机器学习辅助合金组织和性能预测方法研究
发布时间：2021-11-15 20:23
科学研究第四范式的提出,宣告着数据密集型的科学研究方法时代的到来。机器学习和人工智能技术的发展,为日趋复杂的材料设计提供了崭新的途径。数据库与机器学习技术,能够揭示设计过程与材料宏观性能的关系,实现实验过程优化,改善依靠科学家直觉和大量的“尝试法”的材料研发思路,形成数据驱动的研究方法,从而加速材料设计与研发。本课题基于数据库和机器学习技术,针对合金材料的组织和性能开展数据驱动的设计方法研究。通过分析材料实验表征数据、计算模拟数据和工业生产数据的特征,研究材料科学数据库构建方法;同时分别针对实验表征数据、计算模拟数据和工业生产数据,开展相关性分析、特征选择、分类和回归分析、集成学习和深度学习等数据挖掘和机器学习技术在优化合金设计方法上的应用研究。基于公开发表的实验数据研究并建立了高温合金晶格错配度模型,基于海量计算模拟数据研究并建立三元合金准相平衡过程的定量设计模型,实现了数据驱动的合金组织参数的定量预测新方法;基于工业数据的高维小样本特点,探索了机器学习与多尺度计算相结合的数据降维新方法,成功用于钢铁工业生产环境下的力学性能高精度预测,为金属结构材料的设计提供了新的方法和思路。具体如...
【文章来源】：北京科技大学北京市 211工程院校 教育部直属院校
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
图２－丨ＢＰ前馈网络的结构??
定义不同的核函数，就可以实现多项式逼近、贝叶??斯分类器、径向基函数方法、多层感知器网络等许多现有学习算法。这种新??的学习算法可以替代多层感知器、径向基函数神经网络和多项式神经网络等??己有的学习算法。该方法作为一种解决多维函数预测的通用工具，己成功应??用于函数近似、模式识别和数据分类等领域，说明了统计学习理论的实用价??值。??机器学习的目的是根据给定的训练样本，估计系统输入与输出之间依赖??关系，使之能够尽可能准确地预测系统的未来输出［１］。机器学习的基本模型，??可以用图２－２表示。图２－２中，系统是研究的对象，它在给定的输入ｘ下得??到输出ｙ。在训练过程中，输入与输出组成训练样本（ｘ，?ｙ），提供给学习机??器。在测试过程中，训练后的学习机器对于输入ｘ给出预测输出歹。??输入?系统?输出??！＾，１??＾?机器学习?＾?预测输出??图２－２机器学习的基本模型??假定对于所研宄的系统，已知在其输出ｙ与输入ｘ之间具有某种未知的??依赖关系，即存在一个未知的联合分布Ｆ（ｘ，ｙ）。假定学习机器具有广义参数ａ??（所有参数的集合），则对于输入ｘ，该学习机器的预测输出的期望风险可以??表示为：??－１５?－??
?机器学习辅助合金组织和性能预测方法研宄???欠学习??过学习??信范围??＾经验风险??，．＿＂■，■＿?一?“?ｈ??函数柒子集：??ＶＣ维：幻＜心＜＊３??图２－３结构风险最小原理图??实现ＳＲＭ原则可以有两种思路，一是在每个子集中求最小经验风险，然??后选择使最小经验风险和置信范围之和最小的子集。显然这种方法比较费时，??特别是当子集数目很大甚至是无穷时不可行。因此有第二种思路，即设计函??数集的某种结构使每个子集中都能取得最小的经验风险，然后只需选择适当??的子集使置信范围最小，则这个子集中使经验风险最小的函数就是最优函数。??支持向量机方法实际上就是结构风险最小化思想的具体实现。??支持向量机（ＳＶＭ）是统计学习理论中最年轻的内容，也是最实用的部??分［ｉ７，Ｍ。这里仅对ＳＶＭ的基本原理作简单描述，而不详细介绍其中非常复??杂的数学推导过程。??（１）支持向量分类算法??最优分类超平面：支持向量分类的基石就是高维空间的大间隔思想。其??基本思想可用图２－４的二维情况说明。??／最优分类超平面??ａ?〇类间隔??支持向量??图２￣４最优分类超平面??－１８?－??
【参考文献】：
期刊论文
[1]材料基因组——材料研发新模式[J]. 汪洪,向勇,项晓东,陈立泉. 科技导报. 2015(10)
[2]多尺度材料计算方法[J]. 施思齐,徐积维,崔艳华,鲁晓刚,欧阳楚英,张艳姝,张文清. 科技导报. 2015(10)
[3]中国材料数据库与公共服务平台建设[J]. 尹海清,刘国权,姜雪,张瑞杰,曲选辉. 科技导报. 2015(10)
[4]基于Jena的本体构建方法研究[J]. 向阳,王敏,马强. 计算机工程. 2007(14)
[5]关于统计学习理论与支持向量机[J]. 张学工. 自动化学报. 2000(01)
博士论文
[1]高丰度稀土快淬磁体的永磁性能、机理和机器学习研究[D]. 李锐.中国科学院大学(中国科学院物理研究所) 2018
[2]数据挖掘方法在高导电高弹性铜合金及其它金属材料中的应用[D]. 方善锋.中南大学 2009
本文编号：3497437
【文章来源】：北京科技大学北京市 211工程院校 教育部直属院校
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
图２－丨ＢＰ前馈网络的结构??
定义不同的核函数，就可以实现多项式逼近、贝叶??斯分类器、径向基函数方法、多层感知器网络等许多现有学习算法。这种新??的学习算法可以替代多层感知器、径向基函数神经网络和多项式神经网络等??己有的学习算法。该方法作为一种解决多维函数预测的通用工具，己成功应??用于函数近似、模式识别和数据分类等领域，说明了统计学习理论的实用价??值。??机器学习的目的是根据给定的训练样本，估计系统输入与输出之间依赖??关系，使之能够尽可能准确地预测系统的未来输出［１］。机器学习的基本模型，??可以用图２－２表示。图２－２中，系统是研究的对象，它在给定的输入ｘ下得??到输出ｙ。在训练过程中，输入与输出组成训练样本（ｘ，?ｙ），提供给学习机??器。在测试过程中，训练后的学习机器对于输入ｘ给出预测输出歹。??输入?系统?输出??！＾，１??＾?机器学习?＾?预测输出??图２－２机器学习的基本模型??假定对于所研宄的系统，已知在其输出ｙ与输入ｘ之间具有某种未知的??依赖关系，即存在一个未知的联合分布Ｆ（ｘ，ｙ）。假定学习机器具有广义参数ａ??（所有参数的集合），则对于输入ｘ，该学习机器的预测输出的期望风险可以??表示为：??－１５?－??
?机器学习辅助合金组织和性能预测方法研宄???欠学习??过学习??信范围??＾经验风险??，．＿＂■，■＿?一?“?ｈ??函数柒子集：??ＶＣ维：幻＜心＜＊３??图２－３结构风险最小原理图??实现ＳＲＭ原则可以有两种思路，一是在每个子集中求最小经验风险，然??后选择使最小经验风险和置信范围之和最小的子集。显然这种方法比较费时，??特别是当子集数目很大甚至是无穷时不可行。因此有第二种思路，即设计函??数集的某种结构使每个子集中都能取得最小的经验风险，然后只需选择适当??的子集使置信范围最小，则这个子集中使经验风险最小的函数就是最优函数。??支持向量机方法实际上就是结构风险最小化思想的具体实现。??支持向量机（ＳＶＭ）是统计学习理论中最年轻的内容，也是最实用的部??分［ｉ７，Ｍ。这里仅对ＳＶＭ的基本原理作简单描述，而不详细介绍其中非常复??杂的数学推导过程。??（１）支持向量分类算法??最优分类超平面：支持向量分类的基石就是高维空间的大间隔思想。其??基本思想可用图２－４的二维情况说明。??／最优分类超平面??ａ?〇类间隔??支持向量??图２￣４最优分类超平面??－１８?－??
【参考文献】：
期刊论文
[1]材料基因组——材料研发新模式[J]. 汪洪,向勇,项晓东,陈立泉. 科技导报. 2015(10)
[2]多尺度材料计算方法[J]. 施思齐,徐积维,崔艳华,鲁晓刚,欧阳楚英,张艳姝,张文清. 科技导报. 2015(10)
[3]中国材料数据库与公共服务平台建设[J]. 尹海清,刘国权,姜雪,张瑞杰,曲选辉. 科技导报. 2015(10)
[4]基于Jena的本体构建方法研究[J]. 向阳,王敏,马强. 计算机工程. 2007(14)
[5]关于统计学习理论与支持向量机[J]. 张学工. 自动化学报. 2000(01)
博士论文
[1]高丰度稀土快淬磁体的永磁性能、机理和机器学习研究[D]. 李锐.中国科学院大学(中国科学院物理研究所) 2018
[2]数据挖掘方法在高导电高弹性铜合金及其它金属材料中的应用[D]. 方善锋.中南大学 2009
本文编号：3497437
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3497437.html
