(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210680749.X (22)申请日 2022.06.15 (71)申请人 南昌大学 地址 330000 江西省南昌市红谷滩新区学 府大道999号 (72)发明人 杨湘杰　杨明浩　叶寒　顾嘉　 李全　白宇轩　姜乐付　杨福玲　 (74)专利代理 机构 南昌青远专利代理事务所 (普通合伙) 36123 专利代理师 唐棉棉 (51)Int.Cl. G06F 30/20(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于Tensorflow的神经网络蠕墨铸铁 蠕化率预测方法 (57)摘要 本发明公开了一种基于Tensorflow的神经 网络蠕墨铸 铁蠕化率预测方法， 通过对蠕墨铸铁 蠕化率的神经网络预测模型的网络结构设计以 及训练数据的采集， 在确定了神经网络输入神经 元、 输出神经元、 神经激活函数 以及隐含层神经 元个数的情况下， 采用预处理后的样本数据对初 步建立的神经网络预测模型进行训练， 进而 得到 可用于检测蠕墨铸铁蠕化率的神经网络预测模 型。 本发明相比传统的预测模型， 通过神经网络 构建算法模 型对蠕化率进行快速预测， 由于神经 网络自身的特性， 具备自学习能力和自适应能 力， 当生产原材料或者生产条件发生变化时， 只 需重新提供足够的数据样本对原始模型重新训 练， 网络模型即可自行更新， 对生产过程中的蠕 化质量具有较大的指导 意义。 权利要求书1页 说明书5页 附图4页 CN 115270397 A 2022.11.01 CN 115270397 A 1.一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法， 其特征在于， 包括以下 步骤： 步骤S1.通过计算机集成温度数据采集卡对共晶成分蠕墨铸铁铁水温度随时间的变化 进行记录并绘制出冷却曲线， 从冷却曲线 上选取合适的特征值用于确定检测蠕墨铸铁蠕化 率的神经网络的输入神经 元和输出神经 元； 步骤S2.选择合适的神经网络神经元激活函数， 以确保网络训练的顺利进行和保证模 型质量； 步骤S3.根据经验公式 计算上述神经网络隐含层的神经 元个数； 步骤S4.根据上述步骤确定的神经网络输入神经元、 输出神经元、 神经激活函数以及隐 含层的神经 元个数， 建立初步的神经网络预测模型； 步骤S5.对输入、 输出的样本数据进行预处理， 处理后的样本数据用于对步骤S4中建立 的初步神经网络预测模型进行训练， 得到可用于检测蠕墨铸铁蠕化率的神经网络预测模 型。 2.根据权利要求1所述的一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法， 其特征在于， 步骤S1 中所述从冷却曲线 上选取合适的特征值用于确定检测蠕墨铸铁蠕化率 的神经网络的输入神经元和输出神经元， 所述输入神经元包括蠕墨铸铁共晶生长的最低温 度TEU、 共晶结束温度TS和共晶再生温度TER， 所述输出神经 元为蠕墨铸铁蠕化 率。 3.根据权利要求1所述的一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法， 其特征在于， 步骤S2中所述选择合适的神经网络神经元激活函数， 所述神经元激活函数为 Relu函数。 4.根据权利要求1所述的一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法， 其特征在 于， 步骤S3中所述根据经验公式 计算上述神经网络隐含层的神经元 个数， 其中， m为输入层神经 元个数， n 为输出层神经 元个数， c为常数， 取值范围4～13 。 5.根据权利要求1所述的一种基于Tensorflow的神经网络蠕墨铸铁蠕化率预测方法， 其特征在于， 步骤S 5中所述对输入、 输出的样本数据进 行预处理， 所述预 处理的方式为归一 化处理， 将样本数据全部转 化为0‑1之间的数据。权　利　要　求　书 1/1 页 2 CN 115270397 A 2一种基于 Tensorflow的神经 网络蠕墨铸铁蠕化 率预测方法 技术领域 [0001]本发明属于 蠕墨铸铁 蠕化率预测技术领域， 具体涉及一种基于Tensorflow的神经 网络蠕墨铸铁蠕化 率预测方法。 背景技术 [0002]由于受到生产条件和原材料质量的影响， 通过传统的热分析技术构建的多元线性 回归模型预测蠕化率及组织形态难以适应当前严格的工业化生产的要求， 且缺乏较高的准 确性和适应性， 回归方程拟合的公式往往带来较大 的误差。 因而有必要寻求一种能够进行 自适应、 自训练的模型。 [0003]人工神经网络的发展为蠕墨铸铁组织和性能的预测开辟了一条新的途径。 它由许 多并行操作的计算元素组成， 通过具有可变权重的连接， 并在学习 过程中进行调整以达到 目标预期 。 它具有较强的非线性映射能力、 自适应能力和鲁棒性等特点， 能逼近任何非线性 系统。 因此本项目提出了一种基于神经网络的蠕墨铸铁蠕化率预测模型， 并结合金相图像 处理数据进行分析， 实现蠕化 率的准确预测。 发明内容 [0004]本发明的目的在 于针对现有技术的不足， 提供一种基于Tensorflow的神经 网络蠕 墨铸铁蠕化率预测方法， 通过对蠕墨铸铁蠕化率的神经网络预测模型的网络结构设计以及 训练数据的采集， 在确定了神经网络输入神经元、 输出神经元、 神经激活函数以及隐含层神 经元个数 的情况下， 采用预处理后的样本数据对初步建立的神经网络预测模型进行训练， 进而得到可用于检测蠕墨铸铁蠕化 率的神经网络预测模型。 [0005]为实现上述目的， 本发明采用如下技 术方案： [0006]一种基于Tensorfl ow的神经网络蠕墨铸铁蠕化 率预测方法， 包括以下步骤： [0007]步骤S1.通过计算机集成温度数据 采集卡对共晶成分蠕墨铸铁铁水温度随时间的 变化进行记录并绘制出冷却曲线， 从冷却曲线 上选取合适的特征值用于确定检测蠕墨铸铁 蠕化率的神经网络的输入神经 元和输出神经 元； [0008]步骤S2.选择合适的神经网络神经元激活函数， 以确保网络训练的顺利进行和保 证模型质量； [0009]步骤S3.根据经验公式 计算上述神经网络隐含层的神经 元个数； [0010]步骤S4.根据上述步骤确定的神经网络输入神经元、 输出神经元、 神经激活函数以 及隐含层的神经 元个数， 建立初步的神经网络预测模型； [0011]步骤S5.对输入、 输出的样本数据进行预处理， 处理后的样本数据用于对步骤S4中 建立的初步神经网络预测模型进 行训练， 得到可用于检测蠕墨铸铁蠕化率的神经网络预测 模型。 [0012]步骤S1中所述从冷却曲线上选取合适的特征值用于确定检测蠕墨铸铁蠕化率的 神经网络的输入神经元和输出神经元， 所述输入神经元包括 蠕墨铸铁共晶生长的最低温度说　明　书 1/5 页 3 CN 115270397 A 3