一种用于高热性能多孔材料结构的预测网络的构建方法技术

本发明专利技术公开了一种用于高热性能多孔材料结构的预测网络的构建方法包括：利用四参数随机生长法生成10000个不同多孔结构，并生成10000张灰度图；将所述灰度图作为数据集，对所述数据集进行预处理，并将所述灰度图作为输入向量y

【技术实现步骤摘要】
一种用于高热性能多孔材料结构的预测网络的构建方法


[0001]本专利技术涉及计算机辅助多孔材料设计
，具体为一种用于高热性能多孔材料结构的预测网络的构建方法。

技术介绍

[0002]结构
‑
热性能相关性的定量描述一直是设计具有优良热性能的功能材料的一个具有挑战性的瓶颈。发现和设计具有优良热性能的材料在许多技术应用中具有至关重要的意义。例如，电子器件的规模已经迅速接近10纳米的范围，对材料的选择提出了前所未有的要求。光电子工业面临的挑战是，芯片上的散热高度不均匀，因为芯片的最大热流通常在功能区域，可能是周围区域的数倍，因此迫切需要高导热材料作为热扩散器，以消除局部热点。另一方面，低导热材料在应用方面也有很大的需求，如热电材料、热障涂层和建筑围护结构。
[0003]近十年来，利用传统密度泛函理论和玻尔兹曼输运方程建立声子性质的第一性原理模型已成为预测新材料热导率的普遍做法。但是热性能的第一性原理计算对于高通量材料筛选和多尺度结构设计过于昂贵。尤其是当准粒子“声子”模型崩溃时，它无法用于建模复杂晶体和无序固体。因此设计高热性能多孔材料结构，在节省时间和成本的同时保证预测的精确度成了亟需解决的重要问题。

技术实现思路

[0004]鉴于上述存在的问题，提出了本专利技术。
[0005]因此，本专利技术解决的技术问题是：热性能的第一性原理计算对于高通量材料筛选和多尺度结构设计过于昂贵，尤其是当准粒子“声子”模型崩溃时，它无法用于建模复杂晶体和无序固体。因此预测高热性能多孔材料结构，在节省时间和成本的同时保证预测的精确度成了亟需解决的重要问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：一种用于高热性能多孔材料结构的预测网络的构建方法，包括：
[0007]利用四参数随机生长法生成10000个不同多孔结构，并生成10000张灰度图；
[0008]将所述灰度图作为数据集，对所述数据集进行预处理，并将所述灰度图作为输入向量y
i
输入自动编码器进行迭代，获得最终隐向量z和训练后的解码器；
[0009]计算所述10000个不同多孔结构的热导率；
[0010]将所述多孔结构的结构参数及所述热导率作为输入向量放入一个全连接神经网络中以所述最终隐向量z为目标向量进行迭代，获得训练后的全连接神经网络；
[0011]将所述训练后的解码器和所述训练后的全连接神经网络进行连接，形成新的预测神经网络。
[0012]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：所述热导率通过格子玻尔兹曼方法计算，表示为：
[0013][0014]其中，L表示距离，T表示温差，dA表示介质截面面积，q表示通过介质截面面积dA的稳态热流密度。
[0015]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：
[0016]所述预处理包括归一化和标准化，表示为：
[0017][0018][0019][0020]其中，X
i
分别表示归一化前后的值，X
min
、X
max
分别表示数据集中最小、最大值，表示标准化后的值，表示平均值，α表示标准差。
[0021]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：
[0022]所述自动编码器由编码器和解码器组成；
[0023]所述编码器由卷积神经网络编码器和全连接神经网络编码器组成，用于对所述输入向量yi进行编码得到32维的隐向量z；
[0024]所述解码器由卷积神经网络解码器和全连接神经网络解码器组成，用于对所述隐向量z重构成输出向量使输出向量无限接近输入向量yi，即得到所述最终隐向量z；给定输入空间x∈X和特征空间h∈F，所述自动编码器求两者的映射f，g，使输入特征的重构误差达到最小，其表达式为：
[0025]f：X
→
F
[0026]g：F
→
X
[0027]f，g＝argmin
f，g
||x
‑
g[f(x)]||2[0028]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：
[0029]所述自动编码器迭代过程中的损失函数，表示为：
[0030][0031]其中，n表示向量维度，上述公式中的MSE无限接近0。
[0032]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：所述结构参数包括，孔隙率p、形状因子SF、瓶颈因子BN、通道因子CF、垂直非均匀性PN、主导路径DP。
[0033]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：所述自动编码器和所述全连接神经网络中均有一个输入层、一个输出层和数个隐藏层；每一层均由最小单位神经元组成；所述神经元的参数为：输入向量x＝{x1，x2，
…
，x
n
}，权重向量w＝{w1，w2，
…
，w
n
}，激活函数σ(y)，激活函数ReLU(y)，激活函数Tanh(y)，表达式为：
[0034]y＝∑w
i
x
i
+b
[0035][0036]ReLU(y)＝max(y，0)
[0037][0038]其中，b是偏置量，σ表示Sigmoid函数，e为自然常数。
[0039]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：所述卷积自动编码器的输入层的神经元数量为10000；输出层的神经元数量为10000；隐藏层的数量为5层，每一层的神经元数量分别为15000，7500，3456，7500，15000；
[0040]所述全连接自动编码器的输入层的神经元数量为3456；输出层的神经元数量为3456；隐藏层的数量为5层，每一层的神经元数量分别为256，128，32，128，256。
[0041]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：所述全连接神经网络的输入层的神经元数量为7；输出层的神经元数量为32；隐藏层数量为3层，每一层的神经元数量分别为64，128，256。
[0042]作为本专利技术所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：所述自动编码器和全连接神经网络迭代过程中使用梯度下降算法Adam，依据损失函数L的梯度更新每一层的参数θ，损失函数L及参数θ的公式为：
[0043][0044][0045]其中，上角标n表示全连接神经网络的最后一层，即第n层，上角标i表示全连接神经网络的第i层，学习速率η的值为0.001。
[0046]本专利技术的有益效果：本专利技术与传统热性能的第一性原理计算相比，本专利技术中的用于预测多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于高热性能多孔材料结构的预测网络的构建方法，其特征在于，包括：利用四参数随机生长法生成10000个不同多孔结构，并生成10000张灰度图；将所述灰度图作为数据集，对所述数据集进行预处理，并将所述灰度图作为输入向量y
i
输入自动编码器进行迭代，获得最终隐向量z和训练后的解码器；计算所述10000个不同多孔结构的热导率；将所述多孔结构的结构参数及所述热导率作为输入向量放入一个全连接神经网络中以所述最终隐向量z为目标向量进行迭代，获得训练后的全连接神经网络；将所述训练后的解码器和所述训练后的全连接神经网络进行连接，形成新的预测神经网络。2.如权利要求1所述的用于高热性能多孔材料结构的预测网络的构建方法，其特征在于：所述热导率通过格子玻尔兹曼方法计算，表示为：其中，L表示距离，T表示温差，dA表示介质截面面积，q表示通过介质截面面积dA的稳态热流密度。3.如权利要求2所述的用于高热性能多孔材料结构的预测网络的构建方法，其特征在于：所述预处理包括归一化和标准化，表示为：理包括归一化和标准化，表示为：理包括归一化和标准化，表示为：其中，X
i
分别表示归一化前后的值，X
min
、X
max
分别表示数据集中最小、最大值，表示标准化后的值，表示平均值，α表示标准差。4.如权利要求3所述的用于高热性能多孔材料结构的预测网络的构建方法，其特征在于：所述自动编码器由编码器和解码器组成；所述编码器由卷积神经网络编码器和全连接神经网络编码器组成，用于对所述输入向量yi进行编码得到32维的隐向量z；所述解码器由卷积神经网络解码器和全连接神经网络解码器组成，用于对所述隐向量z重构成输出向量使输出向量无限接近输入向量yi，即得到所述最终隐向量z；给定输入空间x∈X和特征空间h∈F，所述自动编码器求两者的映射f，g，使输入特征的重构误差达到最小，其表达式为：f:X
→
F
g:F
→
Xf,g＝argmin
f,g
‖x
‑
g[f(x)]‖25.如权利要求4所述的用于高热性能多孔材料结构的预测网络的构建方法，其...

【专利技术属性】
技术研发人员：王健，丁可，何宗罡，应宇恒，
申请(专利权)人：扬州大学，
类型：发明
国别省市：