預(yù)測精度和可靠性；

2）模型選擇應(yīng)考慮材料服役數(shù)據(jù)的質(zhì)量、模型特點(diǎn)及樣本數(shù)量；

3）重要特征提取、模型融合和參數(shù)優(yōu)化算法可提高模型的精度和運(yùn)算效率。

目前，機(jī)器學(xué)習(xí)在材料服役性能預(yù)測中的應(yīng)用仍處于初級(jí)階段，大量工作仍需進(jìn)一步開展。如豐富完善已有的材料基因數(shù)據(jù)庫，開展更高精度機(jī)器學(xué)習(xí)算法研究，優(yōu)化機(jī)器學(xué)習(xí)模型參數(shù)，提高運(yùn)算效率，結(jié)合物理模型及相關(guān)理論，增強(qiáng)機(jī)器學(xué)習(xí)模型的解釋性。