具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。

发明人创造性地将机器学习方法应用到实验数据的分析处理中，可以更好地为实验研究提供可靠的、系统性的科学指导，一定程度减少实验的盲目性，节省时间与成本，提高工业生产中铝、镁等合金材料的性能，同时为关于晶粒尺寸预测的商业软件开发与数据库的建立提供了指导方向。

请参照图1，本发明实施例提供一种晶粒尺寸预测模型的建立方法，发明人创造性地将机器学习算法引入晶粒尺寸预测模型的建立中，并通过探究发现，这一方法能够筛选出准确的预测模型，提高预测的精确度。

在实际操作过程中，包括以下步骤：

S1、特征值的获取

选取合金材料的工艺参数作为晶粒尺寸的特征值，根据选取的晶粒尺寸的特征值形成晶粒尺寸数据集。

选取用于预测晶体尺寸特征值：通过对文献进行查找得到数据集，包括非常多的相关数据。在进行模型构建时，将数据按8:2分成训练集与测试集。为简化特征的描述，元素中不带0的表示合金中的元素，例如Fe，Si，含量为百分比；元素中带0表示细化剂含有的元素，如：Ti0，B0，含量为百分比；Rate表示细化剂的百分比含量，Time表示加入细化剂后的维持时间，单位为min；MSG表示合金的平均晶粒尺寸大小，单位um。

具体地，合金材料可以为铝合金和镁合金中的至少一种，也可以为其他合金类型，均适用本发明实施例所提供的建模方法，用于预测合金的晶体粒径。晶粒尺寸的特征值包括：合金成分、细化剂的成分、细化剂含量、过冷度和加入细化剂的保温时间，晶粒尺寸数据集是通过探究以上特征值与晶粒尺寸之间的相关度来筛选确定的。

在实际操作过程中，数据集的获得过程包括：对初始数据集进行预处理得到第一数据集，计算并获得第一数据集中数据间的相关性，根据相关性形成晶粒尺寸数据集。具体地，数据集的获得过程包括：计算皮尔逊相关系数，使用皮尔逊相关系数表示第一数据集中不同数据与晶粒尺寸之间的相关性；当皮尔逊相关系数的绝对值大于预设数值时，表示两个数据之间的相关性不合格，将相关性不合格的每两个数据之间的其中一个删除，得到剩余数据；当皮尔逊相关系数的绝对值小于等于预设数值时，表示两个数据之间的相关性合格，得到合格数据；将剩余数据和合格数据集合便形成晶粒尺寸数据集。

需要说明的是，皮尔逊相关系数(Pearson correlation coefficient)用来反映两个随机变量之间的线性相关程度。结果中，r值就是皮尔逊相关系数的大小，代表了相关的强度，即两个变量共变性的程度，取值范围为(-1,1)；p值是显著性，与皮尔逊相关显著性检验有关。

具体地，使用所述皮尔逊相关系数表示第一数据集中不同数据与晶粒尺寸之间的相关性，当所述皮尔逊相关系数的绝对值等于0时，表示两个数据之间不相关；当所述皮尔逊相关系数的绝对值等于1时，表示两个数据之间线性相关拟合。由于在机器学习算法中应保证数据之间无很高的相关性，所以将预设数值设置为0.95，当所述皮尔逊相关系数的绝对值大于预设数值时，表示两个数据之间的相关性较高，即相关性不合格，应当将相关性不合格的每两个数据之间的其中一个删除，保留未被删除的数据并作为剩余数据，以降低数据之间的相关性；当皮尔逊相关系数的绝对值小于等于预设数值时，表示两个数据之间的相关性低，即相关性合格，应当将相关性合格的两个数据均保留，并作为合格数据。上述剩余数据和合格数据均满足相关性合格的条件，于是将上述剩余数据和合格数据集合便形成晶粒尺寸数据集。

S2、采用机器学习算法预测晶粒尺寸模型

将数据集输入多个机器学习模型中，得到不同机器学习模型的评估参数；根据多个机器学习模型的评估参数对多个机器学习模型进行筛选得到多个第一模型。

在可选的实施方式中，机器学习模型的个数为至少四个。如机器学习模型为四个，且四个机器学习模型分别为：Extreme Gradient Boosting(Xgboost)、随机森林(RF)、AdaBoost以及Gradient Boosting Decision Tree(GBDT)。以上四个机器学习模型均适合于晶粒尺寸预测模型的建立，通过本发明实施例所提供的建立方法筛选出更准确的建模方法。

具体地，机器学习模型为四个时，对应的第一模型也是四个。

S3、通过交叉验证的方式对不同模型进行评估，以筛选出最佳模型

将多个第一模型进行五折交叉验证，得到多个第一模型的评估参数；根据多个第一模型的评估参数，得到最佳模型。采用5折交叉验证方法，随机选取训练集和测试集，以保证所有的样本都能充当训练集或者测试集。

在实际操作过程中，第一模型的评估参数的获得过程包括：将晶粒尺寸数据集分为训练集和测试集，先将训练集输入至多个机器学习模型中，以使多个机器学习模型根据训练集进行训练，得到多个训练好的模型；再将测试集中的晶粒尺寸的特征值分别输入至多个训练好的模型中，以使多个训练好的模型通过机器学习预测晶粒尺寸的数值后输出得到多个晶粒尺寸的预测结果；将多个晶粒尺寸的预测结果与测试集中的晶粒尺寸进行比对，得到用于筛选模型的评估参数。

具体地，机器学习模型的个数可以为四个，对应的训练好的模型也为四个。

请参照图2，本发明实施例还提供一种用于实施前述实施方式中任一项建立方法的晶粒尺寸预测模型的建立装置，包括第一获取模块、第二获取模块和第三获取模块；其中，第一获取模块用来获取晶粒尺寸的特征值；第二获取模块用于根据机器学习算法预测晶粒尺寸模型；第三获取模块通过交叉验证的方式进行不同模型的验证评估指标，以筛选出最佳模型。

需要说明的是，根据上述建立方法更细化的技术方案，使第一获取模块、第二获取模块和第三获取模块的功能进一步限定，在此不做重复赘述。

本发明实施例还提供一种晶粒尺寸预测模型的预测装置，除上述第一获取模块、第二获取模块和第三获取模块之外，还包括预测模块，用于将晶粒尺寸的特征值输入晶粒尺寸预测模型中，以使晶粒尺寸预测模型输出得到晶粒尺寸预测结果。

在一些实施例中，第一获取模块所执行的过程如下：对初始数据集进行预处理得到第一数据集，计算并获得第一数据集中数据间的相关性，根据相关性形成晶粒尺寸数据集。具体包括：计算皮尔逊相关系数，使用皮尔逊相关系数表示第一数据集中不同数据与晶粒尺寸之间的相关性；当皮尔逊相关系数的绝对值大于预设数值时，表示两个数据之间的相关性不合格，将相关性不合格的每两个数据之间的其中一个删除，得到剩余数据；当皮尔逊相关系数的绝对值小于等于预设数值时，表示两个数据之间的相关性合格，得到合格数据；将剩余数据和合格数据集合便形成晶粒尺寸数据集。

在一些实施例中，第二获取模块所执行的过程如下：将数据集输入多个机器学习模型中，得到不同机器学习模型的评估参数；根据多个机器学习模型的评估参数对多个机器学习模型进行筛选得到多个第一模型。

在一些实施例中，第三获取模块所执行的过程如下：将多个第一模型进行五折交叉验证，得到多个第一模型的评估参数；根据多个第一模型的评估参数，得到最佳模型。

本发明实施例提供一种晶粒尺寸的预测方法，其应用前述实施方式中任一项的建立方法得到的最佳模型进行晶粒尺寸的预测，将晶粒尺寸的特征值输入晶粒尺寸预测模型中，以使晶粒尺寸预测模型输出得到晶粒尺寸预测结果。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

以铝合金为例，说明本申请实施例所提供的晶粒尺寸预测模型的建立方法，具体步骤不做重复赘述，仅针对输出的结果进行说明，具体如下：

晶粒尺寸数据集是通过计算皮尔逊相关系数的方法，通过相关系数对比获得。图3列出了特征间的相关性分析，这里采用皮尔逊相关系数查看特征间的相关性，若相关性很大，则需删除一特征。从图中看出，越接近黑色表示相关性越大。T0与Fe0的相关性为0.834，没有超过0.95，则应保留。而其它特征量之间没有表现出很强的相关性，都应作为输入特征构建模型。

图4是本发明实施例提供的不同算法五折交叉验证结果的平均值，不同机器学习模型的R²，RMSE交叉验证均值结果。其中Xgboost的R²值为0.9，RMSE为6.56。

图5为本发明实施例提供的不同机器学习模型下的预测结果。灰点代表训练集，黑色点代表测试集，可以直观看出Xgboost算法的蓝色点都在y＝x上，表明训练集的预测结果非常优异，红色点大多在y＝x上或附近，即预测结果相对真实值相吻合，但结果显示可能存在过拟合，可以通过增加样本进行改正。其余三种机器学习模型相对Xgboost算法点的分布较为分散，说明其预测结果相对较差，其预测值与真实值由一定的差距。Adaboost算法蓝点与红点大部分都没有在y＝x上，说明其预测结果表现最差。

通过图5中的结果可知，Xgboost算法对本数据集的预测结果表现最佳，其次为RF，GBDT，表现最差的是Adaboost。结果说明，Xgboost算法是一种预测Al和Al-7Si在不同细化剂下的晶粒尺寸的有效方法。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。