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

本发明专利技术提供的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，所述方法包括：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；本发明专利技术具有在小样本情况下、有效提高预测精度的有益效果，适用于含能材料领域。域。域。

【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间大于48h。
[0005]综上，由于样本的稀缺，试图纯粹采用计算模拟方式来研究含能材料的力学性能也变得极其困难。

技术实现思路

[0006]针对相关技术中存在的不足，本专利技术所要解决的技术问题在于：提供一种使用元学习的小样本含能材料性能预测方法，在小样本情况下、有效提高预测精度。
[0007]为解决上述技术问题，本专利技术采用的技术方案为：
[0008]一种使用元学习的小样本含能材料性能预测方法，包括如下步骤：
[0009]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；
[0010]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；
[0011]S30，构建神经网络预测模型；
[0012]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；
[0013]S50，通过查询集对神经网络预测模型进行优化和评估。
[0014]优选地,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；
[0015]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；
[0016]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；
[0017]所述输出层包含3个神经元，分别对应于3个输出特征；
[0018]优选地,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：
[0019][0020]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；
[0021]经过第二隐含层后，单个神经元的输出为：
[0022][0023]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；
[0024]经过第三隐含层后，单个神经元的输出为：
[0025][0026]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；
[0027]经过输出层后，单个神经元的输出为：
[0028][0029]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。
[0030]优选地,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：
[0031][0032]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：
[0033]Relu(x)＝f1(x)＝f2(x)＝max(0,x)。
[0034]优选地,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：
[0035]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、B表示神经网络层与层之间的偏置矩阵；
[0036]S402，从训练集中，依次选择训练任务，使用元学习方法进行训练，对初始化参数进行迭代更新，得到最优的初始化参数
[0037]优选地,所述步骤402，从训练集中，依次选择训练任务，使用元学习方法进行训练，对初始化参数进行迭代更新，得到最优的初始化参数具体包括：
[0038]S4021，选择一个训练任务,将初始化参数赋值至训练任务的局部网络m中，得到迭代参数θ
m
：即：
[0039][0040]S4022，对迭代参数θ
m
进行1次优化；1次优化的计算表达式为：
[0041][0042]其中,α
m
为元学习网络中局部网路m的学习率；
[0043]使用训练任务的支撑集,对训练任务中的网络参数进行训练,获得训练任务优化后的局部网络参数
[0044]S4023，基于1次优化后的计算训练任务m的梯度；
[0045]S4024，基于训练任务m的梯度，对模型参数进行梯度更新,得到更新后的参数
[0046]S4025，重复步骤S4021至步骤S4024，直至完成迭代循环，学习到一个最优的初始参数
[0047]优选地,所述步骤S4023，基于1次优化后的计算训练任务的梯度；具体包括：
[0048]S4023
‑
1，计算训练任务中K个样本的损失函数L1，计算表达式为：
[0049][0050]其中，y
ij
表示第i个样本的第j维预测值；j＝1,2,3，第j维分别对应于体积模量、剪切模量和杨氏模量；
[0051]表示经过模型计算后的预测值；
[0052]S4023
‑
2，计算损失函数L1对的梯度，计算表达式为：
[0053][0054]S4023
‑
3，使用查询集中,计算体积模量、剪切模量本文档来自技高网...

【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：