本發(fā)明屬于材料設(shè)計優(yōu)化，具體涉及一種小樣本材料逆向預(yù)測方法。

背景技術(shù)：

1、目前，材料的設(shè)計及研發(fā)主要還是依靠傳統(tǒng)的“試錯型”實驗方法來制備和測試樣品，該方法周期長、效率低、成本高且存在一定的偶然性，不適合當今形勢下新材料的合成與開發(fā)。

2、機器學習作為人工智能領(lǐng)域發(fā)展最為迅速的一個分支，近些年受到學者們的廣泛關(guān)注。將機器學習應(yīng)用在材料的設(shè)計與研發(fā)中，對包括材料組分、工藝參數(shù)、性能特征等的實驗數(shù)據(jù)進行訓練，建立材料組分、工藝與材料性能之間的關(guān)聯(lián)模型。進一步提取出各參數(shù)間的隱含關(guān)系，尋找屬性影響因素及其變化規(guī)律，獲得預(yù)測模型。從而根據(jù)所需的性能要求，完成材料組分和工藝參數(shù)的設(shè)計優(yōu)化，大大提高材料研發(fā)效率和準確性。

3、現(xiàn)有預(yù)測模型存在諸多問題，如cn110010210a中利用雙隱含層bp神經(jīng)網(wǎng)絡(luò)實現(xiàn)根據(jù)性能要求快速、準確設(shè)計合金成分的目的，但該方法所使用均為多輸入多輸出模型，需要大量實驗數(shù)據(jù)樣本才能保證模型達到較高的準確度，具有局限性；又如cn107577850a中應(yīng)用bp神經(jīng)網(wǎng)絡(luò)預(yù)測tc4鈦合金鑄件縮孔缺陷，但在網(wǎng)絡(luò)訓練過程中未使用交叉驗證方法對網(wǎng)絡(luò)模型進行評估，增加了結(jié)果的偶然性。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的是提供一種小樣本材料逆向預(yù)測方法，可由給定的材料成分與工藝參數(shù)預(yù)測目標性能，生成包括成分和工藝等參數(shù)的多維初始種群，以目標性能和預(yù)測性能的歐幾里得距離為適應(yīng)度函數(shù)，搜尋滿足目標性能的最優(yōu)組分和工藝，完成逆向設(shè)計。

2、為達到以上目的，本發(fā)明采用的技術(shù)方案是：一種小樣本材料逆向預(yù)測方法，包括步驟：獲取復合材料的數(shù)據(jù)特征；對數(shù)據(jù)特征進行預(yù)處理；搭建多個多輸入單輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)并聯(lián)組成的模型群并進行訓練，表征材料成分、工藝與其性能之間的隱含關(guān)系；建立由模型群和遺傳算法相結(jié)合的逆向預(yù)測模型；對比篩選出可用的預(yù)測數(shù)據(jù)并入總數(shù)據(jù)集中。

3、進一步，所述數(shù)據(jù)特征包括材料成分、材料工藝及材料性能。

4、進一步，所述材料成分為所需添加的各類材料的重量占比值，所述材料工藝包括時間、溫度、壓力，所述材料性能包括斷裂伸長率、硬度。

5、進一步，所述對數(shù)據(jù)特征進行預(yù)處理包括對所得數(shù)據(jù)特征進行數(shù)據(jù)清洗、缺失值處理、特征選擇、特征縮放。

6、進一步，所述搭建多個多輸入單輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)并聯(lián)組成的模型群包括步驟：建立grnn的網(wǎng)絡(luò)結(jié)構(gòu)；完成樣本集合的劃分；進行網(wǎng)絡(luò)自適應(yīng)訓練學習；對模型進行優(yōu)化，提高模型的性能和泛化能力；對所提供的材料成分和工藝輸入?yún)?shù)進行輸出性能預(yù)測。

7、進一步，所述完成樣本集合的劃分時，采用留一交叉驗證法對模型進行驗證。

8、進一步，所述建立由模型群和遺傳算法相結(jié)合的逆向預(yù)測模型包括步驟：對遺傳算法的參數(shù)進行初始化；建立初始空間；利用輪盤賭法對種群進行選擇操作；設(shè)置交叉概率，從種群中隨機選擇兩個個體，再隨機選擇進行交叉的位置，完成單點交叉操作；設(shè)置變異概率，機選擇一個體，使其在滿足變異概率的條件下發(fā)生單點變異；不斷優(yōu)化更新最優(yōu)解及其適應(yīng)度值，直到滿足最大迭代次數(shù)。

9、進一步，所述建立由模型群和遺傳算法相結(jié)合的逆向預(yù)測模型時，以目標性能和grnn預(yù)測性能的歐幾里得距離作為適應(yīng)度函數(shù)。

10、進一步，所述建立初始空間具體為：利用tent混沌映射隨機生成均勻的種群規(guī)模數(shù)量的個體作為初始解空間。

11、進一步，所述對比篩選出可用的預(yù)測數(shù)據(jù)并入總數(shù)據(jù)集中時，通過預(yù)設(shè)各個特征可接受的誤差范圍，對比篩選出滿足要求的預(yù)測數(shù)據(jù)并入總數(shù)據(jù)集中。

12、本發(fā)明的效果在于：采用的廣義神經(jīng)網(wǎng)絡(luò)grnn具有非線性映射能力強和學習速度快等特點，通過采用留一交叉驗證法進行超參數(shù)的自適應(yīng)學習，提高模型的預(yù)測精度，使其在樣本數(shù)據(jù)較少時，也能達到較好的預(yù)測效果。該網(wǎng)絡(luò)模型可針對材料設(shè)計過程中由于實驗時間長、數(shù)據(jù)獲取困難等造成的學習樣本不足問題進行小樣本、高精度的材料成分性能預(yù)測研究。并且，根據(jù)材料各性能之間相互獨立的特性建立并聯(lián)模型群，該模型群由多個多輸入單輸出的grnn降維擬合預(yù)測模型組成，可以提高性能預(yù)測的準確度；同時通過遺傳算法生成包括成分和工藝等參數(shù)的多維初始種群，以目標性能和grnn預(yù)測性能的歐幾里得距離為適應(yīng)度函數(shù)，搜尋滿足目標性能的最優(yōu)組分和工藝，建立由神經(jīng)網(wǎng)絡(luò)模型群和遺傳算法相結(jié)合的逆向預(yù)測模型，可大幅減少實驗試錯成本，提高材料設(shè)計效率。

技術(shù)特征：

1.一種小樣本材料逆向預(yù)測方法，其特征在于，包括步驟：

2.如權(quán)利要求1所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

3.如權(quán)利要求2所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

4.如權(quán)利要求1所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

5.如權(quán)利要求1所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

6.如權(quán)利要求5所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

7.如權(quán)利要求1所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

8.如權(quán)利要求1所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

9.如權(quán)利要求7所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

10.如權(quán)利要求1所述的一種小樣本材料逆向預(yù)測方法，其特征在于：

技術(shù)總結(jié)
本發(fā)明涉及一種小樣本材料逆向預(yù)測方法，包括步驟：獲取復合材料的數(shù)據(jù)特征；對數(shù)據(jù)特征進行預(yù)處理；搭建多個多輸入單輸出的廣義回歸神經(jīng)網(wǎng)絡(luò)并聯(lián)組成的模型群并進行訓練，表征材料成分、工藝與其性能之間的隱含關(guān)系；建立由模型群和遺傳算法相結(jié)合的逆向預(yù)測模型；對比篩選出可用的預(yù)測數(shù)據(jù)并入總數(shù)據(jù)集中，采用一種小樣本材料逆向預(yù)測方法可大幅減少實驗試錯成本，提高材料設(shè)計效率。

技術(shù)研發(fā)人員：姬俊杰,韓毅,劉宇辰,曹勤劍,李國棟,池曉淼,孫巖松,陳志偉,楊明明,楊文英
受保護的技術(shù)使用者：中國輻射防護研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2