CN112132182B - 一种基于机器学习快速预测三元金合金电阻率的方法 - Google Patents
一种基于机器学习快速预测三元金合金电阻率的方法 Download PDFInfo
- Publication number
- CN112132182B CN112132182B CN202010845652.0A CN202010845652A CN112132182B CN 112132182 B CN112132182 B CN 112132182B CN 202010845652 A CN202010845652 A CN 202010845652A CN 112132182 B CN112132182 B CN 112132182B
- Authority
- CN
- China
- Prior art keywords
- resistivity
- gold alloy
- ternary
- ternary gold
- chemical formula
- 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.)
- Active
Links
- 229910001020 Au alloy Inorganic materials 0.000 title claims abstract description 67
- 239000003353 gold alloy Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 239000000126 substance Substances 0.000 claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 239000010931 gold Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 229910052737 gold Inorganic materials 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 229910002058 ternary alloy Inorganic materials 0.000 abstract description 7
- 201000004569 Blindness Diseases 0.000 abstract description 6
- 239000000463 material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000000889 atomisation Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001803 electron scattering Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于机器学习快速预测三元金合金电阻率的方法,操作步骤如下:从数据库中收集三元金合金的化学式和对应在常温下的电阻率数值作为数据集样本;将三元金合金化学式转换为新的化学式,根据新化学式生成对应的描述符;将数据集随机分为训练集和测试集;用皮尔逊相关系数、遗传算法结合支持向量机算法和方程对自变量数据进行筛选和转换;利用支持向量机回归算法和筛选转换好的自变量,建立三元金合金电阻率的快速预报模型;根据建立好的模型预报测试集样本的电阻率。本发明方法通过来源于数据库中的样本数据,建立了高效快捷的预报模型,具有快速方便、低成本、绿色环保的优点,同时避免实验“试错法”的盲目性。
Description
技术领域
本发明涉及三元金合金的电学性能领域,是一种基于机器学习快速预测三元金合金电阻率的方法。
背景技术
金合金具有优良的化学和电学性能,接触电阻低、导电性和导热性良好,低噪音电平以及良好的抗有机气氛污染能力。因此金合金在电接触材料方面具有很好的应用前景,尤其在轻负荷、小接触压力条件下使用更能显示其优良的特性。在弱电流、小功率接触材料中大多采用金合金。
电阻率是表示材料电阻特性的物理量,由构成导体材料的性质决定。在相同几何条件下,材料的电阻率越低导电性能越好。在电接触材料领域中,电阻率是其重要特性之一。因此研究电阻率具有非常重要的意义。
遗传算法是自变量筛选的一种较经典方法,原理简单但非常有效。遗传算法是仿照生物进化和遗传的规律,利用选择、交叉、变异等操作,使优胜者繁殖,劣败者消失,一代一代地重复同样的操作,最终找出最优解。
支持向量机(support vector machine,简称SVM)是数学家Vladimir N.Vapnik等建立在统计学习理论(statistical learning theory,简称SLT)基础上的机器学习新方法,包括支持向量分类(support vector classification,简称SVC)算法和支持向量回归(support vector regression,简称SVR)算法。SVM是一种解决非线性分类和回归问题的有效方法,也是一种监督学习算法。它考虑了经验风险与预期风险之间的平衡,使计算模型具有良好的预测和推广性能,已经广泛应用于各个领域。本工作应用支持向量回归方法进行建模。
发明内容
本发明的目的在于克服实验“试错法”的盲目性,提供一种基于机器学习快速预测三元金合金电阻率的方法。通过遗传算法结合支持向量机算法,预报三元金合金电阻率,仅需数秒就可以得到计算结果,操作简单快捷。
本发明的目的通过以下技术方案来实现:
一种基于机器学习快速预测三元金合金电阻率的方法,包括如下步骤:
1)利用计算机系统,从数据库中收集三元金合金的化学式和对应在常温下的电阻率数值作为数据集样本;
2)利用已收集到的数据,对三元金合金化学式ABC各元素进行处理使金都在A位且比例都化为1,同时得到“B”、“C”的比例系数,然后对“B”、“C”位元素进行排序,先按电负性从小到大进行排序,然后再按化合价由低到高进行排序,得到三元金合金化学式,根据三元金合金化学式生成对应的原子参数和比例系数作为描述符,并在描述符生成过程中,对缺损数值的样本进行删除处理;
3)利用欧式距离判定方法,将数据集样本划分为训练集和测试集;
4)以所述步骤1)中三元金合金的电阻率为目标变量,以所述步骤2)中生成的原子参数和比例系数为自变量;使用皮尔逊相关系数>0.95去甄别具有高线性相关性的自变量,然后用遗传算法结合支持向量机算法,对训练集进行自变量筛选,然后采用方程对自变量数据进行转换,得到建模最优的自变量子集;
5)利用支持向量机回归算法和步骤4)中筛选出的自变量,建立三元金合金电阻率的快速预报模型;
6)根据在所述步骤5)中建立的三元金合金电阻率的预报模型,预报测试集中样本的电阻率,并以模型得到的均方根误差和相关系数作为评价指标。
基于机器学习快速预测三元金合金电阻率的方法,其特征在于,在所述步骤3)中,利用欧式距离判定方法将数据集样本按9:1的比例随机划分为训练集和测试集。
本发明与现有技术相比较,具有如下显而易见的实质性特点和显著优点:
1.本发明方法克服传统“试错法”的不足,节约资源和时间,基于机器学习建立三元金合金电阻率的快速预报模型;将数据导入模型,仅需数秒就可以得到计算结果,方便快捷;
2.本发明方法在整个过程中不涉及实验和不使用化学用品,不产生化学污染,符合绿色环保理念;且操作简单,成本低,易于实现,适合推广应用;
3.本发明方法通过模型预报可以提前预测三元金合金电阻率,挑选符合要求的样本进行实验验证,可以节约实验时间和资源,提高实验的效率,起指导作用,避免盲目性。
附图说明
图1为本发明三元金合金电阻率的支持向量机回归模型建模结果图。
图2为本发明三元金合金电阻率的支持向量机回归模型留一法交叉验证结果图。
图3为本发明三元金合金电阻率的支持向量机回归模型独立测试集结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例一:
一种基于机器学习快速预测三元金合金电阻率的方法,包括如下步骤:
1)利用计算机系统,从数据库中收集三元金合金的化学式和对应在常温下的电阻率数值作为数据集样本;
2)利用已收集到的数据,对三元金合金化学式ABC各元素进行处理使金都在A位且比例都化为1,同时得到“B”、“C”的比例系数,然后对“B”、“C”位元素进行排序,先按电负性从小到大进行排序,然后再按化合价由低到高进行排序,得到三元金合金化学式,根据三元金合金化学式生成对应的原子参数和比例系数作为描述符,并在描述符生成过程中,对缺损数值的样本进行删除处理;
3)利用欧式距离判定方法,将数据集样本划分为训练集和测试集;
4)以所述步骤1)中三元金合金的电阻率为目标变量,以所述步骤2)中生成的原子参数和比例系数为自变量;使用皮尔逊相关系数>0.95去甄别具有高线性相关性的自变量,然后用遗传算法结合支持向量机算法,对训练集进行自变量筛选,然后采用方程对自变量数据进行转换,得到建模最优的自变量子集;
5)利用支持向量机回归算法和步骤4)中筛选出的自变量,建立三元金合金电阻率的快速预报模型;
6)根据在所述步骤5)中建立的三元金合金电阻率的预报模型,预报测试集中样本的电阻率,并以模型得到的均方根误差和相关系数作为评价指标。
本实施例方法克服传统“试错法”的不足,节约资源和时间,基于机器学习建立三元金合金电阻率的快速预报模型;将数据导入模型,仅需数秒就可以得到计算结果,方便快捷。本实施例方法通过模型预报可以提前预测三元金合金电阻率,挑选符合要求的样本进行实验验证,可以节约实验时间和资源,提高实验的效率,起指导作用,避免盲目性。
实施例二:
本步骤与上述实施例基本相同,特别之处在于:
在本实施例中,一种基于机器学习快速预测三元金合金电阻率的方法,包括如下步骤:
1)从数据库中收集三元金合金的化学式和对应在常温条件下的电阻率数值,作为数据集样本;其中电阻率范围为2.08×10-7Ω·m~1×10-4Ω·m,因此对其进行负对数处理,得到电阻率的范围为4~6.8。部分三元金合金的电阻率数值如表1所示:
表1.部分三元金合金化学式及电阻率数值的数据样本集
化学式 | 负对数处理后电阻率的值 | 电阻率的值(Ω·m) |
AgAuTe4 | 4.92 | 1.2×10-5 |
BaAu0.5Pt0.5 | 4.82 | 1.5×10-5 |
BaAuAs | 3.28 | 5.2×10-4 |
CaAu4.09Bi0.91 | 5.62 | 2.38×10-6 |
CaAu0.5Pt0.5 | 4.41 | 3.93×10-5 |
CaAuBi | 5.42 | 3.79×10-6 |
CaAuIn2 | 6.60 | 2.5×10-7 |
Au2CdGd2 | 4.68 | 2.1×10-5 |
Au2CeGe2 | 6.30 | 5×10-7 |
Au2CeIn | 6.31 | 4.94×10-7 |
AuCeAs2 | 5.19 | 6.48×10-6 |
AuCeGe | 4.72 | 1.9×10-5 |
AuCeIn | 5.85 | 1.4×10-6 |
Au2Ce2In | 5.72 | 1.9×10-6 |
Au3Eu2In4 | 6.12 | 7.5×10-7 |
AuEuGe | 5.32 | 4.78×10-6 |
2)利用已收集到的数据,对三元金合金化学式(ABC)各元素进行处理使金都在A位且比例都化为1,同时得到“B”,“C”的比例系数,之后对“B”,“C”位元素进行排序,先按(Pauling)电负性从小到大进行排序,然后再按化合价由低到高进行排序,最后得到新的三元金合金化学式,部分新的化学式如表2所示。根据新的化学式生成对应的原子参数和比例系数作为描述符,并在描述符生成过程中,对缺损数值的样本进行删除处理,最终得到的样本数为51个,收集到的描述符为64个。其中描述符如表3所示:
表2.部分化学式列表
三元金合金化学式 | 新的三元金合金化学式 |
Au2LuIn | AuLu0.5In0.5 |
Au2Eu2Sn5 | AuEuSn2.5 |
AuGdSn | AuGdSn |
Au2La0.5Ce0.5 | AuLa0.25Ce0.25 |
Au2LaIn | AuLa0.5In0.5 |
AuLaAl | AuLaAl |
Au2Ce2In | AuCeIn0.5 |
Au2YbIn | AuYb0.5In0.5 |
Au2PrIn | AuPr0.5In0.5 |
表3.描述符列表
描述符 | 描述符简写 |
ratio_B | RB |
ratio_C | RC |
B-site and C-site atomic weight | AWB,AWC |
B-site and C-site mass attenuation coefficient for MoKalpha | MAB,MAC |
B-site and C-site atomic electron scattering factor at0.5 | AEB,AEC |
B-site and C-site electronegativity(Martynov&Batsanov) | ENB,ENC |
B-site and C-site energy ionization first | EIFB,EIFC |
B-site and C-site energy ionization second | EISB,EISC |
B-site and C-site energy ionization third | EITB,EITC |
B-site and C-site wor kfunction | WFB,WFC |
B-site and C-site nuclear charge effective Slater | NCB,NCC |
B-site and C-site charge nuclear effective(Clementi) | CNB,CNC |
B-site and C-site valence electron number | VENB,VENC |
B-site and C-site temperature melting | TMB,TMC |
B-site and C-site temperature boiling | TBB,TBC |
B-site and C-site enthalpy vaporization | EVB,EVC |
B-site and C-site enthalpy melting | EMB,EMC |
B-site and C-site enthalpy atomization | EAB,EAC |
B-site and C-site energy cohesive Brewer | ECB,ECC |
B-site and C-site modulus compression | MCB,MCC |
B-site and C-site Mendeleev Number | MNB,MNC |
B-site and C-site Mendeleev Pettifor | MPB,MPC |
B-site and C-site Mendeleev Pettifor regular | MPRB,MPRC |
B-site and C-site Mendeleev chemists sequence | MCSB,MCSC |
B-site and C-site Mendeleev t-d start left | MSB,MSC |
B-site and C-site Mendeleev H,Li,Na,Be,Mg as block t-d start left | MBSB,MBSC |
B-site and C-site Mendeleev H,Be,Mg t-d start left | MSLB,MSLC |
B-site and C-site Mendeleev H,Li,Na,Be,Mg t-d start left | MTB,MTC |
B-site and C-site radii pseudo-potential(Zunger) | RPB,RPC |
B-site and C-site distance valence electron(Schubert) | DVB,DVC |
B-site and C-site distance core electron(Schubert) | DCB,DVC |
B-site and C-site volume atom(Villars,Dams) | VAB,VAC |
B-site and C-site atomic environment number(Villars,Dams) | AENB,AENC |
3)利用欧式距离判定方法将51个数据集样本按9:1的比例随机划分为训练集和测试集,训练集与测试集样本量分别为46和5。
4)以在所述步骤1)中收集到的电阻率为目标变量和在所述步骤2)中的生成的原子参数和比例系数为自变量;我们首先使用皮尔逊相关系数(>0.95)去甄别具有高线性相关性的自变量,然后用遗传算法结合支持向量算法,对训练集进行自变量筛选,选出9个自变量,遗传算法筛选后的部分自变量数据如表4所示。最后采用方程对自变量数据进行转换,得到 6个自变量,作为建模的最优自变量子集,转换方程如表5所示。转换后部分数据如表6所示。在本步骤中,删除噪声大且重复性较高的变量,选出建模的最优变量子集,减少了数据噪音,提高了建模精度。
表4.遗传算法筛选后的部分自变量数据集
ratio_B | ratio_C | EISB | EAB | ECB | ENC | EIFC | TMC | VAC |
2 | 1 | 965 | 180 | 1.9 | 1.91 | 868.4 | 2045 | 1.511 |
0.244 | 0.222 | 1145 | 178.2 | 1.84 | 2.14 | 703.3 | 544 | 3.538 |
1 | 1 | 1145 | 178.2 | 1.84 | 2.14 | 703.3 | 544 | 3.538 |
0.5 | 0.5 | 1047 | 423 | 4.32 | 1.63 | 558.3 | 430 | 2.617 |
1 | 1 | 1047 | 423 | 4.32 | 1.99 | 762.1 | 1211 | 2.264 |
1 | 1 | 1047 | 423 | 4.32 | 1.63 | 558.3 | 430 | 2.617 |
1 | 0.5 | 1047 | 423 | 4.32 | 1.63 | 558.3 | 430 | 2.617 |
表5.数据转换方程
表6.方程转换降维后的部分自变量数据集
5)利用支持向量机算法和在所述步骤4)中筛选好的自变量,建立三元金合金电阻率的快速预报模型。
6)根据在所述步骤5)中建立的三元金合金电阻率的预报模型,预报在所述步骤3)中得到的测试集样本的电阻率。
本实施例方法通过模型预报可以提前预测三元金合金电阻率,挑选符合要求的样本进行实验验证,可以节约实验时间和资源,提高实验的效率,起指导作用,避免盲目性。本实施例方法克服传统“试错法”的不足,节约资源和时间,基于机器学习建立三元金合金电阻率的快速预报模型;将数据导入模型,仅需数秒就可以得到计算结果,方便快捷。本实施例方法在整个过程中不涉及实验和不使用化学用品,不产生化学污染,符合绿色环保理念;且操作简单,成本低,易于实现,适合推广应用。
实施例三:
本步骤与上述实施例基本相同,特别之处在于:
在本实施例中,基于46个三元金合金样本结合支持向量机建立的电阻率定量预报模型的建模结果,如图1所示。
本实施例利用支持向量机回归算法对46个三元金合金样本数据进行回归建模,建立三元金合金电阻率的支持向量机回归定量模型。三元金合金电阻率模型预报值和数据库中的实验值的相关系数(R)为0.956,均方根误差(RSME)为0.172。本实施例方法通过来源于数据库中的实验样本数据,建立了高效快捷的预报模型,具有简单快捷、低成本、绿色环保的优点。
实施例四:
本步骤与上述实施例基本相同,特别之处在于:
在本实施例中,将训练集中的46个样本进行编号A1,A2……A46。第一步以A1,A2……A45为训练集,采用与实施例一相同的最优自变量子集,建立模型1并运用模型1预报A46的电阻率。第二步以A1,A2……A44,A46为训练集,采用与实施例一相同的最优自变量子集,建立模型2并运用模型2预报A45的带隙。以此类推,建立46个模型后,通过预报值与实验值的误差判断数据建模方法的稳定性和可靠性。
本实施例基于46个三元金合金样本结合支持向量机建立的三元金合金电阻率定量预报模型的留一法内部交叉验证结果,如图2所示。
本实施例方法采用留一法对46个样本数据建立的三元金合金电阻率的支持向量机定量预报模型进行留一法内部交叉验证,留一法中金合金电阻率的模型预报值和数据库中实验值的相关系数(R)为0.81,均方根误差(RSME)为0.378。本实施例方法通过来源于数据库中的实验样本数据,建立了训练集留一法交叉验证的预报模型,可以对数据建模方法的稳定性和可靠性做出评估。
实施例五:
本实施例方法利用建立的三元金合金电阻率的支持向量机定量预报模型对独立测试集中的5个样本进行预报,得到了较好的结果。金合金电阻率的模型预报值和文献实验值的相关系数(R)为0.848,均方根误差(RSME)为0.365。独立测试集预报结果,如图3所示。
综上所述,上述实施例基于机器学习快速预测三元金合金电阻率的方法,利用计算机系统,从数据库中收集三元金合金的化学式和对应在常温下的电阻率数值作为数据集样本;将三元金合金化学式转换为新的化学式,根据新化学式生成对应的描述符;将数据集随机分为训练集和测试集;用皮尔逊相关系数、遗传算法结合支持向量机算法和方程对自变量数据进行筛选和转换;利用支持向量机回归算法和筛选转换好的自变量,建立三元金合金电阻率的快速预报模型;根据建立好的模型预报测试集样本的电阻率。上述实施例方法通过来源于数据库中的样本数据,建立了高效快捷的预报模型,具有快速方便、低成本、绿色环保的优点,同时避免实验“试错法”的盲目性。
上面对本发明实施例结合附图进行了说明,但本发明不限于上述实施例,还可以根据本发明的发明创造的目的做出多种变化,凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化,均应为等效的置换方式,只要符合本发明的发明目的,只要不背离本发明一种基于机器学习快速预测三元金合金电阻率的方法的技术原理和发明构思,都属于本发明的保护范围。
Claims (2)
1.一种基于机器学习快速预测三元金合金电阻率的方法,其特征在于,包括如下步骤:
1)利用计算机系统,从数据库中收集三元金合金的化学式和对应在常温下的电阻率数值作为数据集样本;
2)利用已收集到的数据,对三元金合金化学式ABC各元素进行处理使金都在A位且比例都化为1,同时得到“B”、“C”的比例系数,然后对“B”、“C”位元素进行排序,先按电负性从小到大进行排序,然后再按化合价由低到高进行排序,得到三元金合金化学式,根据三元金合金化学式生成对应的原子参数和比例系数作为描述符,并在描述符生成过程中,对缺损数值的样本进行删除处理;
3)利用欧式距离判定方法,将数据集样本划分为训练集和测试集;
4)以所述步骤1)中三元金合金的电阻率为目标变量,以所述步骤2)中生成的原子参数和比例系数为自变量;使用皮尔逊相关系数>0.95去甄别具有高线性相关性的自变量,然后用遗传算法结合支持向量机算法,对训练集进行自变量筛选,然后采用方程对自变量数据进行转换,得到建模最优的自变量子集;
5)利用支持向量机回归算法和步骤4)中筛选出的自变量,建立三元金合金电阻率的快速预报模型;
6)根据在所述步骤5)中建立的三元金合金电阻率的预报模型,预报测试集中样本的电阻率,并以模型得到的均方根误差和相关系数作为评价指标。
2.根据权利要求1所述基于机器学习快速预测三元金合金电阻率的方法,其特征在于,在所述步骤3)中,利用欧式距离判定方法将数据集样本按9:1的比例随机划分为训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845652.0A CN112132182B (zh) | 2020-08-20 | 2020-08-20 | 一种基于机器学习快速预测三元金合金电阻率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845652.0A CN112132182B (zh) | 2020-08-20 | 2020-08-20 | 一种基于机器学习快速预测三元金合金电阻率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132182A CN112132182A (zh) | 2020-12-25 |
CN112132182B true CN112132182B (zh) | 2024-03-22 |
Family
ID=73850488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010845652.0A Active CN112132182B (zh) | 2020-08-20 | 2020-08-20 | 一种基于机器学习快速预测三元金合金电阻率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132182B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580271B (zh) * | 2022-02-16 | 2024-07-02 | 昆明贵金属研究所 | 一种实现多元贵金属合金钎料固-液相温度预测的方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1560615A (zh) * | 2004-03-04 | 2005-01-05 | 上海交通大学 | 三元合金相图中间化合物形成预报系统的实现方法 |
CN102128840A (zh) * | 2010-11-30 | 2011-07-20 | 长沙高新开发区迅仪测控技术有限公司 | 一种自动识别煤种的方法及其装置 |
CN104392128A (zh) * | 2014-11-20 | 2015-03-04 | 集美大学 | 一种三合金纳米粒子催化剂稳定结构的实现方法 |
CN104462798A (zh) * | 2014-11-26 | 2015-03-25 | 沈阳工业大学 | 一种铝合金导线电阻的预测方法 |
CN105132844A (zh) * | 2015-09-30 | 2015-12-09 | 北京航空航天大学 | 一种改善Nb-Si基多元合金高温抗氧化性的方法 |
KR20170082468A (ko) * | 2016-01-06 | 2017-07-14 | 한양대학교 에리카산학협력단 | Fe계 연자성 합금 제조방법 |
CN109033587A (zh) * | 2018-07-13 | 2018-12-18 | 闽南师范大学 | 一种led芯片光学特性预测方法及系统 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN110516701A (zh) * | 2019-07-12 | 2019-11-29 | 上海大学 | 基于数据挖掘快速预测钙钛矿居里温度的方法 |
CN110656272A (zh) * | 2019-11-08 | 2020-01-07 | 微山钢研稀土材料有限公司 | 一种基于高熵效应的镁基贮氢材料及其制备方法 |
CN110823792A (zh) * | 2019-11-05 | 2020-02-21 | 南京钢铁股份有限公司 | 一种低合金耐蚀钢大气腐蚀的寿命评估方法 |
CN111079810A (zh) * | 2019-12-06 | 2020-04-28 | 中国铁路设计集团有限公司 | 基于支持向量机的隧道围岩等级预测方法 |
CN111091878A (zh) * | 2019-11-07 | 2020-05-01 | 上海大学 | 一种快速预测钙钛矿介电常数的方法 |
CN111505490A (zh) * | 2020-03-23 | 2020-08-07 | 温州大学乐清工业研究院 | 基于卷积神经网络回归的交流接触器烧蚀情况评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9169538B2 (en) * | 2012-05-31 | 2015-10-27 | National Tsing Hua University | Alloy material with constant electrical resistivity, applications and method for producing the same |
US9996074B2 (en) * | 2016-09-21 | 2018-06-12 | International Business Machines Corporation | System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness |
-
2020
- 2020-08-20 CN CN202010845652.0A patent/CN112132182B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1560615A (zh) * | 2004-03-04 | 2005-01-05 | 上海交通大学 | 三元合金相图中间化合物形成预报系统的实现方法 |
CN102128840A (zh) * | 2010-11-30 | 2011-07-20 | 长沙高新开发区迅仪测控技术有限公司 | 一种自动识别煤种的方法及其装置 |
CN104392128A (zh) * | 2014-11-20 | 2015-03-04 | 集美大学 | 一种三合金纳米粒子催化剂稳定结构的实现方法 |
CN104462798A (zh) * | 2014-11-26 | 2015-03-25 | 沈阳工业大学 | 一种铝合金导线电阻的预测方法 |
CN105132844A (zh) * | 2015-09-30 | 2015-12-09 | 北京航空航天大学 | 一种改善Nb-Si基多元合金高温抗氧化性的方法 |
KR20170082468A (ko) * | 2016-01-06 | 2017-07-14 | 한양대학교 에리카산학협력단 | Fe계 연자성 합금 제조방법 |
CN109033587A (zh) * | 2018-07-13 | 2018-12-18 | 闽南师范大学 | 一种led芯片光学特性预测方法及系统 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN110516701A (zh) * | 2019-07-12 | 2019-11-29 | 上海大学 | 基于数据挖掘快速预测钙钛矿居里温度的方法 |
CN110823792A (zh) * | 2019-11-05 | 2020-02-21 | 南京钢铁股份有限公司 | 一种低合金耐蚀钢大气腐蚀的寿命评估方法 |
CN111091878A (zh) * | 2019-11-07 | 2020-05-01 | 上海大学 | 一种快速预测钙钛矿介电常数的方法 |
CN110656272A (zh) * | 2019-11-08 | 2020-01-07 | 微山钢研稀土材料有限公司 | 一种基于高熵效应的镁基贮氢材料及其制备方法 |
CN111079810A (zh) * | 2019-12-06 | 2020-04-28 | 中国铁路设计集团有限公司 | 基于支持向量机的隧道围岩等级预测方法 |
CN111505490A (zh) * | 2020-03-23 | 2020-08-07 | 温州大学乐清工业研究院 | 基于卷积神经网络回归的交流接触器烧蚀情况评估方法 |
Non-Patent Citations (3)
Title |
---|
基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究;唐春霞;阳春华;桂卫华;朱红求;;仪器仪表学报(第03期);全文 * |
基于改进递归最小平方格型滤波器的自适应网络流量线性预测算法;吕军,李星;计算机应用研究;-;第-卷(第12期);全文 * |
应用基于人工神经网络建立的新型物理图形预测Al-Zn-Mg-Cu合金固溶过程的组织演变;刘蛟蛟;李红英;李德望;武岳;中国有色金属学报(英文版)(第003期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132182A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Machine learning for a sustainable energy future | |
Miao et al. | Parameter estimation of PEM fuel cells employing the hybrid grey wolf optimization method | |
Liu et al. | Machine learning boosting the development of advanced lithium batteries | |
Chen et al. | Technology forecasting of new clean energy: The example of hydrogen energy and fuel cell | |
Gong et al. | Machine learning assistance for electrochemical curve simulation of corrosion and its application | |
CN112132182B (zh) | 一种基于机器学习快速预测三元金合金电阻率的方法 | |
Isa et al. | PEM fuel cell model parameters optimization using modified particle swarm optimization algorithm | |
CN108399210A (zh) | 一种用于锂电池的电解质材料筛选方法 | |
Shen et al. | Nonlinear modeling of MCFC stack based on RBF neural networks identification | |
Binelo et al. | Mathematical modeling and parameter estimation of battery lifetime using a combined electrical model and a genetic algorithm | |
CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
Tao et al. | Battery cross-operation-condition lifetime prediction via interpretable feature engineering assisted adaptive machine learning | |
Xu et al. | Machine learning in energy chemistry: introduction, challenges and perspectives | |
Bang et al. | Machine learning-enabled exploration of the electrochemical stability of real-scale metallic nanoparticles | |
JP3669669B2 (ja) | 電池特性の解析方法及びそれを用いた解析装置 | |
Fernandez et al. | Towards a fast-charging of LIBs electrode materials: a heuristic model based on galvanostatic simulations | |
Ghosh et al. | Engineering design of battery module for electric vehicles: comprehensive framework development based on density functional theory, topology optimization, machine learning, multidisciplinary design optimization, and digital twins | |
Grondin-Perez et al. | Mechanistic model versus artificial neural network model of a single-cell pemfc | |
Meiler et al. | An empirical stationary fuel cell model using limited experimental data for identification | |
JP2021149449A (ja) | 物質探索装置、物質探索方法及びプログラム | |
Wang et al. | Machine‐Learning Assisted Screening Proton Conducting Co/Fe based Oxide for the Air Electrode of Protonic Solid Oxide Cell | |
CN116994677A (zh) | 一种基于形变势近似的电输运性能高通量计算方法 | |
Chen et al. | Artificial intelligence for the understanding of electrolyte chemistry and electrode interface in lithium battery | |
Zheng et al. | Uncertainty Quantification Analysis on Silicon Electrodeposition Process Via Numerical Simulation Methods | |
Qiu et al. | Online dynamic parameter estimation of an alkaline electrolysis system based on Bayesian inference |
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 |