1、基于机器学习的H型钢力学性能与成分优化研究摘 要H型钢是一种高效节约、截面设计合理、具有良好的综合性能的结构用钢，其在各种民用和工业建筑、铁路和桥梁等建设中应用十分广泛。近年来随着制造业和经济的快速发展，新材料产品研发速度越来越滞后于新材料研发速度，主要依据研究者的科学直觉和大量重复传统的“尝试法”实验研究方法已经难以满足工程材料快速发展的需求，因此为了缩短新材料从发现到工程应用的研发周期，高通量技术和机器学习开始逐步在材料领域内发展。本工作将机器学习与H型钢成分优化相结合，从而达到缩短H型钢新产品研发周期的目标。本工作利用粒子群算法(PSO)进行超参数优化，采用支持向量回归(SVR)、随机森
2、林(RandomForest，RF)、Bagging、XGBoost四种机器学习算法对H型钢的屈服强度(YS)、抗拉强度(TS)和延伸率(EL)进行回归预测，并筛选出性能最佳的一种模型进行后续的分析和基于PSO算法的成分优化算法。根据本工作的研究结果，XGBoost模型为预测H型钢三种性能的最佳模型，并以其为基础采用SHAP进行分析以及完成基于PSO和XGBoost模型的成分优化算法。由于本工作只采用了成分的质量分数和碳当量作为输入，因此预测准确度有些差强人意，但是其仍然显著优于传统的普通最小二乘法(OLS)，同时XGBoost模型和成分优化算法在设计时预留了加入工艺参数以及其他参数的空间，因
3、此其可以有针对H型钢预测更加准确的潜力和更广泛的应用。关键词： H型钢，机器学习，SHAP，PSO，成分优化Study on mechanical properties and composition optimization of H-beam based on machine learningAbstract H-beam is a kind of structural steel with high efficiency, reasonable section design and good comprehensive performance.It is widely used in v
4、arious civil and industrial buildings, railways and bridges.In recent years, with the rapid development of manufacturing industry and economy, the effect of new material product R & D speed lagging behind the new material R & D speed is more and more significant. The traditional research methods, wh
5、ich are mainly based on the scientific intuition of researchers and a large number of repeated trial method experiments, have been difficult to meet the needs of the rapid development of industry. Therefore, in order to shorten the R & D cycle of new materials from discovery to application, High Flu
6、x technology and machine learning began to develop gradually in the field of materials. In this work, machine learning and H-beam composition optimization are combined to achieve the goal of shortening the R & D cycle of new H-beam products. This work is based on particle swarm optimization (PSO) fo
7、r super parameter optimization. Four machine learning algorithms, support vector regression (SVR), random forest (RF), bagging and xgboost, are used to predict the yield strength (YS), tensile strength (TS) and elongation (EL) of H-beam, and a model with the best performance is selected for subseque
8、nt analysis and component optimization calculation based on PSO algorithm Law. According to the research results of this work, xgboost model is the best model to predict the three properties of H-beam, and based on it, shap is used to analyze and complete the composition optimization algorithm based
9、 on PSO and xgboost model. Because only the mass fraction and carbon equivalent of components are used as the input in this work, the prediction accuracy is somewhat unsatisfactory, but it is still significantly better than the traditional ordinary least square method (OLS). xgboost model and compos
10、ition optimization algorithm reserve space for adding process parameters and other parameters in the design, so it has the potential to predict H-beam more accurately And a wider range of applications.Key Words： H-beam， Machine learning， SHAP，PSO， composition optimization摘 要 IAbstract II目 录 III插图或附表
11、清单 V注释说明清单 XII1 绪论样式：b正文2级标题样式：b正文3级标题 11.1 课题背景样式：b正文2级标题样式：b正文3级标题 11.2 H型钢简介样式：b正文2级标题 11.2.1 H型钢的特点样式：b正文3级标题样式：b正文2级标题样式：b正文3级标题 11.2.2 H型钢一般生产工艺样式：b正文3级标题样式：b正文2级标题样式：b正文3级标题 21.2.3 钢中不同成分作用机制样式：b正文3级标题样式：b正文2级标题样式：b正文3级标题 21.3 机器学习在材料科学领域的发展历程样式：b正文2级标题 51.3.1 机器学习在材料科学领域的发展样式：b正文3级标题样式：b正文2级
12、标题样式：b正文3级标题 51.3.2 机器学习的范式（在材料领域）样式：b正文3级标题样式：b正文3级标题 51.3.3 材料属性的数值化（指纹或者描述符）样式：b正文3级标题样式：b正文3级标题 61.4 利用机器学习研究H型钢样式：b正文2级标题样式：b正文2级标题 62 方法 82.1 概述 82.2 数据来源 82.3 四种机器学习算法和OLS简介 82.3.1 XGBBoost算法 82.3.2 SVR算法 102.3.3 Bagging算法 102.3.4 随机森林算法 122.3.5 OLS简介 122.4 基于PSO的超参数优化 132.5 模型评价标准 152.6 模型的可
13、解释性SHAP 162.7 基于PSO算法和XGBoost模型的H型钢成分优化算法 163 结果与讨论 183.1 不同算法的表现 183.1.1 数据集大小与回归模型性能关系 183.1.2 XGBoost模型预测性能表征 193.2 基于SHAP和XGBoost分析成分重要性 223.3 H型钢成分优化算法的结果 234 结论与展望样式：b正文1级标题 254.1 结论 254.2 展望 26参考文献样式：b标题 不编号 27在学取得成果 31致 谢 33插图或附表清单图1-1 H型钢生产工艺流程示意图输入：训练集D=(x1,y1),(x2,y2),.(xm,ym) 基学习算法f; 训练轮
14、数T（代表基学习器数量）.过程：1:for t=1,2,.,T do2:ht=f(D)3.end for图2-1 Bagging算法输入：样本集D=(x1,x2,.xm)。过程：1:对所有样本进行中心化：xixi-average(x)；2:计算样本的协方差矩阵XXT；3.对协方差矩阵XXT做特征值分解；输出：原始数据中14个特征属性各自的各自的方差百分比。注：方差百分比越高代表改属性解释目标值差异的能力越强。图2-1 PCA算法图2-2 PSO超参数优化算法流程图，十倍交叉验证即将数据集分成十份，轮流将其中九份作为训练数据，一份作为测试数据共进行10次试验，最终将10次试验的结果取平均值输出。
15、图2-3 基于PSO算法和XGBoost模型的H型钢成分优化算法流程图，图中T值用来确保预测的性能不会超过目标性能太多。该算法需要多次重复运行以获得一组满足目标性能的不同成分比例，之后通过人工筛选获得成本较低的局部最优成分比例。(a) (b)(c) (d)(e) (f)图3-1 上述af为总数据集大小和模型性能关系折线图,af横坐标均为总数据集样本数大小，a、c、e纵坐标为线性相关度r,b-d-f纵坐标为平均绝对误差MAE。af图中XGBoost和随机森林模型的r值均明显高于SVR和Bagging模型，且XGBoost和随机森林模型的MAE值均明显低于SVR和Bagging模型，因此可认为XG
16、Boost和随机森林模型回归预测的性能要优于SVR和Bagging模型。同时，随着数据集的增大，a、c、e图的曲线的r值有上升的趋势，d、f图的曲线的MAE值有下降的趋势，可见增加总数据集样本量有利于训练的模型的性能。(a)YS (b)YS(c)TS (d)TS(e)EL (f)EL图3-2 XGBoost模型十倍交叉验证结果图3-3 左图为XGBoost模型的YS预测值和YS实际值散点图，图中红色实线为等值线，外侧的绿色虚线代表AETA=30Mpa，内侧的黑色虚线代表AETA=15Mpa,其为对右图的直观展示。右图为XGBoost模型的绝对误差阈值精确度曲线，其表征了再实际工业应用中所允许的
17、不同误差范围内的模型预测精确度。图3-4 左图为XGBoost模型的TS预测值和TS实际值散点图，图中红色实线为等值线，外侧的绿色虚线代表AETA=30Mpa，内侧的黑色虚线代表AETA=15Mpa,其为对右图的直观展示。右图为XGBoost模型的绝对误差阈值精确度曲线，其表征了再实际工业应用中所允许的不同误差范围内的模型预测精确度。图3-5 左图为XGBoost模型的EL预测值和EL实际值散点图，图中红色实线为等值线，外侧的绿色虚线代表AETA=4%，内侧的黑色虚线代表AETA=2%,其为对右图的直观展示。右图为XGBoost模型的绝对误差阈值精确度曲线，其表征了再实际工业应用中所允许的不同
18、误差范围内的模型预测精确度。(a) (b)(c)图3-6 a、b、c三图分别为传统OLS算法模型对YS、TS和EL的预测能力的散点图，三图中红色实线均为等值线，a图和b图外侧的绿色虚线代表AETA=30Mpa，内侧的黑色虚线代表AETA=15Mpa,c图外侧的绿色虚线代表AETA=4%，内侧的黑色虚线代表AETA=2%.图3-7 XGBoost预测YS模型的SHAP特征重要性表征图，图中从蓝色到红色代表相应特征数值从小到大，横坐标为对YS预测值影响图3-8 XGBoost预测TS模型的SHAP特征重要性表征图，图中从蓝色到红色代表相应特征数值从小到大，横坐标为对TS预测值影响图3-9 XGBo
19、ost预测EL模型的SHAP特征重要性表征图，图中从蓝色到红色代表相应特征数值从小到大，横坐标为对EL预测值影响表2-1 模型输入特征属性特征属性特征属性W(C)W(Cu)W(Si)W(Al)W(Mn)W(Mo)W(P)W(V)W(S)W(Nb)W(Cr)W(Ti)W(Ni)CeqCeq=C+Mn/6+(Cr+V+Mo)/5+(Cu+Ni)/15W表示质量分数表2-2 局部最优参数YS模型TS模型EL模型XGBoostXGBoostXGBoostmin_child_weight2.993319min_child_weight2.343911min_child_weight6.356834max
20、_depth7max_depth9max_depth8学习速率0.1学习速率0.1学习速率0.1迭代次数100迭代次数100迭代次数100lambda1lambda1lambda1alpha1alpha1alpha1SVRSVRSVRgamma()946.594152gamma()926.069477gamma()868.902139C41.567209C46.865107C5.452739epsilon()3.584059epsilon()3.526138epsilon()1.205769表3-1 基于XGBoost模型的SHAP分析主要特征属性对YS、TS、EL的影响CSiMnPSCrNi
21、CuAlMoVNbTiCeqYSTSEL表3-2 次要特征属性输入值MnAlNb1.490.0210.029表3-3 重复进行10次成分优化结果序号CSiMnPSCrNiCuAlMoVNbTiCeq10.100.3611.490.02400.0240.0930.0260.0210.0010.040.0290.0190.3720.090.1211.490.00800.0170.1610.020.0210.0020.0350.0290.0170.3630.100.1531.490.0250.0040.0230.1550.0230.02100.0370.0290.0140.3740.090.3671
22、.490.0250.0030.020.0150.0240.0210.0010.040.0290.0130.3550.100.0491.490.0070.0030.0180.0190.0190.0210.0010.0230.0290.0250.3660.100.2911.490.0250.0020.0130.1060.020.0210.0010.0370.0290.0270.3670.090.3991.490.0250.0030.0310.1840.0250.02100.0190.0290.0210.3680.100.1941.490.0250.0030.0260.1140.0270.0210.
23、0020.0350.0290.0030.3790.090.2421.490.0250.0070.0260.0640.0280.0210.0010.0260.0290.0210.36100.100.2851.490.0170.0020.0210.10.0240.0210.0010.0360.0290.0210.37表3-4 成分优化结果的XGBoost模型预测性能序号YSTSEL339853831.0440653829.8540054030.5640254030.1740253629.4839753532.3940153630.91040053629.8注释说明清单符号及缩写意义SVRSuppo
24、rt Vector Regressor，支持向量回归算法XGBoosteXtreme Gradient Boosting，极梯度增强算法BaggingBootstrap aggregating，引导聚集算法RFRandomForest，随机森林算法PSOParticle Swarm optimization，粒子群算法SHAPSHapley Additive exPlanationsPCAprincipal components analysis，主成分分析Ceq碳当量r线性相关系数MAE平均绝对误差AETA绝对误差阈值精确度YS屈服强度TS抗拉强度EL延伸率1 绪论样式：b正文2级标题样式：
25、b正文3级标题1.1 课题背景样式：b正文2级标题样式：b正文3级标题钢材以性能稳定、产量大和成本低的优点成为世界上应用最广泛的材料。我国的钢材产量居世界前列，根据世界钢铁协会的数据统计，我国的钢铁产量在世界所占的比例在2005年为30.9%，2008年为37.75%，2012年将近全球总产量的一半，因此研究钢材领域的应用具有重要的现实意义。H型钢因其断面与英文字母“H”相同而得名，其作为一种截面面积分配、强重比更加合理的经济断面高效型材而被广泛应用。由于H型钢的各个部位均以直角排布，因此H型钢在各个方向上都具有抗弯能力强、施工简单、节约成本和结构重量轻等优点。由于具有上述优点，如今H型钢主要
26、用于：各种民用和工业建筑结构；各种大跨度的工业厂房和现代化高层建筑，尤其是地震活动频繁地区和高温工作条件下的工业厂房；要求承载能力大、截面稳定性好、跨度大的大型桥梁、重型设备、高速公路、舰船骨架、矿山支护、地基处理和堤坝工程等各种机器构件1。目前国内外约有20多个国家生产H型钢，其中日本新日铁、JFE和卢森堡阿贝尔贝德公司掌握着最高技术水平。美国、日本及欧洲发达国家的H型钢消费量比例均高于中国，从某方面来说其映射了一个国家的建筑水平2。1998年之前，中国的H型钢主要依赖于进口，随着马钢、莱钢H型钢生产线的建立逐渐缓解了这种情况，尽管在数量比例上我国增长迅速，但是H型钢的生产面临着同质化日益严
27、重，技术水平严重不足的困境，依靠传统的经验式或半经验式的研发方法仍难以弥补和发达国家之间的差距。1.2 H型钢简介样式：b正文2级标题1.2.1 H型钢的特点样式：b正文3级标题样式：b正文2级标题样式：b正文3级标题H型钢得名于其断面与英文字母“H”相似性，其拥有截面面积分配、强重比更加合理的特点，使其与普通工字钢比较，具有截面模数大、重量轻、节省金属的优点，因此H型钢被广泛应用于新型经济建筑用钢。目前由于H型钢由于具有良好的机械性能和物理性能，被广泛用于机械设备、民房、桥梁等的建设中。根据GB/T11263-2017热轧H型钢和部分T型钢3，H型钢的规格标记采用：高度H值宽度B值腹板厚度t
28、1值翼缘厚度t2值表示。H型钢具有以下特点：（1）H型钢比普通工字钢力学性能更好，相同单重时截面模数更大。（2）H型钢在截面设计方面更加合理，同等受力载荷下耗费钢材更少，具有较大的经济效益。（3）H型钢具有节约工时、加工方便、造型美观等诸多优点。目前，由于H型钢具有上述的优点，在机械、铁路、桥梁、建筑等行业得到了广泛的应用。1.2.2 H型钢一般生产工艺样式：b正文3级标题样式：b正文2级标题样式：b正文3级标题根据目标要求及装备特点。对于H型钢的生产应当首先确定生产流程工艺，目前H型钢常用的工艺流程如图1-1所示。图1-1 H型钢生产工艺流程示意图总而言之，目前大多数现代化的H型钢厂都采用机
29、械化自动控制4，由于机械化自动控制有产品质量及时反馈以及多流程自动控制的优势，且拥有较高生产效率，较低的人力成本，因此现代化钢企普遍采用机械自动化控制。1.2.3 钢中不同成分作用机制样式：b正文3级标题样式：b正文2级标题样式：b正文3级标题H型钢常用的合金元素有Mn、Cr、Ni、Cu等8种元素，其中包含微合金化元素V、Ti、Nb等。由于钢中的非金属夹杂物对钢的综合力学性能有较大的影响，因此我们要控制非金属夹杂物含量尽可能的低，因此就必须严格将P、S控制在较低的水平，但是非金属元素P、S在某些条件下也可以起到合金化作用5。Mn元素在钢中的作用6。通过加入Mn元素可以降低钢的Ms温度和增加了钢中的残留奥氏体；Mn元素具有脱氧脱硫的作用，但也容易形成夹杂物，进而降低了钢的韧性；Mn降低了奥氏体向铁素体转变所需的自由能，对于提高钢的淬透性有显著的作用；M
