【技术实现步骤摘要】
一种使用元学习的小样本含能材料性能预测方法、存储设备及终端
[0001]本专利技术涉及含能材料的
,具体涉及一种使用元学习的小样本含能材料性能预测方法、存储设备及终端。
技术介绍
[0002]目前,含能材料已广泛应用于军事和民用领域,包括炸药、推进剂和烟火药;优良的综合性能一直是含能材料发展的首要要求,如爆轰性能显著、感度低、环境安全友好、力学性能优良、热稳定性好等;其中,力学性能是含能材料一种重要的实用性能,其对含能材料具有重要意义,直接关系到含能材料的使用安全性和能量大小。
[0003]材料的力学性能是指在一定温度条件和外力作用下,材料抵抗变形和断裂的能力,对含能材料而言,除温度和外力之外,粒度、形貌、密度、缺陷等表界面特性还会直接影响着力学性能;研究含能材料的力学性能对于指导含能材料配方和结构设计,以及对含能材料进行安全性评估和寿命预测等都具有重要的意义;但是,单纯采用实验技术对其进行研究则会产生研究周期长、成本高、危险性大、影响因素多而导致结果重现性低等问题。
[0004]从上世纪50年代开始,研究人员通过模拟仿真物质的结构和运动,推演出越来越多复杂的现象,模拟计算方式的出现大大加快了含能材料的研究进展;然而,虽然计算模拟的结果准确可靠,却存在计算过程复杂,模型要求高,耗时长等限制;以体积模量、剪切模量和杨氏模量这三种常见的力学性能为例,得到一个样本需要在指定的配方的温度条件下,使用分子动力学计算得到轨迹文件,而后基于此计算得到的弹性系数矩阵,进而计算得到上述三种模量,获取一个样本所需时 ...
【技术保护点】
【技术特征摘要】
1.一种使用元学习的小样本含能材料性能预测方法,其特征在于:包括如下步骤:S10,确定用于含能性能材料预测的输入特征和输出特征,其中,输入特征包括:晶面、晶面面积占比、温度、密度、结合能和扩散系数,所述输出特征包括:体积模量、剪切模量和杨氏模量;S20,获取样本数据,并将样本数据按比例随机划分为训练集和查询集,并将训练集划分为多个训练任务,多个训练任务共用查询集;S30,构建神经网络预测模型;S40,对训练集的多个训练任务进行元学习,得到神经网络预测模型的最优参数;S50,通过查询集对神经网络预测模型进行优化和评估。2.根据权利要求1所述的一种使用元学习的小样本含能材料性能预测方法,其特征在于:所述步骤S30,构建神经网络预测模型中,所述的神经网络预测模型包括:1个输入层、3个隐含层和1个输出层;其中:3个隐含层分别为:第一隐含层、第二隐含层和第三隐含层;所述输入层包含6个神经元,分别对应于6个输入特征;所述第一隐含层、第二隐含层、第三隐含层均包含有8个神经元;所述输出层包含3个神经元,分别对应于3个输出特征。3.根据权利要求2所述的一种使用元学习的小样本含能材料性能预测方法,其特征在于:将输入特征输入到神经网络预测模型中,经过第一隐含层后,单个神经元的输出为:其中:w表示权值、w的上标0表示输入层,下标的1~6对应于输入层的6个神经元,b0表示输入层的偏置;g1()表示激活函数;经过第二隐含层后,单个神经元的输出为:其中:w的上标1表示第一隐含层,下标的1~8对应于第一隐含层的8个神经元,b1表示第一隐含层的偏置;f1()表示激活函数;经过第三隐含层后,单个神经元的输出为:其中:w表示权值、w的上标2表示第二隐含层,下标的1~8对应于第二隐含层的8个神经元,b2表示第二隐含层的偏置;g2()表示激活函数;经过输出层后,单个神经元的输出为:其中:w表示权值、w的上标3表示第三隐含层,下标的1~8对应于第三隐含层的8个神经元,b2表示第二隐含层的偏置;f2()表示激活函数。4.根据权利要求3所述的一种使用元学习的小样本含能材料性能预测方法,其特征在于:所述激活函数g1()、所述激活函数g2()均为Tanh激活函数,且Tanh激活函数的表达式为:
所述激活函数f1()、激活函数f2()均为Relu激活函数,且Relu激活函数的表达式为:Relu(x)=f1(x)=f2(x)=max(0,x)。5.根据权利要求1所述的一种使用元学习的小样本含能材料性能预测方法,其特征在于:所述步骤S40,对训练集的多个训练任务进行元学习,得到神经网络预测模型的最优参数;具体包括:S401,在训练前,对神经网络预测模型的参数进行随机初始化,得到初始化参数其中,W表神经网络层与层之间连接的权值矩阵...
【专利技术属性】
技术研发人员:叶宝云,安崇伟,刘畅,王晶禹,赵宇宁,周耀鉴,
申请(专利权)人:中北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。