CN111831808A - 一种数据驱动的人工智能材料预测系统 - Google Patents
一种数据驱动的人工智能材料预测系统 Download PDFInfo
- Publication number
- CN111831808A CN111831808A CN202010688463.7A CN202010688463A CN111831808A CN 111831808 A CN111831808 A CN 111831808A CN 202010688463 A CN202010688463 A CN 202010688463A CN 111831808 A CN111831808 A CN 111831808A
- Authority
- CN
- China
- Prior art keywords
- prediction
- characteristic quantity
- prediction model
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种数据驱动的人工智能材料预测系统,所述系统至少包括:用户交户层,配置为根据用户选择,确认通过构建新的材料预测模型,或使用已有材料预测模型,进行材料性质预测;以及,接受用户输入的材料特征量;自动特征层,配置为根据输入的材料特征量,解析材料基元信息,材料基元信息包括材料组成元素、结构矩阵、工艺参数;以及,通过用户输入和自动检索,完善材料特征量维度;模型及自动训练层,配置为根据材料特征量,调用已有预测模型,预测材料性质;或根据材料特征量,和预测目标向量,自动选择预测模型的构成方式,建立新的材料预测模型,训练所述新的材料预测模型,根据训练完成的所述新的材料预测模型,预测材料性质。
Description
技术领域
本发明涉及材料预测和分析领域以及人工智能领域,尤其涉及一种数据驱动的人工智能材料预测系统。
背景技术
材料信息学模式,或称为数据驱动的模式,基于大量数据,采用机器学习找出特征性参量,进行数据挖掘(人工智能+数据),预测出候选材料。近年来,利用数据驱动模式进行材料研究的成果开始大量涌现,给材料学者重要的启示是:数据驱动的人工智能方法擅长在纷繁的数据中发现、建立背后的关联;利用人工智能方法针对材料数据高维度、低秩数、乏数据等特点,发展或完善算法,可以同时研究多参量耦合的效果,增加理解问题的维度。人工智能方法的引入对于理解与发现各种材料参数与性能间的关联极有帮助,数据驱动模式代表了材料基因工程核心的理念和最先进的方法。
一直以来,美国、欧盟、日本、新加坡等世界主要国家和地区都非常重视通过高通量的材料计算模拟与材料信息学技术来研发新材料。对欧美等国家的突然发力,国内的材料学界也认识到,国内材料科技工业与国际先进水平存在一定的差距。2016年02月,科技部发布了关于国家重点研发计划高性能计算等重点专项,启动了“材料基因工程关键技术与支撑平台”重点专项。该专项共部署40个重点研究任务。按照分布实施、重点突破的原则,2016-2018年度在材料基因工程关键技术和验证性示范应用中共启动了40余个项目。预计到2025年,新的材料设计和模拟方法将不断优化,新材料数据库也将不断完善,材料的理论研发和工厂生产有望实现“智能制造”计划。
基于此,综合国内外材料信息学技术的进展和成果,工具耦合、数据共享、人工智能将会是新阶段的三项重点任务,这需要发展大数据时代下资源汇聚和融合技术,需要计算能力、数值模拟引擎等基础环境支撑。
因此,需要一种新的材料预测系统。
发明内容
本发明的实施例提供一种数据驱动的人工智能材料预测系统,集成针对材料预测的特征提取及处理、模型选择、模型训练、数据资源调度,提供简单易用的“一站式”自动流程工具;并且,可以汇总积累形成“模型数据库”,方便材料预测用户复用,而不需要从头开展材料预测的机器学习研究工作。
本发明为解决上述技术问题采用的技术方案为,一种数据驱动的人工智能材料预测系统,所述系统至少包括:
用户交户层,配置为根据用户选择,确认通过何种方式进行材料性质预测,所述方式包括:构建新的材料预测模型,进行材料性质预测,或,使用已有材料预测模型,进行材料性质预测;以及,接受用户输入的材料特征量;
自动特征层,配置为根据输入的材料特征量,解析材料基元信息,所述材料基元信息包括材料组成元素、结构矩阵、工艺参数;以及,通过用户输入和自动检索两种方式中的至少一种,完善材料特征量维度;
模型及自动训练层,配置为根据材料特征量,调用已有预测模型,预测材料性质;或根据材料特征量,和预测目标向量,自动选择预测模型的构成方式,建立新的材料预测模型,训练所述新的材料预测模型,根据训练完成的所述新的材料预测模型,预测材料性质。
优选地,所述人工智能材料预测系统,还包括:决策层,所述决策层包含,预先提取各材料预测模型中的网络参数,构建的材料预测领域知识库;所述决策层,配置为,接受用户通过自然语言提出的材料预测问题;通过自然语言处理方法,以及材料预测领域知识库,生成问题答案,将所述问题答案反馈给用户。
优选地,所述完善材料特征量维度,包括,重新组合材料特征量,以及增加材料特征量的维度;所述增加材料特征量的维度。
具体地,所述增加材料特征量的维度,包括,增加材料组成元素单质的物理化学性质的特征量,所述材料组成元素单质的物理化学性质至少包括热/动力学性质、电子结构、磁性和力学性质。
具体地,所述增加材料特征量的维度,包括,增加目标材料构型信息的特征量,所述目标材料构型信息至少包括目标材料的微观晶体结构、介/宏观形态;以及,
增加目标材料构型信息的特征量的转换特征量,所述转换至少包括旋转、平移、对称操作。
具体地,所述增加材料特征量的维度,包括,还包括,根据用户自行选择,添加材料特征量。
优选地,根据材料特征量,和预测目标向量,自动选择预测模型的构成方式,建立新的材料预测模型,所述预测模型的构成方式基于以下模型中一种或多种的组合,甄别、测试模型,用于甄别材料计算中的不合理数据,或测试材料计算中的数据是否合理;回归模型,用于回归各种物理化学性质;时序、图像场景模型,用于处理材料应用场景数据,应用场景数据包括材料时序数据、材料图像数据。
具体地,所述甄别、测试模型基于K-Means、Support Vector C l ass i f i er或DBSCAN方法。
具体地,所述回归模型基于Support Vector Reggress i on或RandomForest方法。
具体地,所述时序、图像场景模型基于循环神经网络、在线神经网络、主动学习网络或对抗学习网络。
附图说明
为了更清楚说明本发明实施例的技术方案,下面将对实施例描述中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种数据驱动的人工智能材料预测系统结构图;
图2为本发明实施例提供的一种数据驱动的人工智能材料预测系统的一种实现方式示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如前所述,现在常用的材料预测技术,不能提供材料预测过程中特征提取及处理、模型选择、模型训练和数据资源调度的完整结合,提供简单易用的“一站式”自动流程工具。针对上述问题,本发明实施例提供了一种数据驱动的人工智能材料预测系统,图1为本发明实施例提供的一种数据驱动的人工智能材料预测系统结构图,如图1所示,该系统100至少包括:
用户交户层11,配置为根据用户选择,确认通过何种方式进行材料性质预测,材料性质预测方式包括:构建新的材料预测模型,进行材料性质预测,或,使用已有材料预测模型,进行材料性质预测;用户交户层,还可以提供接受用户输入材料特征量的界面;
自动特征层12,配置为根据输入的材料特征量,解析材料基元信息,所述材料基元信息包括材料组成元素、结构矩阵、工艺参数;自动特征层,还可以通过用户输入和自动检索两种方式中的至少一种,完善材料特征量维度;
根据一种实施方式,完善材料特征量维度可以通过重新组合材料特征量。
根据另一种实施方式,完善材料特征量维度还可以通过增加材料特征量的维度。在一个具体的例子中,增加材料特征量的维度,可以通过,增加材料组成元素单质的物理化学性质的特征量,材料组成元素单质的物理化学性质至少包括热/动力学性质、电子结构、磁性和力学性质。
在另一个具体的例子中,增加材料特征量的维度,还可以通过,增加目标材料构型信息的特征量,目标材料构型信息至少包括目标材料的微观晶体结构、介/宏观形态。以及,增加目标材料构型信息的特征量的转换特征量,所述转换至少包括旋转、平移、对称操作。
在又一个具体的例子中,增加材料特征量的维度,还可以通过,根据用户自行选择,添加材料特征量。
模型及自动训练层13,配置为根据材料特征量,调用已有预测模型,预测材料性质;或根据材料特征量,和预测目标向量,自动选择预测模型的构成方式,建立新的材料预测模型,训练所述新的材料预测模型,根据训练完成的所述新的材料预测模型,预测材料性质。
根据不同的实施例,预测模型的构成方式可以基于以下模型中一种或多种的组合,
甄别、测试模型,用于甄别材料计算中的不合理数据,或测试材料计算中的数据是否合理;
回归模型,用于回归各种物理化学性质;
时序、图像场景模型,用于处理材料应用场景数据,应用场景数据包括材料时序数据、材料图像数据。
在一个实施例中,甄别、测试模型可以基于K-Means、Support Vector C l ass if i er或DBSCAN方法。
在另一个实施例中,回归模型基于Support Vector Reggress i on或RandomForest方法。
在又一个实施例中,所述时序、图像场景模型基于循环神经网络、在线神经网络、主动学习网络或对抗学习网络。
根据一种实施方式,该人工智能材料预测系统还可以包括:决策层14,所述决策层包含,预先提取各材料预测模型中的网络参数,构建的材料预测领域知识库;所述决策层,配置为,接受用户通过自然语言提出的材料预测问题;通过自然语言处理方法,以及材料预测领域知识库,生成问题答案,将所述问题答案反馈给用户。
可以理解,在本发明提供的架构上,可以有不同具体实现方式,图2示出本发明一个实施例提供的一种数据驱动的人工智能材料预测系统的一种实现方式示意图。不同的具体实现方式并不超出本发明精神和原则的范围,其得到的技术效果也未超出本发明的方法预使其达到的,均应属于本发明的保护范围之内。如图2所示,可以选择三种工作流程模式使用该人工智能材料预测系统,三种工作模式的流程具体为:
工作模式–“使用已有模型预测”,图2中,该工作模式包括的步骤次序为,1→2→3→6→7→8。其中步骤1为开始预测流程,步骤2为选择已有预测模型,步骤3为输入或上传特征和目标量,步骤6为根据用户输入自动解析材料组成元素、结构矩阵、工艺参数,步骤7为通过用户输入+自动检索,完善材料特征量维度,步骤8为调用已有模型进行预测。
工作模式–“构建新的人工智能模型,进行预测”,图2中,该工作模式包括的步骤次序为,1→4→5→6→7→9→10。其中步骤1为开始预测流程,步骤4为选择构建新预测模型,以及预测目标性质,步骤5为输入材料成分、结构、工艺特征量,步骤6为根据用户输入自动解析材料组成元素、结构矩阵、工艺参数,步骤7为通过用户输入+自动检索,完善材料特征量维度,步骤9为根据材料特征量和目标量(由目标性质获取)选择预测模型构成方法,步骤10为训练预测模型,并用训练完成后的模型进行预测。
工作模式–“智能问答”,图2中,该工作模式包括的步骤次序为,17→18→19→20。其中步骤17为开始问答,步骤18通过智能问答,获取用户材料预测领域的问题,16为材料预测领域知识库,使用自然语言处理、模糊查询或OCR识别方法,从材料预测领域知识库16中查询问题答案,步骤19为将答案反馈用户,步骤20为结束问答。
如图2所示,该实施例中,还包括13通用模型数据库,用于存储已有预测模型的参数数据,可以在步骤7、8中被访问;14基础物理化学信息数据库,其中保存材料基础物理化学性质信息,可以在步骤6、7中被访问;15模型算法库,其中保存构成新预测模型的各算法定义和参数数据,可以在步骤7、9中被访问。
从以上实施例可以看出,采用本发明实施例提供了一种数据驱动的人工智能材料预测系统,所述系统至少包括:用户交户层,配置为根据用户选择,确认通过构建新的材料预测模型,或使用已有材料预测模型,进行材料性质预测;以及,接受用户输入的材料特征量;自动特征层,配置为根据输入的材料特征量,解析材料基元信息,材料基元信息包括材料组成元素、结构矩阵、工艺参数;以及,通过用户输入和自动检索,完善材料特征量维度;模型及自动训练层,配置为根据材料特征量,调用已有预测模型,预测材料性质;或根据材料特征量,和预测目标向量,自动选择预测模型的构成方式,建立新的材料预测模型,训练所述新的材料预测模型,根据训练完成的所述新的材料预测模型,预测材料性质。该系统的优点为:
1)集成针对材料预测的特征提取及处理、模型选择、模型训练、数据资源调度,提供简单易用的“一站式”自动流程工具。
2)该系统可以汇总积累形成“模型数据库”,方便材料预测用户复用,而不需要从头开展材料预测的机器学习研究工作。
3)根据“模型数据库”中的预测模型所演绎、归纳出来的逻辑性判断规律,收集整理形成“决策数据库”,方便用户通过自然语言使用,不需要用户具备计算机专业知识。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据驱动的人工智能材料预测系统,所述系统至少包括:
用户交户层,配置为根据用户选择,确认通过何种方式进行材料性质预测,所述方式包括:构建新的材料预测模型,进行材料性质预测,或,使用已有材料预测模型,进行材料性质预测;以及,接受用户输入的材料特征量;
自动特征层,配置为根据输入的材料特征量,解析材料基元信息,所述材料基元信息包括材料组成元素、结构矩阵、工艺参数;以及,通过用户输入和自动检索两种方式中的至少一种,完善材料特征量维度;
模型及自动训练层,配置为根据材料特征量,调用已有预测模型,预测材料性质;或根据材料特征量,和预测目标向量,自动选择预测模型的构成方式,建立新的材料预测模型,训练所述新的材料预测模型,根据训练完成的所述新的材料预测模型,预测材料性质。
2.根据权利要求1所述的系统,还包括:
决策层,所述决策层包含,预先提取各材料预测模型中的网络参数,构建的材料预测领域知识库;所述决策层,配置为,
接受用户通过自然语言提出的材料预测问题;
通过自然语言处理方法,以及材料预测领域知识库,生成问题答案,将所述问题答案反馈给用户。
3.根据权利要求1所述的系统,其中,所述完善材料特征量维度,包括,
重新组合材料特征量,以及增加材料特征量的维度;
所述增加材料特征量的维度。
4.根据权利要求3所述的系统,其中,所述增加材料特征量的维度,包括,
增加材料组成元素单质的物理化学性质的特征量,所述材料组成元素单质的物理化学性质至少包括热/动力学性质、电子结构、磁性和力学性质。
5.根据权利要求3所述的系统,其中,所述增加材料特征量的维度,包括,
增加目标材料构型信息的特征量,所述目标材料构型信息至少包括目标材料的微观晶体结构、介/宏观形态;以及,
增加目标材料构型信息的特征量的转换特征量,所述转换至少包括旋转、平移、对称操作。
6.根据权利要求3所述的系统,其中,所述增加材料特征量的维度,还包括,
根据用户自行选择,添加材料特征量。
7.根据权利要求1所述的系统,其中,根据材料特征量,和预测目标向量,自动选择预测模型的构成方式,建立新的材料预测模型,所述预测模型的构成方式基于以下模型中一种或多种的组合,
甄别、测试模型,用于甄别材料计算中的不合理数据,或测试材料计算中的数据是否合理;
回归模型,用于回归各种物理化学性质;
时序、图像场景模型,用于处理材料应用场景数据,应用场景数据包括材料时序数据、材料图像数据。
8.根据权利要求7所述的系统,其中,所述甄别、测试模型基于K-Means、SupportVector Classif ier或DBSCAN方法。
9.根据权利要求7所述的系统,其中,所述回归模型基于Support Vector Reggression或Random Forest方法。
10.根据权利要求7所述的系统,其中,所述时序、图像场景模型基于循环神经网络、在线神经网络、主动学习网络或对抗学习网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688463.7A CN111831808B (zh) | 2020-07-16 | 2020-07-16 | 一种数据驱动的人工智能材料预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688463.7A CN111831808B (zh) | 2020-07-16 | 2020-07-16 | 一种数据驱动的人工智能材料预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831808A true CN111831808A (zh) | 2020-10-27 |
CN111831808B CN111831808B (zh) | 2022-04-22 |
Family
ID=72924285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010688463.7A Active CN111831808B (zh) | 2020-07-16 | 2020-07-16 | 一种数据驱动的人工智能材料预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831808B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396134A (zh) * | 2021-01-20 | 2021-02-23 | 季华实验室 | 发光材料性质的预测方法、系统、电子设备和存储介质 |
CN112906991A (zh) * | 2021-04-07 | 2021-06-04 | 中国科学院计算机网络信息中心 | 一种预测rafm钢辐照硬化行为的方法及装置 |
CN113505527A (zh) * | 2021-06-24 | 2021-10-15 | 中国科学院计算机网络信息中心 | 一种基于数据驱动的材料性质预测方法及系统 |
CN113673173A (zh) * | 2021-09-07 | 2021-11-19 | 中冶赛迪重庆信息技术有限公司 | 钢铁原料生产流程的选择推荐方法及钢铁原料生产系统 |
CN113723014A (zh) * | 2021-09-13 | 2021-11-30 | 中国科学院计算机网络信息中心 | 一种材料的晶体结构搜索方法及装置 |
WO2022256962A1 (zh) * | 2021-06-07 | 2022-12-15 | 浙江大学 | 一种高维材质的自由式采集方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599385A (zh) * | 2016-11-11 | 2017-04-26 | 广东家易科技有限公司 | 一种新材料合成工艺的智能设计系统及方法 |
CN107506565A (zh) * | 2017-10-16 | 2017-12-22 | 安徽工业大学 | 基于神经网络合金铸钢轧辊材料设计专家系统的建立方法 |
US20180111335A1 (en) * | 2016-10-21 | 2018-04-26 | Microsoft Technology Licensing, Llc | Material Estimate for Fabrication of Three-Dimensional Object |
CN109241649A (zh) * | 2018-09-25 | 2019-01-18 | 南京航空航天大学 | 一种基于决策树模型的纤维丝性能检测方法及系统 |
CN109816015A (zh) * | 2019-01-22 | 2019-05-28 | 北京科技大学 | 一种基于材料数据的推荐方法及系统 |
CN109918708A (zh) * | 2019-01-21 | 2019-06-21 | 昆明理工大学 | 一种基于异质集成学习的材料性能预测模型构建方法 |
CN110232255A (zh) * | 2019-06-24 | 2019-09-13 | 南京航空航天大学 | 一种碳纤维增强复合材料钻削轴向力预测的方法 |
CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
-
2020
- 2020-07-16 CN CN202010688463.7A patent/CN111831808B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180111335A1 (en) * | 2016-10-21 | 2018-04-26 | Microsoft Technology Licensing, Llc | Material Estimate for Fabrication of Three-Dimensional Object |
CN106599385A (zh) * | 2016-11-11 | 2017-04-26 | 广东家易科技有限公司 | 一种新材料合成工艺的智能设计系统及方法 |
CN107506565A (zh) * | 2017-10-16 | 2017-12-22 | 安徽工业大学 | 基于神经网络合金铸钢轧辊材料设计专家系统的建立方法 |
CN109241649A (zh) * | 2018-09-25 | 2019-01-18 | 南京航空航天大学 | 一种基于决策树模型的纤维丝性能检测方法及系统 |
CN109918708A (zh) * | 2019-01-21 | 2019-06-21 | 昆明理工大学 | 一种基于异质集成学习的材料性能预测模型构建方法 |
CN109816015A (zh) * | 2019-01-22 | 2019-05-28 | 北京科技大学 | 一种基于材料数据的推荐方法及系统 |
CN110232255A (zh) * | 2019-06-24 | 2019-09-13 | 南京航空航天大学 | 一种碳纤维增强复合材料钻削轴向力预测的方法 |
CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
Non-Patent Citations (1)
Title |
---|
王娟 等: "基于混合学习算法的材料计算数据误差估计", 《系统仿真学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396134A (zh) * | 2021-01-20 | 2021-02-23 | 季华实验室 | 发光材料性质的预测方法、系统、电子设备和存储介质 |
CN112396134B (zh) * | 2021-01-20 | 2021-07-02 | 季华实验室 | 发光材料性质的预测方法、系统、电子设备和存储介质 |
CN112906991A (zh) * | 2021-04-07 | 2021-06-04 | 中国科学院计算机网络信息中心 | 一种预测rafm钢辐照硬化行为的方法及装置 |
WO2022256962A1 (zh) * | 2021-06-07 | 2022-12-15 | 浙江大学 | 一种高维材质的自由式采集方法 |
CN113505527A (zh) * | 2021-06-24 | 2021-10-15 | 中国科学院计算机网络信息中心 | 一种基于数据驱动的材料性质预测方法及系统 |
CN113673173A (zh) * | 2021-09-07 | 2021-11-19 | 中冶赛迪重庆信息技术有限公司 | 钢铁原料生产流程的选择推荐方法及钢铁原料生产系统 |
CN113673173B (zh) * | 2021-09-07 | 2024-02-27 | 中冶赛迪信息技术(重庆)有限公司 | 钢铁原料生产流程的选择推荐方法及钢铁原料生产系统 |
CN113723014A (zh) * | 2021-09-13 | 2021-11-30 | 中国科学院计算机网络信息中心 | 一种材料的晶体结构搜索方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111831808B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111831808B (zh) | 一种数据驱动的人工智能材料预测系统 | |
Kicinger et al. | Evolutionary computation and structural design: A survey of the state-of-the-art | |
Divsalar et al. | Hybrid genetic programming-based search algorithms for enterprise bankruptcy prediction | |
Baldwin et al. | Modelling industrial ecosystems and the" problem" of evolution | |
CN111950622A (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
Young | Right-brained decision support systems | |
Zurcher et al. | Modeling technology roadmaps | |
Ilieva et al. | AI Integration in Business Processes Management | |
Basu et al. | An expert system based approach to manufacturing cell design | |
Openshaw et al. | A decision optimising technique for planners | |
Richeldi et al. | ADHOC: A tool for performing effective feature selection | |
Galea et al. | Evolutionary approaches to fuzzy modelling for classification | |
CN113722368A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN117743601B (zh) | 一种自然资源知识图谱补全方法、装置、设备及介质 | |
Zastrow | In search for “magic” nuclei, theory catches up to experiments | |
Chen et al. | An approach to design of maintenance float systems | |
Guo et al. | Optimising the mining strategy of web page based on ant colony algorithm of information entropy | |
Alghamdi | A Comparative Analysis on Machine Learning Based Student Placement Prediction | |
Espinosa et al. | Towards the development of a knowledge base for realizing user-friendly data mining | |
Li et al. | PSO-embedded adaptive Kriging surrogate model method for structural reliability analysis with small failure probability | |
He | Design and Implementation of Enterprise Human Resource Decision System Based on Data Mining | |
Wang | Computer Intelligent Test Paper System Based on Genetic Algorithm | |
Li | Design of Public Landscape Environment Optimization System Based on Niche Genetic Algorithm | |
Gobet et al. | A distributed framework for semi-automatically developing architectures of brain and mind | |
Bobulski et al. | Design Big Data Analysis System-Bigdeepexaminator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |