材料成型及控制工程專業開展人工智能與大數據教學的思考與實踐

定巍 董瑞

摘?要：本文主要探討材料成型及控制工程專業如何開展人工智能與大數據教學的思考與實踐。首先，介紹了人工智能和大數據的一些常用技術；其次，從教學方案設計、教學內容選擇兩個方面，對在材料成型及控制工程專業開展人工智能與大數據教學進行探討；再次，介紹了材料成型中實驗數據處理的案例；最后，文章總結了人工智能與大數據教學的實踐經驗和效果。

關鍵詞：材料成型及控制工程；人工智能；大數據

材料成型及控制工程專業是一個高度技術化的學科領域，對學生的專業素養要求較高［1］。在當前人工智能和大數據技術飛速發展的背景下，這兩者在該領域教育中扮演著越來越重要的角色［2］。

一方面，人工智能和大數據技術可以為材料成型及控制工程的研究和應用提供更加準確、高效、智能的方法和工具。例如，通過數據挖掘和分析技術，可以更好地理解材料成型過程中的物理、化學和機械特性，從而優化生產過程并提高產品質量。此外，利用人工智能和大數據技術還可以實現生產自動化和智能化，降低生產成本，提高生產效率和產能。

另一方面，人工智能和大數據技術的飛速發展也給材料成型及控制工程專業的教育帶來了新的挑戰和機遇。如何將這些新技術和方法應用到課堂教學中，提高學生的專業素養和創新能力，成為該領域教育工作者面臨的重要問題。

因此，開展人工智能和大數據教學已經成為材料成型及控制工程專業教育的必要性和意義所在。通過人工智能和大數據教學，可以增強學生的數據分析和處理能力，提高學生的解決問題的能力和實踐操作能力，同時也為學生創新和創業提供更為廣闊的平臺和機遇。

1?人工智能和大數據常見的技術

人工智能和大數據涉及的知識點和技術非常廣泛，其中一些常見的技術包括［3］：

機器學習：機器學習是利用算法讓計算機系統根據數據自動學習的過程，它可以幫助材料成型及控制工程專業的學生通過大量數據進行模型的訓練和預測。

深度學習：深度學習是機器學習的一部分，它利用深度神經網絡對大量復雜數據進行建模和學習，可以應用于識別、分類、預測等領域。

神經網絡：神經網絡是深度學習的基礎，通過對大量數據進行訓練，神經網絡可以自動識別和提取出數據中的特征，為后續的數據處理提供基礎。

數據挖掘：數據挖掘是從大量數據中自動發現規律、趨勢和模式的過程，可以幫助材料成型及控制工程專業的學生發現材料成型和控制過程中的規律和趨勢。

2?教學設計的思考

2.1?教學方案設計思路

（1）明確教學目標：首先需要明確教學目標，即培養學生的哪些能力和技能，如數據處理、分析和建模等。同時需要根據學生的專業背景和實際需求，確定教學內容和教學方法。

（2）選擇教材和案例：選擇合適的教材和案例是教學設計的重要環節，需要根據教學目標和學生的實際需要進行選擇。可以選擇一些經典的教材和案例，也可以選擇一些與材料成型及控制工程專業相關的實際案例進行教學。

（3）確定教學方法：在教學方法方面，可以采用傳統的課堂講授、實驗室實踐和項目設計等教學模式，同時可以借助多種教學工具和平臺，如在線學習平臺、虛擬實驗室、數據分析工具等，增強學生的學習效果和興趣。

（4）組織實踐教學：在教學過程中，需要注重實踐教學，例如可以組織學生進行數據采集、清洗、分析和建模的實踐操作，參與實際的材料成型及控制工程項目設計和實施，培養學生的實踐能力和創新能力。

（5）評估教學效果：在教學過程中，需要對學生進行定期評估，了解學生的學習效果和掌握程度，及時調整教學方法和內容，提高教學效果和質量。可以采用課堂小測驗、作業評估、實驗報告和項目評估等形式進行評估。

綜上所述，設計材料成型及控制工程專業的人工智能與大數據的教學方案需要結合學生的實際需求和專業特點進行設計和安排，注重實踐教學和評估教學效果，以提高學生的數據處理和分析能力，為他們未來的工作和研究打下堅實的基礎。

2.2?教學內容選擇

在教學內容的選擇上，可以從以下幾個方面入手［4］：

數據處理和分析：針對材料成型及控制工程專業，可以選擇教授數據處理和分析技術，如數據清洗、特征選擇、數據預處理和轉化等，這些技術可以幫助學生更好地理解數據，并提高數據分析和處理能力。

機器學習和深度學習：機器學習和深度學習技術可以幫助學生在材料成型及控制工程領域中進行模型的訓練和預測，可以選擇適當的案例和數據集進行實踐演練。

神經網絡和圖像識別：神經網絡和圖像識別技術可以幫助學生更好地理解材料成型和控制過程中的圖像和特征，可以選擇相關案例和數據進行實踐演練。

數據挖掘和預測：數據挖掘和預測技術可以幫助學生發現材料成型和控制過程中的規律和趨勢，并進行預測和優化。可以選擇適當的案例和數據進行實踐演練。

3?教學實踐案例介紹

3.1?教學實踐案例

材料成型實驗數據處理案例是一種通過對實驗數據進行處理和分析，發現實驗規律和趨勢的方法［5］。教師向學生介紹材料成型實驗中的數據處理方法和數據可視化技術，然后要求學生收集并整理實驗數據，利用數據處理和可視化工具對數據進行分析和展示，發現實驗中的規律和趨勢，為后續實驗設計和優化提供支持。

具體教學案例如下：

教學目標：通過本案例的教學，學生可以了解材料成型實驗數據的處理方法和數據可視化技術，掌握實驗數據處理的流程和方法，提高學生的實驗設計和數據處理能力。

教學內容：首先，教師向學生介紹材料成型實驗中常用的數據處理方法，包括數據清洗、特征提取、數據可視化等。然后，教師根據實驗的具體情況，介紹實驗數據的采集方法和實驗數據處理流程，并向學生展示如何利用數據處理工具對實驗數據進行處理和分析。

教學步驟：

（1）數據采集：學生可以進行材料成型實驗，收集實驗數據，包括溫度、壓力、應力、應變等。

（2）數據清洗：學生可以對采集到的實驗數據進行清洗，去除異常值和重復值，保證數據的準確性和可靠性。

（3）特征提取：學生可以利用特征提取算法，對實驗數據進行特征提取，找出數據中的規律和趨勢。

（4）數據可視化：學生可以利用可視化工具，將處理好的數據以圖表的形式展示出來，更加直觀地呈現實驗數據的規律和趨勢。

（5）數據分析：學生可以對處理好的數據進行分析，發現實驗中存在的問題和改進方向。

教學工具：本案例需要使用數據處理和可視化工具，如Excel、Python、Matlab等，同時需要使用一些可視化工具，如Tableau、Power?BI等。

3.2?教學效果展示

將該教學應用于本科生畢業設計中，取得了很好的效果。教學案例過程展示如下：

3.2.1?數據庫構建

采用爬蟲技術，以“鋁合金性能”和“鋁合金”為關鍵詞，在萬維網上爬取相關信息，主要內容包括八大部分：作者、題目、摘要、關鍵詞、發表期刊、發表日期、被引次數和鏈接網址，程序開始運行界面如圖1所示。最終獲得一個CSV格式的文件，共計1052條數據。

圖1?爬蟲開始運行界面示意圖

在CSV文件中，包括大量的鋁合金的性能分析、機理研究、工藝開發、熱處理條件對性能的影響等各個方面的內容，因此需要進行篩選工作。主要依據題目、摘要、關鍵詞和鏈接網址四大標簽對1052條數據進行選擇性篩選。通過篩選，下載相關性較大的論文文獻，人為仔細閱讀論文內容，尋找有關鋁合金的屈服強度值、耐腐蝕性能的數據以及所對應的鋁合金成分，建立真實有效的數據庫。此數據庫包含200條屈服強度值、100條耐腐蝕性能數據。

3.2.2?數據分析

依據數據庫，學生主要對Zn、Mg、Cu三種合金元素的質量分數與對應的屈服強度做散點圖分析，耐腐蝕性能由于效果不明顯，在此不做分析。通過散點圖，可以明顯地發現Zn、Mg、Cu三種元素對屈服強度有著一定的影響，三種元素相比較，Zn元素對鋁合金的屈服強度影響較明顯。

進一步地，學生為了探討各合金元素對鋁合金屈服強度的影響規律，采用SPSS數據分析軟件，對數據庫進行線性相關分析，以此來對散點圖分析進行補充和驗證，進而找到一定的影響規律。

通過上述工作，學生通過分析得到：Zn、Mg、Cu、Al、Fe元素都具有顯著的線性相關關系，Si、Mn、Cr、Ti、Zr五個元素都不具有線性相關性。對于具有線性相關性的一組元素中，因為鋁合金中Fe元素是雜質元素，考慮意義不大，因此不考慮Fe和Al元素。在Zn、Mg、Cu三種元素中，其線性相關系數依次排序為：Zn＞Mg＞Cu，且Zn元素的線性相關系數達0.810，已經接近于1，因此鋁合金中Zn與屈服強度的關系呈明顯的線性相關性，其線性關系大于Mg和Cu的相關性。

最后學生提出了以下合理的假設和猜測：（1）在鋁合金材料中，元素對屈服強度的影響是綜合性的，是相互作用的結果，不是單一的影響因素；（2）此類元素對屈服強度的作用機理效果不顯著，未能發現顯著的規律。

3.2.3?基于機器學習的材料設計

基于上述數據庫，學生以Al、Cu、Fe、Si、Mn、Mg、Cr、Zn、Ti九個合金元素的質量分數為自變量，鋁合金的屈服強度為因變量，通過建立回歸模型來預測鋁合金的屈服強度值。結果顯示，在Python環境下，回歸模型程序運行通暢，可以實現屈服強度的預測，具體運行界面如圖2所示。

圖2?回歸模型程序運行界面圖

接下來，學生對于回歸模型基于屈服強度數據的特點，對多變量線性回歸的模型進行程序測試，以此來檢驗模型的準確性和實用性。預測值曲線與真實值曲線基本吻合，稍有些偏差，但總體效果顯著。說明此回歸模型較適合屈服強度的預測，可以準確地預測屈服強度值。學生又以Al、Cu、Fe、Si、Mn、Mg、Cr、Zn、Ti九個合金元素的含量為自變量，以鋁合金的腐蝕性能為因變量，將耐腐蝕性能分為五個類別：好、較好、一般、較差、差，依據分類模型，對耐腐蝕性能進行預測。

基于上述的工作之后，學生開始利用機器學習反向設計合金成分。學生以最佳的鋁合金屈服強度和耐腐蝕性能為依據，實現逆向材料設計。

3.2.4?工作局限性的反思

學生完成上述工作之后，出于對學生解決復雜工程能力的培養，讓學生反思當前工作的局限性。反思如下：

（1）數據庫不夠準確：機器學習算法能夠正常運行，其先決條件就是擁有一個符合程序設計的數據庫。因此，數據庫的準確性代表著機器學習算法預測性能的準確性。但是，材料科學領域中的數據具有獲取成本高、過于集中或分散、缺乏統一處理標準等特點，獲取一個數據量大、分布均勻、特征參量完整且匹配的數據集往往非常困難。而且，本次建立的數據庫主要是依靠人工，對于性能篩選存在人為的誤差。因此，在隨機篩選的10組數據中，4組數據的預測屈服強度較真實值偏差較大。

（2）數據量較少：由于時間、設備的關系，本次建立的數據庫總共400條數據，屈服強度300條，耐腐蝕性能100條，對于機器學習線性回歸模型和分類模型，只有大量的數據，其擬合效果才可以達到最佳。

（3）對于傳統材料設計，材料的成分—工藝—性能三者之間具有一定的關聯性。不考慮其他影響因素的條件下，研究成分與性能之間的聯系依舊存在著爭議。另外，考慮到自身理論基礎知識不夠扎實，以機器學習模型為工具，探究成分與性能之間的一一映射關系，尚未清楚，所以存在一定的局限性。

結語

材料成型及控制工程專業開展人工智能和大數據教學的重要性和必要性已經得到了越來越多人的認識。未來的人工智能與大數據教學需要不斷創新和改進，注重實踐和應用，培養學生的綜合素質和能力，為材料成型及控制工程領域的科技發展和人才培養做出更大的貢獻。

參考文獻：

［1］王文，王慶娟，朱曉雅，等.材料成型及控制工程專業實驗教學改革［J］.中國冶金教育，2020（01）：5961.

［2］劉麗娟，潘婕.人工智能賦能高校思政課程教學改革研究［J］.成都師范學院學報，2023，39（05）：100107.

［3］石杉，鄭偉，李曉鵬.基于人工智能的大數據分析方法［J］.數字技術與應用，2023，41（02）：110112.

［4］顏慧.大數據+人工智能背景下混合式教學案例設計［J］.電腦知識與技術，2023，19（08）：164166+177.

［5］張小文.《材料科學實驗》的創新教學模式與實踐探索［J］.科技視界，2015（25）：25+208.

項目支持：內蒙古科技大學教改項目（JY2021026）

作者簡介：定巍（1983—?），男，回族，湖北仙桃人，博士，副教授，研究方向：材料加工工程。