人工智能結(jié)合大數(shù)據(jù)技術(shù)在材料拉伸性能教學(xué)中的應(yīng)用1)

李 甲 方棋洪

(湖南大學(xué)機(jī)械與運(yùn)載工程學(xué)院，長(zhǎng)沙 410082)

材料力學(xué)是一門重要的專業(yè)基礎(chǔ)課程，幫助機(jī)械、材料、力學(xué)、土木等專業(yè)學(xué)生初步認(rèn)識(shí)材料在載荷作用下的應(yīng)力、變形和破壞等。其中，低碳鋼拉伸試驗(yàn)是本科學(xué)生動(dòng)態(tài)觀測(cè)塑性金屬材料在單軸拉伸過(guò)程中經(jīng)歷彈性、屈服、強(qiáng)化、頸縮和斷裂五個(gè)階段的重要學(xué)習(xí)內(nèi)容，為后續(xù)理解扭轉(zhuǎn)和彎曲變形試驗(yàn)起到關(guān)鍵作用[1-2]。

拉伸試驗(yàn)?zāi)軌蛴行У貛椭鷮W(xué)生理解金屬材料的變形與力學(xué)性能，但是學(xué)生們發(fā)現(xiàn)測(cè)量得到的材料應(yīng)力-應(yīng)變曲線以及相對(duì)應(yīng)的屈服強(qiáng)度、極限強(qiáng)度結(jié)果不一致。那么就會(huì)有這樣的問(wèn)題產(chǎn)生：“低碳鋼關(guān)鍵性能指標(biāo)應(yīng)該怎么選取，所有試驗(yàn)結(jié)果的最小值、最大值還是平均值？”事實(shí)上，應(yīng)該首先把不合理的結(jié)果剔除，再利用宏觀統(tǒng)計(jì)結(jié)果預(yù)測(cè)才能得到合理的低碳鋼拉伸試驗(yàn)應(yīng)力-應(yīng)變曲線。這主要是由于：(1)試驗(yàn)試件材料樣本的成分分布和微觀組織結(jié)構(gòu)不均勻；(2) 材料樣本內(nèi)可能含微裂紋、孔洞和雜質(zhì)顆粒等缺陷，產(chǎn)生應(yīng)力集中，加速材料破壞，不能準(zhǔn)確描述材料的力學(xué)性能。

針對(duì)這一問(wèn)題，本文發(fā)展了基于人工智能與大數(shù)據(jù)的試驗(yàn)結(jié)果分析技術(shù)，通過(guò)讀取拉伸試驗(yàn)數(shù)據(jù)并構(gòu)建性能數(shù)據(jù)庫(kù)，運(yùn)用概率統(tǒng)計(jì)理論剔除不合理的結(jié)果，然后預(yù)測(cè)合理的應(yīng)力-應(yīng)變曲線，并結(jié)合人工智能方法評(píng)估試驗(yàn)結(jié)果準(zhǔn)確性及可能失效原因，最后給出材料的關(guān)鍵性能指標(biāo)值及偏差。這樣不僅可以深入了解金屬材料變形行為，而且能培養(yǎng)學(xué)生運(yùn)用人工智能與大數(shù)據(jù)技術(shù)解決試驗(yàn)結(jié)果不確定性問(wèn)題的能力，實(shí)現(xiàn)應(yīng)用多學(xué)科知識(shí)解決實(shí)際問(wèn)題，達(dá)到學(xué)以致用的目的。

1 大數(shù)據(jù)與人工智能簡(jiǎn)介

大數(shù)據(jù)通常指一種具有大規(guī)模數(shù)據(jù)容量、數(shù)據(jù)形式多樣化、數(shù)據(jù)維度復(fù)雜、數(shù)據(jù)信息真實(shí)可靠、具有一定價(jià)值的數(shù)據(jù)集合。近年來(lái)，隨著數(shù)據(jù)采集、存儲(chǔ)、計(jì)算水平的迅速發(fā)展，大數(shù)據(jù)技術(shù)漸近成熟，相應(yīng)理論體系也逐步完善，世界已正式踏入大數(shù)據(jù)時(shí)代[3]。然而，傳統(tǒng)數(shù)據(jù)處理手段受到數(shù)據(jù)維度以及數(shù)據(jù)形式限制，無(wú)法實(shí)現(xiàn)對(duì)大數(shù)據(jù)的深入挖掘與分析。人工智能通常指使計(jì)算機(jī)獲得一種能力，使計(jì)算機(jī)有效地執(zhí)行原本需要人類智能才能完成的復(fù)雜任務(wù)。機(jī)器學(xué)習(xí)作為人工智能的一個(gè)非常重要的分支，能夠捕捉到高度復(fù)雜的非線性輸入輸出關(guān)系，從而建立輸入輸出之間的精確聯(lián)系。因而，機(jī)器學(xué)習(xí)已成為大數(shù)據(jù)分析的有效途徑[4]。此外，大數(shù)據(jù)與人工智能之間并不是相互獨(dú)立的，而是相互融合、促進(jìn)與發(fā)展的(如圖1(a) 所示)。大數(shù)據(jù)使人工智能可以得到有效地訓(xùn)練，同時(shí)，人工智能通過(guò)得到的“智慧”，更進(jìn)一步地促進(jìn)大數(shù)據(jù)的發(fā)展。如今，機(jī)器學(xué)習(xí)與大數(shù)據(jù)的結(jié)合已經(jīng)在語(yǔ)音識(shí)別、腫瘤檢測(cè)、人臉識(shí)別等領(lǐng)域有著廣泛的應(yīng)用[5]。本文在解決相關(guān)預(yù)測(cè)問(wèn)題時(shí)，所使用的機(jī)器學(xué)習(xí)算法為人工神經(jīng)網(wǎng)絡(luò)算法，該算法的目的是人為地構(gòu)建類生命體神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，從而使得計(jì)算機(jī)通過(guò)訓(xùn)練而獲得智能。如圖1(b) 所示，人工神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱藏層以及輸出層構(gòu)成。輸入層的主要功能是通過(guò)接收特定的數(shù)據(jù)或信號(hào)信息來(lái)感知外部世界。這些信息可以是實(shí)數(shù)、二進(jìn)制值或者整數(shù)的形式。當(dāng)信息通過(guò)隱藏層時(shí)，由神經(jīng)元進(jìn)行特征提取和處理，隱藏層承擔(dān)了整個(gè)內(nèi)部處理的大部分計(jì)算。輸出層通過(guò)對(duì)前幾層結(jié)果的綜合，對(duì)輸入信息做出最終決策。人工神經(jīng)網(wǎng)絡(luò)已經(jīng)證實(shí)能夠有效地解決分類或者回歸問(wèn)題[6]。

圖1 大數(shù)據(jù)、人工智能與機(jī)器學(xué)習(xí)

2 數(shù)據(jù)收集和預(yù)處理

大數(shù)據(jù)是人工智能輔助教學(xué)的基礎(chǔ)，高質(zhì)量的數(shù)據(jù)能夠使人工智能更加精準(zhǔn)地判斷及預(yù)測(cè)[3-4]。本文采用機(jī)器學(xué)習(xí)模型建立樣本數(shù)據(jù)與力學(xué)性能之間的關(guān)系，實(shí)現(xiàn)批量判斷試驗(yàn)數(shù)據(jù)的準(zhǔn)確性及偏離原因分析[6]。在構(gòu)建低碳鋼的性能篩選模型之前，首先應(yīng)該建立應(yīng)力-應(yīng)變的數(shù)據(jù)庫(kù)，本文所收集的應(yīng)力-應(yīng)變數(shù)據(jù)來(lái)源于本科生試驗(yàn)測(cè)量數(shù)據(jù)，共456 組(如圖2(a) 所示)。為降低預(yù)測(cè)結(jié)果的偏差，通過(guò)對(duì)比標(biāo)準(zhǔn)的試驗(yàn)數(shù)據(jù)結(jié)果，剔除了完全偏離標(biāo)準(zhǔn)試驗(yàn)結(jié)果的27 組數(shù)據(jù)。同時(shí)，根據(jù)樣本1 數(shù)據(jù)繪制了相應(yīng)的應(yīng)力-應(yīng)變曲線(如圖2(b) 所示)。同時(shí)，選取幾組有代表性的拉斷試驗(yàn)樣本，并給出了樣本斷裂形貌，如圖3 所示。結(jié)果表明，材料本身的特性會(huì)影響最終的斷裂位置及斷口形貌。

圖2 拉伸試驗(yàn)數(shù)據(jù)

圖3 試驗(yàn)樣本斷裂形貌

3 計(jì)算分析與討論

拉伸應(yīng)力-應(yīng)變曲線是學(xué)生直觀理解低碳鋼塑性變形過(guò)程，以及獲得低碳鋼彈性模量、屈服強(qiáng)度、極限強(qiáng)度等關(guān)鍵力學(xué)性能指標(biāo)的重要基礎(chǔ)[6-7]。但是，在試驗(yàn)過(guò)程中，學(xué)生得到的低碳鋼的應(yīng)力-應(yīng)變曲線以及相對(duì)應(yīng)的屈服強(qiáng)度、極限強(qiáng)度存在著隨機(jī)性或不確定性問(wèn)題。通過(guò)批量提取拉伸試驗(yàn)數(shù)據(jù)，并構(gòu)建低碳鋼應(yīng)力-應(yīng)變曲線數(shù)據(jù)庫(kù)，對(duì)數(shù)據(jù)庫(kù)中應(yīng)力-應(yīng)變曲線分析，發(fā)現(xiàn)部分拉伸應(yīng)力-應(yīng)變曲線是不合理的，可能是由于學(xué)生對(duì)試驗(yàn)設(shè)備、試驗(yàn)流程不熟悉或者操作不規(guī)范導(dǎo)致。因此，這些不合理試驗(yàn)結(jié)果應(yīng)當(dāng)被剔除。首先，批量提取了低碳鋼在拉伸過(guò)程中同一應(yīng)變下的應(yīng)力值，并通過(guò)概率統(tǒng)計(jì)理論計(jì)算得到均值與方差。在此基礎(chǔ)上，假設(shè)拉伸試驗(yàn)數(shù)據(jù)服從高斯正態(tài)分布，構(gòu)建在同一應(yīng)變下應(yīng)力值的概率分布函數(shù)，運(yùn)用正態(tài)分布中“3σ原理”，初步剔除了不合理的試驗(yàn)數(shù)據(jù)。同時(shí)，將剩余的數(shù)據(jù)取加權(quán)平均值，最終獲得了基于大數(shù)據(jù)統(tǒng)計(jì)下的應(yīng)力-應(yīng)變曲線(如圖4(d) 粗實(shí)線所示) 以及對(duì)應(yīng)的關(guān)鍵力學(xué)性能指標(biāo)的分布頻率，概率密度擬合曲線及其數(shù)字特征(如圖4(a)～圖4(c) 以及表1 所示)。隨后，取均值作為關(guān)鍵力學(xué)性能指標(biāo)，在試驗(yàn)誤差允許的范圍內(nèi)，定義關(guān)鍵力學(xué)性能指標(biāo)值的15%為試驗(yàn)數(shù)據(jù)的合理偏差范圍來(lái)進(jìn)一步地剔除不合理試驗(yàn)數(shù)據(jù)。例如，圖4 中的“樣本1” 與“樣本2” 的極限強(qiáng)度偏離合理偏差范圍，因此，“樣本1” 與“樣本2” 需要被剔除。

圖4 力學(xué)性能指標(biāo)的分布頻率及概率密度擬合曲線與大數(shù)據(jù)統(tǒng)計(jì)下拉伸應(yīng)力-應(yīng)變曲線

表1 力學(xué)性能指標(biāo)

通過(guò)對(duì)數(shù)據(jù)庫(kù)中應(yīng)力-應(yīng)變數(shù)據(jù)分析，結(jié)合概率統(tǒng)計(jì)獲得的應(yīng)力-應(yīng)變曲線，定義低碳鋼拉伸試驗(yàn)中關(guān)鍵力學(xué)性能指標(biāo)值偏離大數(shù)據(jù)統(tǒng)計(jì)指標(biāo)值5%以外為失效，并分析了可能失效的原因，如表2 所示。隨后，在此定義的基礎(chǔ)上，根據(jù)失效原因?qū)?shù)據(jù)庫(kù)中的試驗(yàn)數(shù)據(jù)進(jìn)行初步分類，構(gòu)建了“應(yīng)力-應(yīng)變曲線-失效原因” 數(shù)據(jù)庫(kù)，并以此作為初始數(shù)據(jù)集。運(yùn)用機(jī)器學(xué)習(xí)算法評(píng)估了其他試驗(yàn)結(jié)果準(zhǔn)確性及可能失效原因。圖5 展現(xiàn)了機(jī)器學(xué)習(xí)算法的預(yù)測(cè)精度，并使用混淆矩陣來(lái)說(shuō)明機(jī)器學(xué)習(xí)算法在不同失效原因上的預(yù)測(cè)結(jié)果。其中，綠色方框中的數(shù)字代表失效類別預(yù)測(cè)正確的樣本數(shù)，紅色方框中帶數(shù)字代表預(yù)測(cè)錯(cuò)誤的樣本數(shù)。可以清晰地看出，機(jī)器學(xué)習(xí)算法在訓(xùn)練集、驗(yàn)證集以及測(cè)試集都表現(xiàn)出了十分優(yōu)越的性能，達(dá)到了很高的精確度，且大部分?jǐn)?shù)據(jù)樣本落在失效類別5，說(shuō)明彈性階段應(yīng)變未測(cè)準(zhǔn)為主要失效原因，這與力學(xué)性能指標(biāo)的分布頻率統(tǒng)計(jì)結(jié)果一致。因此，機(jī)器學(xué)習(xí)算法能夠準(zhǔn)確地建立“應(yīng)力-應(yīng)變曲線-失效原因”模型、找到合理的分類標(biāo)準(zhǔn)，并以此預(yù)測(cè)試驗(yàn)結(jié)果的失效類別，這是傳統(tǒng)的拉伸試驗(yàn)數(shù)據(jù)處理方法不能提供的新功能。在以后的拉伸性能教學(xué)課程中，學(xué)生可以根據(jù)已建立好的機(jī)器學(xué)習(xí)模型，快速地判別試驗(yàn)結(jié)果的合理性、找到試驗(yàn)結(jié)果不合理的原因。這不僅可以使學(xué)生深入理解金屬材料變形行為，而且能夠增強(qiáng)學(xué)生應(yīng)用人工智能與大數(shù)據(jù)技術(shù)解決實(shí)際問(wèn)題的能力，達(dá)到學(xué)以致用的目的。

圖5 機(jī)器學(xué)習(xí)預(yù)測(cè)精度(續(xù))

表2 失效類別及可能的原因

圖5 機(jī)器學(xué)習(xí)預(yù)測(cè)精度

4 結(jié)論

材料力學(xué)教學(xué)中應(yīng)用人工智能與大數(shù)據(jù)技術(shù)，學(xué)生能夠認(rèn)識(shí)和解決在拉伸試驗(yàn)因樣本差異導(dǎo)致的拉伸性能關(guān)鍵參數(shù)不確定性問(wèn)題。在以后的拉伸性能教學(xué)課程中，學(xué)生可以基于機(jī)器學(xué)習(xí)模型，快速地判別試驗(yàn)結(jié)果的合理性及了解試驗(yàn)結(jié)果偏離原因，加深對(duì)金屬材料變形行為的理解。同時(shí)人工智能與大數(shù)據(jù)技術(shù)輔助的教學(xué)方法，能夠激勵(lì)學(xué)生主動(dòng)發(fā)現(xiàn)問(wèn)題，培養(yǎng)學(xué)生應(yīng)用多學(xué)科知識(shí)解決問(wèn)題的能力，實(shí)現(xiàn)學(xué)以致用的目的，并推動(dòng)材料力學(xué)教學(xué)方式的創(chuàng)新。