-
公开(公告)号：CN116484745A
公开(公告)日：2023-07-25
申请号：CN202310541074.5
申请日：2023-05-15
Applicant: 东北大学
IPC: G06F30/27 , G06N3/126 , G06F18/2413 , G06F18/27
Abstract: 本发明提供一种物理冶金指导工业大数据挖掘的热轧低合金钢设计方法，涉及热轧低合金钢和深度学习应用技术领域。本发明首先将与目标性能高度相关的物理冶金学参数添加到数据集中，并参与模型训练及设计过程。同时使用遗传算法(GA)对成分和工艺进行优化设计，最终使用大数据性能预测模型对设计结果进行有效筛选。本发明相对于纯粹的设计结果，采用物理冶金指导下的机器学习预，测精度更高，设计结果更加符合物理冶金原理。
-
公开(公告)号：CN104880970B
公开(公告)日：2018-05-01
申请号：CN201510249930.5
申请日：2015-05-15
Applicant: 东北大学
IPC: G05B19/04
Abstract: 本发明公开了一种门锁式水电气控制方法及系统。所述的控制方法为，拧动内锁芯即从门外反锁，内锁芯经传动齿轮带动启动装置转动，启动装置转到预设位置时，触发微动开关，与微动开关连接的信号发射芯片发射信号，信号处理芯片接收到信号后控制电磁阀关闭水、电、气总闸；反向拧动内锁芯即开门，内锁芯经传动齿轮带动启动装置反向转动，启动装置离开预设位置时，再次触发微动开关，与微动开关连接的信号发射芯片再次发射信号，信号处理芯片接收到信号后控制电磁阀开启水、电、气总闸。本发明具有避免消耗浪费，杜绝安全隐患，安全，节能，原理简单，操作方便，结构简单，成本低和灵敏度高的特点。
-
公开(公告)号：CN113033106B
公开(公告)日：2023-09-19
申请号：CN202110368798.5
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/27 , G06F119/02 , G06F119/14
Abstract: 本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。
-
公开(公告)号：CN113032909B
公开(公告)日：2023-09-05
申请号：CN202110368791.3
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/15 , G06F30/17 , G06F30/27 , G06F119/14 , G06F119/22
Abstract: 本发明提供一种分子动力学指导的机器学习的激光制孔结果预测方法，涉及激光制孔和机器学习应用技术领域。本发明应用分子动力学微观物理模型指导的支持向量回归(SVR‑MD)建立起飞秒激光制孔工艺参数与目标性能之间的关系，形成了完整的飞秒激光制孔效率及质量的预测平台。通过将与目标性能高度相关的微观物理参量添加数据集中，参与模型训练及设计过程，使机器学习过程富有物理意义，相比于单纯的机器学习模型，分子动力学指导下的机器学习预测精度更高，成功构建了飞秒激光在金属镍靶材上冲击制孔效率及质量的预测模型。
-
公开(公告)号：CN116426846A
公开(公告)日：2023-07-14
申请号：CN202310476749.2
申请日：2023-04-28
Applicant: 东北大学
IPC: C22C38/52 , C22C38/44 , C22C38/46 , C22C38/06 , C22C33/04 , C21D1/28 , C21D1/26 , C21D6/00 , C21D1/18 , C21D6/04
Abstract: 本发明提供一种复相析出的2.4GPa含铝高钴镍二次硬化钢及其制备方法，属于合金钢技术领域。这种基于性能优良的二次硬化型超高强度钢，在目前的高钴镍二次硬化钢M54合金成分基础上，加入1％的Al元素以引入能带来显著析出强化效果的纳米级NiAl相，实现与M2C碳化物的复相析出，以复合析出强化的方式达到高的屈服强度和抗拉强度，其制备方法拓宽了其回火热处理窗口，一次回火在所述温度范围内可任意选择，两种析出相的峰时效都在这个温度范围内，温度更高或更低都会严重削弱析出强化效果，最终的强度均可达到2400MPa，第二次回火使析出相强化作用更稳定，强塑性匹配更好，一定程度上解决了单一析出相对过时效敏感的问题。
-
公开(公告)号：CN113033106A
公开(公告)日：2021-06-25
申请号：CN202110368798.5
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/27 , G06F119/02 , G06F119/14
Abstract: 本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。
-
公开(公告)号：CN105970130B
公开(公告)日：2018-02-16
申请号：CN201610375749.3
申请日：2016-05-31
Applicant: 东北大学
IPC: C22F1/06
Abstract: 一种交替反挤压制备细晶镁合金的方法，属于镁合金加工技术领域。方法：1)切割得镁合金圆柱体棒；2)棒料加热处理；3)模具预热；4)交替反挤压：将镁合金圆柱体棒，进行3～6道次的反挤压，制得镁合金变形件；每道次反挤压的操作顺序相同；每两道次反挤压之间，进行一次坯料回炉加热，将坯翻面进行下一道次反挤压；其中，首次反挤压，将镁合金圆柱体棒置于凹模底部，中心凸模下行后卸载，然后，空心凸模下行；5)最终道次锻造：中心凸模和空心凸模同时下行挤压，获得细晶镁合金。本发明方法，通过交替反挤压，制备强度与塑性明显提高、平均晶粒尺寸在10μm以下的细晶镁合金材料；设备简单，成本低，效率高、易于操作，视线里工业化。
-
公开(公告)号：CN105970130A
公开(公告)日：2016-09-28
申请号：CN201610375749.3
申请日：2016-05-31
Applicant: 东北大学
IPC: C22F1/06
CPC classification number: C22F1/06
Abstract: 一种交替反挤压制备细晶镁合金的方法，属于镁合金加工技术领域。方法：1)切割得镁合金圆柱体棒；2)棒料加热处理；3)模具预热；4)交替反挤压：将镁合金圆柱体棒，进行3～6道次的反挤压，制得镁合金变形件；每道次反挤压的操作顺序相同；每两道次反挤压之间，进行一次坯料回炉加热，将坯翻面进行下一道次反挤压；其中，首次反挤压，将镁合金圆柱体棒置于凹模底部，中心凸模下行后卸载，然后，空心凸模下行；5)最终道次锻造：中心凸模和空心凸模同时下行挤压，获得细晶镁合金。本发明方法，通过交替反挤压，制备强度与塑性明显提高、平均晶粒尺寸在10μm以下的细晶镁合金材料；设备简单，成本低，效率高、易于操作，视线里工业化。
-
公开(公告)号：CN116426846B
公开(公告)日：2024-12-24
申请号：CN202310476749.2
申请日：2023-04-28
Applicant: 东北大学
IPC: C22C38/52 , C22C38/44 , C22C38/46 , C22C38/06 , C22C33/04 , C21D1/28 , C21D1/26 , C21D6/00 , C21D1/18 , C21D6/04
Abstract: 本发明提供一种复相析出的2.4GPa含铝高钴镍二次硬化钢及其制备方法，属于合金钢技术领域。这种基于性能优良的二次硬化型超高强度钢，在目前的高钴镍二次硬化钢M54合金成分基础上，加入1％的Al元素以引入能带来显著析出强化效果的纳米级NiAl相，实现与M2C碳化物的复相析出，以复合析出强化的方式达到高的屈服强度和抗拉强度，其制备方法拓宽了其回火热处理窗口，一次回火在所述温度范围内可任意选择，两种析出相的峰时效都在这个温度范围内，温度更高或更低都会严重削弱析出强化效果，最终的强度均可达到2400MPa，第二次回火使析出相强化作用更稳定，强塑性匹配更好，一定程度上解决了单一析出相对过时效敏感的问题。
-
公开(公告)号：CN113033105A
公开(公告)日：2021-06-25
申请号：CN202110368797.0
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/27 , G06F119/04 , G06F119/14
Abstract: 本发明提供一种基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明将力学理论机制引入到机器学习中，解决了材料高成本属性预测的小样本问题。通过基于力学理论指导建立钢种成分、工艺与目标性能之间的关系。本方法针对获取成本高的目标性能，利用目标性能与源性能间的高相关性，即基于力学理论指导，仅利用数十组目标性能数据便可建立起准确预测目标性能的迁移学习模型。该方法显著降低了机器学习对于高成本目标性能的数据量要求，显著提高了高成本目标性能评估、预测效率，并最终有利于提高新材料研发速率。
