本說明書涉及材料科學，尤其涉及一種多晶材料機械性質預測方法、裝置、存儲介質及設備。

背景技術：

1、多晶材料是由許多小的晶體顆粒（稱為晶粒）組成的固體材料。每個晶粒都是一個單晶，但各個晶粒之間的取向不同，因此整個材料呈現(xiàn)出多晶體的結構。多晶材料在自然界和工業(yè)中非常常見，例如：金屬、陶瓷、半導體和許多其他類型的材料。對于多晶材料，多種微觀結構特征（如晶粒大小、形狀和晶體取向等）都會顯著影響其力學響應。因此，根據多晶材料的微觀結構預測其宏觀力學性質，即非線性的應力應變響應曲線，對于指導先進機械材料的生產具有極其重要的意義。

2、通常情況下，可以通過神經網絡的數據驅動代理模型來預測多晶材料在不同載荷下的應力。然而，由于神經網絡本身結構的局限性，使得多晶材料的微觀結構無法被充分表達，即，通過神經網絡難以全面提取和表示多晶微觀結構包含的諸如：晶粒形狀、晶粒取向和晶界等復雜的特征，從而導致通過神經網絡預測出多晶材料在不同載荷下的應力的準確性較差。

3、因此，如何提升通過神經網絡模型預測多晶材料在不同載荷下的應力的準確性，則是一個亟待解決的問題。

技術實現(xiàn)思路

1、本說明書提供一種多晶材料機械性質預測方法、裝置、存儲介質及設備，以部分的解決現(xiàn)有技術存在的上述問題。

2、本說明書采用下述技術方案：

3、本說明書提供了一種多晶材料機械性質預測方法，包括：

4、獲取目標多晶材料的特征圖數據以及目標載荷，在所述特征圖數據中，不同的節(jié)點對應所述目標多晶材料中包含的不同的晶粒，針對每個節(jié)點，若該節(jié)點對應的晶粒和其他晶粒之間通過晶界相鄰，則該節(jié)點與所述其他晶粒對應的節(jié)點相連，該節(jié)點的節(jié)點特征包括：晶粒形狀特征、晶粒體積特征、基材性質特征、晶粒取向特征中的至少一種，其中，該節(jié)點的晶粒形狀特征是由卷積模型基于所述目標多晶材料對應的離散化結構數組進行卷積提取得到；

5、將所述特征圖數據和所述目標載荷輸入到預先訓練的預測模型中，以通過所述預測模型根據所述特征圖數據中每個節(jié)點的節(jié)點特征，以及每個節(jié)點與其他節(jié)點之間的連接關系，預測所述目標多晶材料在所述目標載荷下的應力；

6、根據所述目標多晶材料在所述目標載荷下的應力，進行任務執(zhí)行。

7、可選地，獲取目標多晶材料的特征圖數據，具體包括：

8、獲取目標多晶材料的微觀結構經過離散化處理后的三維數組，其中，所述三維數組中包含的不同元素對應于在所述目標多晶材料中均勻分布的不同采樣點，每個元素的值用于表征每個元素所對應的采樣點所屬的晶粒；

9、對所述三維數組中包含的每個元素進行編碼，得到所述三維數組對應的編碼特征向量數組，并將所述編碼特征向量數組輸入到預先訓練的卷積模型中，以通過所述卷積模型針對所述目標多晶材料中包含的每個晶粒，將所述編碼特征向量數組中與該晶粒相匹配的各編碼特征向量進行卷積，得到該晶粒的晶粒形狀特征；

10、根據各晶粒的晶粒形狀特征，獲取所述目標多晶材料的特征圖數據。

11、可選地，根據各晶粒的晶粒形狀特征，獲取所述目標多晶材料的特征圖數據，具體包括：

12、針對所述目標多晶材料中包含的每個晶粒，從所述三維數組包含的不同元素中確定出對應的采樣點屬于該晶粒的元素，作為該晶粒的各匹配元素；

13、根據該晶粒的各匹配元素的數量以及所述三維數組中包含的各元素的總數量，確定該晶粒的晶粒體積特征；

14、根據各晶粒的晶粒形狀特征和晶粒體積特征，獲取所述目標多晶材料的特征圖數據。

15、可選地，將所述特征圖數據和所述目標載荷輸入到預先訓練的預測模型中，以通過所述預測模型根據所述特征圖數據中每個節(jié)點的節(jié)點特征，以及每個節(jié)點與其他節(jié)點之間的連接關系，預測所述目標多晶材料在所述目標載荷下的應力，具體包括：

16、將所述特征圖數據和所述目標載荷輸入到預先訓練的預測模型中，以通過所述預測模型針對每個節(jié)點，根據該節(jié)點與其他節(jié)點之間的連接關系，確定該節(jié)點的鄰居節(jié)點，并根據該節(jié)點的節(jié)點特征以及所述鄰居節(jié)點的節(jié)點特征，確定該節(jié)點的聚合節(jié)點特征，并根據每個節(jié)點的聚合節(jié)點特征，預測所述目標多晶材料在所述目標載荷下的應力。

17、可選地，根據每個節(jié)點的聚合節(jié)點特征，預測所述目標多晶材料在所述目標載荷下的應力，具體包括：

18、對每個節(jié)點的聚合節(jié)點特征進行全局池化處理，以將各節(jié)點的聚合節(jié)點特征融合，得到所述目標多晶材料的全局特征，并根據所述全局特征預測所述目標多晶材料在所述目標載荷下的應力。

19、可選地，訓練所述預測模型，具體包括：

20、獲取樣本多晶材料的樣本特征圖數據以及樣本載荷；

21、將所述樣本特征圖數據以及樣本載荷輸入到待訓練預測模型中，以通過所述待訓練預測模型根據所述樣本特征圖數據中每個節(jié)點的節(jié)點特征，以及每個節(jié)點與其他節(jié)點之間的連接關系，預測所述樣本多晶材料在所述樣本載荷下的應力，作為預測應力；

22、根據所述預測應力和所述樣本多晶材料在所述樣本載荷下實際的應力之間的偏差，確定目標損失值，并以最小化所述目標損失值為優(yōu)化目標，對所述待訓練預測模型進行訓練，得到預測模型，所述預測應力和所述樣本多晶材料在所述樣本載荷下實際的應力之間的偏差與所述目標損失值成正比。

23、可選地，所述方法還包括：

24、獲取用戶輸入的至少一對應力應變數據對，作為目標應力應變數據對，所述應力應變數據對中包含指定載荷以及期望應力；

25、根據所述目標應力應變數據對，從預設的各候選多晶材料中確定出對應的應力應變響應曲線與所述目標應力應變數據對相匹配的候選多晶材料，作為參考多晶材料，并將所述參考多晶材料的標識數據推薦給所述用戶，所述應力應變響應曲線是預先通過所述預測模型根據所述候選多晶材料的特征圖數據確定出的。

26、本說明書提供了一種多晶材料機械性質預測裝置，包括：

27、獲取模塊，用于獲取目標多晶材料的特征圖數據以及目標載荷，在所述特征圖數據中，不同的節(jié)點對應所述目標多晶材料中包含的不同的晶粒，針對每個節(jié)點，若該節(jié)點對應的晶粒和其他晶粒之間通過晶界相鄰，則該節(jié)點與所述其他晶粒對應的節(jié)點相連，該節(jié)點的節(jié)點特征包括：晶粒形狀特征、晶粒體積特征、基材性質特征、晶粒取向特征中的至少一種，其中，該節(jié)點的晶粒形狀特征是由卷積模型基于所述目標多晶材料對應的離散化結構數組進行卷積提取得到；

28、預測模塊，用于將所述特征圖數據和所述目標載荷輸入到預先訓練的預測模型中，以通過所述預測模型根據所述特征圖數據中每個節(jié)點的節(jié)點特征，以及每個節(jié)點與其他節(jié)點之間的連接關系，預測所述目標多晶材料在所述目標載荷下的應力；

29、執(zhí)行模塊，用于根據所述目標多晶材料在所述目標載荷下的應力，進行任務執(zhí)行。

30、本說明書提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述多晶材料機械性質預測方法。

31、本說明書提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述多晶材料機械性質預測方法。

32、本說明書采用的上述至少一個技術方案能夠達到以下有益效果：

33、在本說明書提供的多晶材料機械性質預測方法中，首先獲取目標多晶材料的特征圖數據以及目標載荷，在特征圖數據中，不同的節(jié)點對應目標多晶材料中包含的不同的晶粒，針對每個節(jié)點，若該節(jié)點對應的晶粒和其他晶粒之間通過晶界相鄰，則該節(jié)點與其他晶粒對應的節(jié)點相連，該節(jié)點的節(jié)點特征包括：晶粒形狀特征、晶粒體積特征、基材性質特征、晶粒取向特征中的至少一種，其中，該節(jié)點的晶粒形狀特征是由卷積模型基于目標多晶材料對應的離散化結構數組進行卷積提取得到，進而將特征圖數據和目標載荷輸入到預先訓練的預測模型中，以通過預測模型根據特征圖數據中每個節(jié)點的節(jié)點特征，以及每個節(jié)點與其他節(jié)點之間的連接關系，預測目標多晶材料在目標載荷下的應力，并根據目標多晶材料在目標載荷下的應力，進行任務執(zhí)行。

34、從上述方法可以看出，可以通過融合卷積神經網絡和圖神經網絡的優(yōu)勢，以提高材料性質預測的精度，其中，卷積神經網絡負責捕捉晶粒的形狀信息，而圖神經網絡則根據晶粒的形狀信息、晶粒的大小、晶粒的取向和晶界信息，進行機械性質預測。通過將上述的卷積神經網絡和圖神經網絡結合，能夠同時利用多晶材料中晶粒和晶界的信息，實現(xiàn)對多晶材料非線性機械性質的連續(xù)預測，以及，可以將基材性質作為晶粒的屬性輸入，從而支持不同材質下的多晶材料的應力預測，增強了模型的準確性。