基于增量型極限學習機的材料力學性能預測

吳 迪, 曹培智, 張國英, 焦興強

(沈陽師范大學 物理科學與技術學院, 沈陽 110034)

0 引 言

傳統的材料科學研究和材料制備過程大都依賴于大量實驗,這個過程中需要投入大量的時間、人力、物質資源,尤其研究成本較高。專家系統可以利用領域內已有的專家經驗進行推理并做出決策,提高了研究效率,但材料中依然存在一些較為復雜的內在規律很難用明確的數學模型描述,因此在一些材料研究中專家系統也不能解決所有現有問題。

近年來計算機仿真在材料科學的研究中發揮了巨大的作用,計算材料學的發展為材料科學的研究提供了新的方法,常用的計算材料學方法有有限元方法、第一原理法、人工神經網絡等。對于一些結構復雜很難描述其表達函數的材料結構,神經網絡直接對實驗數據進行迭代訓練來得到反應數據內在規律的模型,因此對復雜的非線性系統有很好的映射能力,人工神經網絡在材料制備、結構分析、性能分析中有很多應用。劉貴立等[1]利用BP神經網絡對高Co-Ni二次硬化鋼進行結構分析和力學性能預測。但BP神經網絡需要重復迭代訓練,速度較慢,可能陷入局部極小值,又有學習率不確定的問題。極限學習機(extreme learning machine,ELM)相較于BP神經網絡,通過設置隱層節點數,隨機賦予網絡輸入權值和閾值,在算法過程中只需計算隱層輸出權值,有訓練速度快、泛化程度高、訓練參數少的優點[2]。針對普通的極限學習機隱層節的最佳選擇問題,本文采用增量型極限學習機[3](incremental extreme learning machine,I-ELM)對高Co-Ni二次硬化鋼進行研究。……