申请/专利权人：兰州理工大学

申请日：2023-08-07

公开（公告）日：2024-06-21

公开（公告）号：CN117272782B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0464;G06N3/084;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.02.06#著录事项变更;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明公开了一种基于自适应多支路深度可分离的热轧钢力学性能预测方法，涉及热轧钢材力学性能预测技术领域。一方面，本发明针对其原始数据特征表征能力较弱的问题，提出采用格拉姆角场GAF方法，将原始一维数据转化为二维矩阵，丰富数据间的相关性特征，使模型可以提取到更多的有效特征信息，得到更好的训练，从而实现性能的提升。另一方面，为在解决任务紧凑的高实时性需求时，提高模型精度，提出多支路深度可分离卷积MB‑DSC与自适应瓶颈层AB的结合模块，提高其特征提取能力，在深度可分离基础上引入直观直觉，轻量化模型的同时提高模型性能，平衡二者之间的关系，使得构造出一种轻量化的高精度模型。

主权项：1.一种基于自适应多支路深度可分离的热轧钢力学性能预测方法，其特征在于，输入参数包括5种热处理参数以及5种化学成分，5种热处理参数包括炉内加热温度、开轧温度、终轧温度、卷取温度、压缩度，5种化学成分包括碳、硅、锰、磷、硫，方法包括如下步骤：S1、对原始一维数据进行数据增强得到二维矩阵，并划分数据集；S2、构造优化改进的卷积神经网络模型；所述优化改进的卷积神经网络模型，使用深度可分离卷积操作进行逐通道卷积和逐点卷积；其中，逐通道卷积是以单个通道作为特征图，并使用各卷积核提取各自通道的局部信息；逐点卷积使用与逐通道卷积相同通道维度的卷积核，将其整合为与逐点卷积的卷积核相同数量的输出特征图；在逐通道卷积阶段，构建多支路卷积神经网络，每个支路代表不同尺寸的卷积核，并将多支路输出求和；在逐点卷积阶段，将自适应瓶颈层与其结合，采用全局均值池化操作通过权重大小自适应调节瓶颈系数；步骤S2构造优化改进的卷积神经网络模型包括步骤：S21、在CNN基础上使用深度可分离卷积操作，进行逐通道卷积和逐点卷积两个卷积处理步骤；假设输入特征图尺寸为Din×Din×M，输出特征图尺寸为Dout×Dout×N，尺寸维度分别对应于特征图的高度、宽度和通道数，卷积核的尺寸大小设置为Dk×Dk；逐通道卷积使用数量为M，尺寸为Dk×Dk×1卷积核进行处理，产生Dout×Dout×M的特征图；逐点卷积使用数量为N，尺寸为1×1×M卷积核对中间特征图进行通道转换产生尺寸为Dout×Dout×N的特征图；S22、在深度可分离卷积的基础上，从逐通道卷积方面，构建多支路卷积神经网络，每个支路代表不同尺寸的卷积核，分别为K×K、K×1和1×K，将三支路输出求和；S23、从逐点卷积方面，将自适应瓶颈层与其结合，采用全局均值池化操作通过权重大小自适应调节瓶颈系数大小，以实现自适应瓶颈层优化，使瓶颈系数以比值的形式将核数量设定为比输入通道数少的值，并在瓶颈后采用点卷积的形式进行还原操作，恢复通道数；S24、采用全局均值池化层代替末端的全连接层，将特征图转化为定长的向量，代替全连接层中的权重参数；步骤S23中，假设输入特征图通道数为Cin，输出特征图通道数为Cout，瓶颈层通道数为Cb，瓶颈系数为B，若不设置瓶颈层，则点卷积计算参数如式4所示，若设置瓶颈层则为式5所示，其中瓶颈层通道数如式6，根据式5和式6得到式7，当P2小于P1时存在式8，约分得式9：P1＝Cin×Cout4P2＝Cin×Cb+Cb×Cout5Cb＝B×Cin6 S3、设定超参数，在训练集上学习训练优化改进的卷积神经网络模型，通过损失函数判别得到训练好的模型；S4，利用已训练好的模型对测试集数据进行预测，得到热轧钢力学性能预测结果。

全文数据：

权利要求：

百度查询： 兰州理工大学 基于自适应多支路深度可分离的热轧钢力学性能预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD