本發(fā)明涉及合金材料設計與計算，特別是一種基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法。

背景技術：

1、隨著材料科學研究的深入和人工智能技術的發(fā)展，采用機器學習方法進行勢函數(shù)的構建和擬合，已成為解決傳統(tǒng)勢函數(shù)擬合中試錯低效問題的主要技術途徑。

2、通過機器學習勢函數(shù)，研究人員可以更精確地模擬合金材料的力熱性質，為合金材料的設計和優(yōu)化提供有力支持。

3、目前，尚未有完整的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，亟待填補這一空白。

技術實現(xiàn)思路

1、本發(fā)明采用的技術方案如下：

2、一種基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，具體包括以下步驟：

3、s1數(shù)據(jù)準備：收集若干不同合金的結構信息、熱性質數(shù)據(jù)，所述結構信息包括但不限于晶體結構、成分比例、晶格子排列、缺陷分布；所述熱性質數(shù)據(jù)，包括熱導電性、力學性質；

4、對所收集的數(shù)據(jù)進行預處理，所述預處理操作包括清洗、標準化、歸一化，去除異常值、填補缺失值中的任意一種或多種組合，以確保數(shù)據(jù)質量；

5、將預處理后的數(shù)據(jù)構建為訓練集，用于機器學習勢函數(shù)的訓練；訓練集數(shù)據(jù)應當覆蓋合金可能的相空間，以確保勢函數(shù)的泛化能力；

6、s2勢函數(shù)構建：采用機器學習算法，利用訓練集進行學習，得到能準確描述合金原子間作用的機器學習勢函數(shù)，反映原子間相互作用力的復雜依賴性；所述機器學習算法包括深度神經(jīng)網(wǎng)絡、支持向量機中的任意一種；

7、神經(jīng)網(wǎng)絡設計時，根據(jù)合金復雜性設計層次結構，包括隱藏層的數(shù)量、節(jié)點數(shù)目、激活函數(shù)的選擇；

8、建立支持向量機模型時，支持向量機模型設計包括核函數(shù)、帶寬、正則的選擇；

9、s3多尺度模擬：利用步驟s2構建的機器學習勢函數(shù)，結合多尺度模擬軟件進行模擬；模擬考慮尺度從原子尺度到介觀尺度；模擬力、熱輸運行動，具體包括原子間力、晶界面上的擴散、位錯滑移位、晶格變形、熱輸運，介觀的熱流、相變；

10、s4結果分析：模擬完成后，分析模擬結果，提取力、熱性質，包括力性質、熱導性、力學響應、相變性、熱膨脹、熱導率。

11、優(yōu)選地，所述步驟s4后，將模擬值與實驗值對比，驗證模擬的準確度；若模擬值與實驗值相差超過設定閾值，則補充步驟s1中數(shù)據(jù)然后進行步驟s2，優(yōu)化模擬方法。

12、優(yōu)選地，所述步驟s4后，分析模擬的力熱性質與溫度、壓力的關系，開展敏感性分析，因素對性能的影響，指導合金設計。

13、優(yōu)選地，所述步驟s1中，通過實驗或數(shù)據(jù)庫收集合金的結構信息。

14、優(yōu)選地，所述步驟s1中，訓練集的數(shù)據(jù)要求包括：

15、a、成分與結構：訓練集數(shù)據(jù)包括若干不同合金的化學成分比例，包括不同元素組成、濃度范圍和元素配比；結構信息包括有序結構、無序結構，無序結構包括非晶格排列、缺陷結構，所述缺陷結構包括空位、錯位、界面；

16、b、狀態(tài)：訓練集數(shù)據(jù)包括若干不同溫度與壓力條件下的狀態(tài)數(shù)據(jù)；狀態(tài)數(shù)據(jù)包括熱力學響應、熱導性、相變性，壓力誘導的相變，以及高溫高壓下的晶格子結構變化數(shù)據(jù)；設定訓練集模擬不同溫度和壓力范圍，從室溫至極端條件，以確保模型能預測合金在各種熱力學、熱性質的動態(tài)變化；

17、c、動態(tài)與缺陷效應：訓練集數(shù)據(jù)引入動態(tài)因素數(shù)據(jù)，包括缺陷和動力學過程；具體動態(tài)與缺陷效應數(shù)據(jù)包括位錯移動、擴散、晶格子跳躍、界面遷移，以及缺陷動力學行為數(shù)據(jù)；所述動態(tài)過程的模擬能增強模型在非平衡態(tài)下的表現(xiàn)。

18、優(yōu)選地，所述步驟s1中，力學性質參數(shù)包括彈性模量、硬度、屈服點、熱膨脹系數(shù)。

19、優(yōu)選地，所述步驟s2中，訓練過程中，采用梯度下降算法最小化損失函數(shù)；訓練中，通過交叉驗證集監(jiān)控，防止過擬合。

20、優(yōu)選地，所述步驟s3中，通過多尺度模擬軟件進行模擬，包括vasp，lammps。

21、進一步地，所述步驟s3的模擬過程中，采用并行進化的算法優(yōu)化模擬效率，并行進化算法包括時間步長算法。

22、優(yōu)選地，所述步驟s3中，模擬包括如下內容：

23、a、力的作用：模擬原子間的直接相互作用，包括鍵合、排斥力，決定物質的穩(wěn)定性；

24、b、界面上擴散：在晶界面上的原子擴散；這是材料生長、形核化過程的關鍵，如固態(tài)反應的重要環(huán)節(jié)；

25、c、晶格變形：材料受到載荷時的結構響應，體現(xiàn)塑性、彈性、韌性；

26、d、熱輸運行動：包括熱傳導、熱流，研究材料的熱性能，影響散熱、熱管理；

27、e、相變：不同條件下材料的相態(tài)轉變，包括固態(tài)、液態(tài)的形態(tài)變化，影響材料的性質。

28、本技術通過精確、周期短，為合金材料設計與優(yōu)化提供高效工具，對合金性能優(yōu)化具有重要意義。機器學習勢函數(shù)結合多尺度模擬，為合金科學提供準確模擬，為新材料發(fā)現(xiàn)、性能設計提供強大支持。整個模擬中，時間步長算法是關鍵，通過智能調整，確保模擬效率與精確度，使得每個時間步長適應不同尺度下的動力學事件，如原子運動、晶格子擴散、熱傳導等，都能準確捕捉。這樣，通過算法優(yōu)化，模擬在模擬時間、空間分辨率上找到最佳平衡，保證了從微觀到介觀尺度上既高效又不失精度。

29、本發(fā)明的有益效果：

30、1.提高模擬精度：通過機器學習勢函數(shù)，能夠更準確地描述合金材料原子間的相互作用，從而提高模擬結果的精度和可靠性。

31、2.縮短研發(fā)周期：采用多尺度模擬方法，可以在較短時間內完成大量模擬實驗，從而縮短合金材料的研發(fā)周期。

32、3.優(yōu)化材料性能：根據(jù)模擬結果對合金材料的設計和優(yōu)化提出建議，可以幫助研究人員更好地理解和控制合金材料的力熱性質，實現(xiàn)材料性能的優(yōu)化。

技術特征：

1.一種基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，具體包括以下步驟：

2.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s4后，將模擬值與實驗值對比，驗證模擬的準確度；若模擬值與實驗值相差超過設定閾值，則補充步驟s1中數(shù)據(jù)然后進行步驟s2，優(yōu)化模擬方法。

3.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s4后，分析模擬的力熱性質與溫度、壓力的關系，開展敏感性分析，因素對性能的影響，指導合金設計。

4.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s1中，通過實驗或數(shù)據(jù)庫收集合金的結構信息；訓練集的數(shù)據(jù)要求包括：

5.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s2中，神經(jīng)網(wǎng)絡設計時，根據(jù)合金復雜性設計層次結構，包括隱藏層的數(shù)量、節(jié)點數(shù)目、激活函數(shù)的選擇；建立支持向量機模型時，支持向量機模型設計包括核函數(shù)、帶寬、正則的選擇。

6.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s1中，力學性質參數(shù)包括彈性模量、硬度、屈服點、熱膨脹系數(shù)。

7.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s2中，訓練過程中，采用梯度下降算法最小化損失函數(shù)；訓練中，通過交叉驗證集監(jiān)控，防止過擬合。

8.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s3中，通過多尺度模擬軟件進行模擬，包括vasp，lammps。

9.根據(jù)權利要求8所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s3的模擬過程中，采用并行進化的算法優(yōu)化模擬效率，并行進化算法包括時間步長算法。

10.根據(jù)權利要求1所述的基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法，其特征在于，所述步驟s3中，模擬包括如下內容：

技術總結
本發(fā)明涉及合金材料設計與計算技術領域，特別是一種基于機器學習勢函數(shù)的合金材料力熱性質多尺度模擬方法。所述方法包括S1數(shù)據(jù)準備、S2勢函數(shù)構建、S3多尺度模擬和S4結果分析。通過機器學習算法構建出能夠準確描述合金材料原子間相互作用的勢函數(shù)，并結合多尺度模擬方法，實現(xiàn)對合金材料力熱性質的精確模擬和預測。本發(fā)明技術具有模擬精度高、研發(fā)周期短、材料性能優(yōu)化等優(yōu)點，對于合金材料的設計和優(yōu)化具有重要意義。

技術研發(fā)人員：卜文剛,梁秀兵,劉忠宇,郝嘉懋,王榮,何鵬飛,胡振峰
受保護的技術使用者：中國人民解放軍軍事科學院國防科技創(chuàng)新研究院
技術研發(fā)日：
技術公布日：2025/1/6