CN112133383B - 基于遗传符号回归预测钙钛矿比表面积的方法 - Google Patents
基于遗传符号回归预测钙钛矿比表面积的方法 Download PDFInfo
- Publication number
- CN112133383B CN112133383B CN202010850235.5A CN202010850235A CN112133383B CN 112133383 B CN112133383 B CN 112133383B CN 202010850235 A CN202010850235 A CN 202010850235A CN 112133383 B CN112133383 B CN 112133383B
- Authority
- CN
- China
- Prior art keywords
- perovskite
- specific surface
- surface area
- genetic
- modeling
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种基于遗传符号回归预测钙钛矿比表面积的方法，利用计算机系统，从文献中收集钙钛矿的化学成分，制备工艺参数以及其对应的比表面积实验数据；随机划分建模集和测试集并进行标准化；采用遗传符号回归算法搜索新变量；使用岭回归方法以新变量数据进行建模，并测试模型在测试集上的效果；根据建立的岭回归预测模型，快速预测钙钛矿材料的比表面积。本发明基于可靠的文献数据和建模方法，所建钙钛矿材料比表面积的预报模型具有简便快捷、低成本、无污染等优点；模型的可解释性强——模型提供了因变量钙钛矿比表面积与自变量之间的数学表达式，能够清晰反映工艺参数和原子参数对比表面积的影响，有助于指导高比表面积钙钛矿的合成。
Description
技术领域
本发明涉及材料基因技术领域，特别是涉及一种基于遗传符号回归预测钙钛矿比表面积的方法。
背景技术
钙钛矿材料因具有优良的导电性、磁性、光催化等诸多性能，且制备成本低廉、在高温下具有热力学和机械稳定性，成为众多领域关注的焦点。ABO3钙钛矿化合物是一种新型的半导体光催化剂，在燃料电池、光催化材料催化剂中具有独特的应用价值。在ABO3钙钛矿化合物中，A位阳离子通常是稀土元素或者碱土元素，位于体心并与12个O2-配位；而B位阳离子是过渡金属离子元素，位于八面体中心并与6个O2-配位。A、B位点均可掺杂其他金属离子，以提高其性能。作为重要的催化材料，钙钛矿材料的比表面积(Specific SurfaceArea，SSA)是评价其催化性能的一个重要指标。通常来说，具有更高比表面积的钙钛矿化合物具有更佳的催化表现。
目前，由于钙钛矿材料的组成和工艺日趋复杂，其对结构性能的影响也越来越微妙，使得研制具有更高比表面积的钙钛矿材料仍在较大程度上依赖于传统的“炒菜”法。即当要求提出后，凭经验决定制备的配方和工艺，制备一批样品，分析其成分和组织结构，测定其性能，若不合乎要求，即另行试制，一般需反复多次才能成功。这种“咸则加水,淡则加盐”的摸索方式虽有效，但终究事倍功半，费时费力。2011年，国外提出了“材料基因组计划”，其核心问题是如何实现新材料设计和制备从传统经验式的“炒菜法”向科学化方法的转变，进而加快新材料的研制速度。通过结合已知的可靠实验数据，建立化学组分，工艺条件以及性能的数据库，采用机器学习算法探寻材料结构和性能之间的关系模式，为材料设计提供指导。随着材料基因工程的发展，越来越多的机器学习模型被成功应用于材料设计领域，其中人工神经网络、支持向量机等算法因其能够拟合非线性关系而被广泛采用，但其中大部分模型都是黑盒模型，而线性模型常常需要研究者根据领域知识转化用于建模的自变量，组成新的自变量，以提高模型的预测能力，同时模型具有可解性。
遗传符号回归算法(Genetic Symbolic Regression)是一种符号回归方法，其通过模仿生物的演化进程，提供了一种演化搜索新组合变量的方法。其能够自发调整搜索方向，产生与因变量具有高线性相关性的组合变量，使用产生的新变量结合岭回归(RidgeRegression)建立同时具有解释性和准确率模型。遗传符号回归算法是一种概率寻优方法，它不依赖于优化目标函数连续或其梯度，适用范围广，而且能并行计算在多个CPU上，节约了计算时间。
发明内容
本发明的目的就是为了克服实验试错法的盲目性，提供一种基于遗传符号回归快速预测钙钛矿材料的比表面积的方法，是一种数据驱动的材料基因方法，指导高比表面积钙钛矿的合成。
本发明的目的可以通过以下技术方案来实现：
一种基于遗传符号回归预测钙钛矿比表面积的方法，包括以下步骤：
1)利用计算机系统，从文献中收集钙钛矿的化学成分，制备工艺参数以及其对应的比表面积实验数据；
2)根据其化学成分填充离子半径，原子电负性，离子电离势等原子参数描述符；
3)随机划分80％数据作为建模集，20％数据为测试集，并对建模集数据进行标准化；
4)采用遗传符号回归算法搜索具有与钙钛矿比表面积相关系数高的新变量；
5)使用岭回归方法以遗传符号回归方法得到的新变量数据进行建模，并测试模型在测试集上的效果；
6)根据建立的岭回归预测模型，快速预测钙钛矿材料的比表面积。
优选地，所述步骤2)中描述符填充是根据钙钛矿化学成分填充的原子参数。
优选地，所述步骤4)中新变量的搜索是通过遗传符号回归算法实现的，用如下公式评估个体的适应度：
fitness＝r-C*len(X)；
其中fitness为个体的适应度，r是相关系数，C是惩罚系数，len(X)为个体语法树的结点的个数。
优选地，所述步骤5)中建模选用的是岭回归算法，用于建模的变量是利用后退法进行变量筛选的结果。
优选地，所述步骤6)中钙钛矿数据的岭回归预测模型用如下公式表达：
其中
为预测的钙钛矿比表面积，单位为m2/g，/>
为制备过程中的煅烧温度标准化后的数值，/>
为A位置元素的平均电离势标准化后的数值，/>
为制备过程中的煅烧时间标准化后的数值。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.本发明方法预报钙钛矿的比表面积简单、快捷，仅输入钙钛矿材料的成分和制备过程中的煅烧温度和煅烧时间，即可得到钙钛矿材料的比表面积预测值；
2.本发明方法利用遗传回归算法结合岭回归快速预测钙钛矿材料的比表面积，操作简单，成本低；
3.本发明方法在整个过程中不用到化学药品，对环境没有污染；
4.本发明方法的模型的可解释性高，模型提供了因变量钙钛矿比表面积与自变量之间的数学表达式，能够清晰反映工艺参数和原子参数对比表面积的影响，有助于指导高比表面积钙钛矿的合成。
附图说明
图1为本发明方法的变量的二叉树编码表示。
图2为本发明方法的钙钛矿比表面积回归模型在建模集和测试集上的结果。
图3为本发明方法的最优变量的语法树。
具体实施方式
下面结合附图和优选实施例对本发明进行详细说明。
实施例一：
一种基于遗传符号回归预测钙钛矿比表面积的方法，包括以下步骤：
1)利用计算机系统，从文献中收集钙钛矿的化学成分，制备工艺参数以及其对应的比表面积实验数据；
2)根据钙钛矿化学成分填充离子半径，原子电负性，离子电离势原子参数描述符；
3)随机划分80％数据作为建模集，20％数据为测试集，并对建模集数据进行标准化；
4)采用遗传符号回归算法搜索具有与钙钛矿比表面积相关系数高的新变量；
5)使用岭回归方法以遗传符号回归方法得到的新变量数据进行建模，并测试模型在测试集上的效果；
6)根据建立的岭回归预测模型，快速预测钙钛矿材料的比表面积。
本发明方法预报钙钛矿的比表面积简单、快捷，仅输入钙钛矿材料的成分和制备过程中的煅烧温度和煅烧时间，即可得到钙钛矿材料的比表面积预测值；本发明方法的模型的可解释性高，模型提供了因变量钙钛矿比表面积与自变量之间的数学表达式，能够清晰反映工艺参数和原子参数对比表面积的影响，有助于指导高比表面积钙钛矿的合成。
实施例二：
本实施例与实施例一基本相同，特别之处在于：
所述的步骤2)中描述符填充是根据钙钛矿化学成分填充的原子参数。
所述的步骤4)中新变量的搜索是通过遗传符号回归算法实现的，用如下公式评估个体的适应度：
fitness＝r-C*len(X)
其中fitness为个体的适应度，r是相关系数，C是惩罚系数，len(X)为个体语法树的结点的个数。
所述的步骤5)中建模选用的是岭回归算法，用于建模的变量是利用后退法进行变量筛选的结果。
所述的步骤6)中钙钛矿数据的岭回归预测模型可用如下公式表达：
其中
为预测的钙钛矿比表面积，单位为(m2/g)，/>
为制备过程中的煅烧温度(℃)标准化后的数值，/>
为A位置元素的平均电离势标准化后的数值，/>
为制备过程中的煅烧时间标准化后的数值。
本实施例基于遗传符号回归快速预测钙钛矿材料的比表面积的方法，是一种数据驱动的材料基因方法，指导高比表面积钙钛矿的合成。本实施例方法预报钙钛矿的比表面积简单、快捷，仅输入钙钛矿材料的成分和制备过程中的煅烧温度和煅烧时间，即可得到钙钛矿材料的比表面积预测值。
实施例三：
本实施例与上述实施例基本相同，特别之处在于：
在本实施例中，基于遗传回归预测钙钛矿比表面积的方法，包括如下步骤：
1)由文献中报道的50个不同成分和工艺参数条件制备的钙钛矿数据示例如表1所示；
表1.部分钙钛矿数据集
| 化学式 | SSA(m2/g) | 煅烧温度(℃) | 煅烧时间(h) |
| ZnTiO3 | 1.050 | 900 | 2 |
| LaFeO3 | 1.080 | 900 | 4 |
| BiFeO3 | 0.7514 | 900 | 4 |
| BiTi0.15Fe0.85O3 | 0.9507 | 900 | 4 |
| LaCoO3 | 17.00 | 750 | 4 |
| LaCo0.94Mg0.06O3 | 19.00 | 750 | 4 |
| LaCo0.90Mg0.10O3 | 21.00 | 750 | 4 |
| LaCo0.80Mg0.20O3 | 22.00 | 750 | 4 |
| La0.5Bi0.2Ba0.2Mn0.1FeO3 | 27.75 | 500 | 4 |
| La0.5Bi0.2Ba0.2Mn0.1FeO3 | 12.46 | 700 | 4 |
| La0.5Bi0.2Ba0.2Mn0.1FeO3 | 5.910 | 800 | 4 |
| LaFeO3 | 11.39 | 600 | 5 |
| LaMg0.2Fe0.8O3 | 15.07 | 600 | 5 |
2)整理并计算其对应的原子参数，并标准化得到这些钙钛矿数据，如表2所示；
表2.钙钛矿标准化数据
| 化学式 | SSA(m2/g) | A位元素电离势 | 煅烧温度 | 煅烧时间 |
| ZnTiO3 | 1.050 | 5.202 | 1.596 | -1.162 |
| LaFeO3 | 1.080 | -0.329 | 1.596 | -0.374 |
| BiFeO3 | 0.7514 | 2.148 | 1.596 | -0.374 |
| BiTi0.15Fe0.85O3 | 0.9507 | 2.148 | 1.596 | -0.374 |
| LaCoO3 | 17.00 | -0.329 | 0.344 | -0.374 |
| LaCo0.94Mg0.06O3 | 19.00 | -0.329 | 0.344 | -0.374 |
| LaCo0.90Mg0.10O3 | 21.00 | -0.329 | 0.344 | -0.374 |
| LaCo0.80Mg0.20O3 | 22.00 | -0.329 | 0.344 | -0.374 |
| La0.5Bi0.2Ba0.2Mn0.1FeO3 | 27.75 | 0.329 | -1.742 | -0.374 |
| La0.5Bi0.2Ba0.2Mn0.1FeO3 | 12.46 | 0.329 | -0.073 | -0.374 |
| La0.5Bi0.2Ba0.2Mn0.1FeO3 | 5.910 | 0.329 | 0.761 | -0.374 |
| LaFeO3 | 11.39 | -0.329 | -0.907 | 0.020 |
| LaMg0.2Fe0.8O3 | 15.07 | -0.329 | -0.907 | 0.020 |
3)随机划分80％数据作为建模集，20％数据为测试集，并对建模集数据进行标准化，对于变量Xj标准化公式如下：
其中uj为建模集的Xj变量的平均值，σj为建模集的Xj变量的方差；
4)采用遗传回归算法从建模数据集中构建新的特征变量；
遗传回归算法具体步骤如下：
4-1)将新变量编码为用二叉树表达的语法树个体，其中树的中间节点为操作符，末端为原始变量；如图1所示，新变量X由初始变量X0和X1根据二叉树转化关系得到；
X＝X0*X0-3*X1+0.5；
4-2)随机选择自变量并用随机的操作符包括加(add)、减(sub)、乘(mul)、除(div)、开根号(sqrt)、绝对值(abs)、取负值(neg)、取倒数(inv)，初始化第一代语法树个体；
4-3)使用语法树个体所代表的自变量与因变量皮尔逊相关系数，根据个体的复杂度综合评估每个语法树个体的适应度，根据适应度保留适应度高的语法树个体，淘汰适应度低的个体。两个变量X和Y之间的相关系数可用如下公式求得；
其中
和/>
分别为X和Y变量的平均值，n为样本个数；
为了避免生成的个体过于复杂，加入对个体复杂度的惩罚项，最终的适应度：
fitness＝r-C*len(X)
其中fitness为个体的适应度，r是相关系数，C是惩罚系数，len(X)为个体语法树的结点的个数；
4-4)判断最优个体是否达到预定的迭代次数或适应度阈值，如满足条件结束算法返回最优个体；如不满足则跳转到步骤4-5)；
4-5)个体遗传交叉或突变产生新一代的语法树，并跳转到步骤5-3)；遗传交叉通过随机选择不同个体的二叉树部分与另一个个体二叉树部分结合成新个体实现，变异通过随机改变某一个树节点的变量或操作符实现；
4-6)多次运行遗传回归算法，生成多个最优新变量；
5)使用岭回归方法以遗传符号回归方法得到的新变量进行建模，并用后退法筛选变量；
5-1)岭回归模型可用如下关系表示：
其中θj为待定的权重系数，b为截距项常数，p为输入变量个数。θj通过梯度下降法求解如下损失函数的最小值确定；
其中yi和
分别为样本的实际值和预测值，λ为自定义的超参数；
5-2)后退法筛选变量的步骤如下：
5-2-1)将建模集划分为训练集(80％)和验证集(20％)，并使用全部变量进行建模；
5-2-2)尝试删除某一变量，若删除后，在验证集的误差没有减小则删除该变量，迭代删除，直至删除任意变量都会导致模型的在验证集上的误差增大；
5-3)测试模型在测试集上的效果，计算预测误差评估指标RMSE(root-mean-square error)。
其中n为测试集样本数，SSA为实验测得的钙钛矿比表面积，
为模型预测值；
6)根据建立的岭回归线性预测模型，快速预测钙钛矿材料的比表面积。
本实施例基于遗传符号回归预测钙钛矿比表面积的方法，所建钙钛矿材料比表面积的预报模型具有简便快捷、低成本、无污染等优点。并且，模型的可解释性强——模型提供了因变量钙钛矿比表面积与自变量之间的数学表达式，能够清晰反映工艺参数和原子参数对比表面积的影响，有助于指导高比表面积钙钛矿的合成。
实施例四：
本实施例与上述实施例基本相同，特别之处在于：
在本实施例中，50个钙钛矿数据预报模型的建模结果，如图2所示。
本实施例利用遗传回归算法对40个文献中的钙钛矿数据进行回归建模，建立钙钛矿比表面积的线性预报模型，钙钛矿比表面积预报值和实验检测值的RMSE为5.593，相关系数R为0.766。
实施例五：
本实施例与上述实施例基本相同，特别之处在于：
在本实施例中，最优变量的语法树如图3所示，50个钙钛矿数据的岭回归预测模型可用如下公式表达：
其中
为预测的钙钛矿比表面积，单位为(m2/g)，/>
为制备过程中的煅烧温度(℃)标准化后的数值，/>
为A位置元素的平均电离势标准化后的数值，/>
为制备过程中的煅烧时间标准化后的数值。公式说明低煅烧温度和钙钛矿A位置元素的电离势利于形成比表面积高的钙钛矿。
综上所述，上述实施例基于遗传符号回归预测钙钛矿比表面积的方法，包括以下步骤：利用计算机系统，从文献中收集钙钛矿的化学成分，制备工艺参数以及其对应的比表面积实验数据；根据其化学成分填充离子半径，原子电负性，离子电离势等原子参数描述符；随机划分80％数据作为建模集，20％数据为测试集，并对建模集数据进行标准化；采用遗传符号回归算法搜索具有与钙钛矿比表面积相关系数高的新变量；使用岭回归方法以遗传符号回归方法得到的新变量数据进行建模，并测试模型在测试集上的效果；根据建立的岭回归预测模型，快速预测钙钛矿材料的比表面积。本发明基于可靠的文献数据和建模方法，所建钙钛矿材料比表面积的预报模型具有简便快捷、低成本、无污染等优点。并且，模型的可解释性强——模型提供了因变量钙钛矿比表面积与自变量之间的数学表达式，能够清晰反映工艺参数和原子参数对比表面积的影响，有助于指导高比表面积钙钛矿的合成。
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)
1.一种基于遗传符号回归预测钙钛矿比表面积的方法，其特征在于，包括以下步骤：
1)利用计算机系统，从文献中收集钙钛矿的化学成分，制备工艺参数以及钙钛矿对应的比表面积实验数据；
2)根据钙钛矿化学成分填充离子半径，原子电负性，离子电离势原子参数描述符；
3)随机划分80％数据作为建模集，20％数据为测试集，并对建模集数据进行标准化；
4)采用遗传符号回归算法，搜索具有与钙钛矿比表面积相关系数高的新变量；
5)使用岭回归方法以遗传符号回归方法得到的新变量数据进行建模，并测试模型在测试集上的效果；
6)根据建立的岭回归预测模型，快速预测钙钛矿材料的比表面积；
所述步骤4)中新变量的搜索是通过遗传符号回归算法实现的，用如下公式评估个体的适应度：
fitness＝r-C*len(x) (1)；
其中fitness为个体的适应度，r是相关系数，C是惩罚系数，len(X)为个体语法树的节点的个数；
所述步骤6)中钙钛矿数据的岭回归预测模型用如下公式表达：
其中
为预测的钙钛矿比表面积，单位为m2/g，/>
为制备过程中的煅烧温度标准化后的数值，/>
为A位置元素的平均电离势标准化后的数值，/>
为制备过程中的煅烧时间标准化后的数值。
2.根据权利要求1所述基于遗传符号回归预测钙钛矿比表面积的方法，所述步骤5)中建模选用的是岭回归算法，用于建模的变量是利用后退法进行变量筛选的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010850235.5A CN112133383B (zh) | 2020-08-21 | 2020-08-21 | 基于遗传符号回归预测钙钛矿比表面积的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010850235.5A CN112133383B (zh) | 2020-08-21 | 2020-08-21 | 基于遗传符号回归预测钙钛矿比表面积的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112133383A CN112133383A (zh) | 2020-12-25 |
| CN112133383B true CN112133383B (zh) | 2023-06-13 |
Family
ID=73850469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010850235.5A Active CN112133383B (zh) | 2020-08-21 | 2020-08-21 | 基于遗传符号回归预测钙钛矿比表面积的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112133383B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808681A (zh) * | 2021-08-30 | 2021-12-17 | 上海大学 | 基于SHAP-CatBoost快速预测ABO3型钙钛矿材料比表面积的方法及其系统 |
| CN114659941B (zh) * | 2022-03-10 | 2024-07-16 | 广东省药品检验所（广东省药品质量研究所、广东省口岸药品检验所） | 一种铝碳酸镁咀嚼片生产工艺中淀粉用量的预测方法 |
| CN118094484B (zh) * | 2024-04-19 | 2024-07-30 | 北京科技大学 | 一种遗传算法优化的界面张力智能预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6017504A (en) * | 1998-07-16 | 2000-01-25 | Universite Laval | Process for synthesizing perovskites using high energy milling |
| CN105887751A (zh) * | 2016-04-28 | 2016-08-24 | 武汉大学 | 一种考虑水库调洪演算的多变量洪水重现期计算方法 |
| CN107456964A (zh) * | 2017-08-23 | 2017-12-12 | 清华大学 | 用于碳氢化合物低温氧化的超大比表面积钙钛矿型复合氧化物催化剂及其制备 |
| CN109658987A (zh) * | 2018-12-14 | 2019-04-19 | 中海石油炼化有限责任公司 | 一种加氢精制催化剂载体性质预测方法 |
| CN110135584A (zh) * | 2019-03-30 | 2019-08-16 | 华南理工大学 | 基于自适应并行遗传算法的大规模符号回归方法及系统 |
| CN110414066A (zh) * | 2019-07-02 | 2019-11-05 | 东南大学 | 基于遗传算法的钢筋混凝土损伤模型拟合方法 |
| 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 |
| 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 |
| CN111178656A (zh) * | 2019-07-31 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 信用模型训练方法、信用评分方法、装置及电子设备 |
-
2020
- 2020-08-21 CN CN202010850235.5A patent/CN112133383B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6017504A (en) * | 1998-07-16 | 2000-01-25 | Universite Laval | Process for synthesizing perovskites using high energy milling |
| CN105887751A (zh) * | 2016-04-28 | 2016-08-24 | 武汉大学 | 一种考虑水库调洪演算的多变量洪水重现期计算方法 |
| CN107456964A (zh) * | 2017-08-23 | 2017-12-12 | 清华大学 | 用于碳氢化合物低温氧化的超大比表面积钙钛矿型复合氧化物催化剂及其制备 |
| CN109658987A (zh) * | 2018-12-14 | 2019-04-19 | 中海石油炼化有限责任公司 | 一种加氢精制催化剂载体性质预测方法 |
| CN110135584A (zh) * | 2019-03-30 | 2019-08-16 | 华南理工大学 | 基于自适应并行遗传算法的大规模符号回归方法及系统 |
| CN110414066A (zh) * | 2019-07-02 | 2019-11-05 | 东南大学 | 基于遗传算法的钢筋混凝土损伤模型拟合方法 |
| 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 |
| CN111178656A (zh) * | 2019-07-31 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 信用模型训练方法、信用评分方法、装置及电子设备 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Using Data Mining To Search for Perovskite Materials with Higher Specific Surface Area;Li Shi等;《Journal of Chemical Information and Modeling》;20181231;第2420-2427页 * |
| 基于不同机器学习算法的钙钛矿材料性能预测;郑伟达 等;《中国有色金属学报》;20190430;第29卷(第4期);第803-809页 * |
| 煅烧温度对钙钛矿复合金属氧化物的结构及其同时催化去除NOx和碳烟的影响;彭小圣 等;《功能材料》;20061231;第37卷(第10期);第1677-1680页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112133383A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112133383B (zh) | 基于遗传符号回归预测钙钛矿比表面积的方法 | |
| Jia et al. | An optimized RBF neural network algorithm based on partial least squares and genetic algorithm for classification of small sample | |
| CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
| CN115049019B (zh) | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 | |
| Tao et al. | Evolutionary gate recurrent unit coupling convolutional neural network and improved manta ray foraging optimization algorithm for performance degradation prediction of PEMFC | |
| CN112132177B (zh) | 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法 | |
| CN115374710A (zh) | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 | |
| CN115274007A (zh) | 一种用于发现和优化药物先导化合物的可泛化、可解释的深度图学习方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN115600105A (zh) | 基于mic-lstm的水体缺失数据插补方法及装置 | |
| CN115186798A (zh) | 基于知识蒸馏的再生tsk模糊分类器 | |
| CN116884536B (zh) | 一种工业废渣砖生产配方自动优化方法及系统 | |
| CN113570161A (zh) | 基于宽度迁移学习的搅拌釜反应物浓度预测模型构建方法 | |
| CN117195089A (zh) | 基于机器学习的低渗透油气藏储层损害评价及预测方法 | |
| CN116885697A (zh) | 一种基于聚类分析与智能算法组合的负荷预测方法 | |
| CN115407053B (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
| CN115862786A (zh) | 基于纳米复合电介质材料的性能预测方法、装置及设备 | |
| CN115525697A (zh) | 一种基于中药生产数据挖掘的工艺优化方法 | |
| CN115481715A (zh) | 一种基于am-gru-bpnn的产品质量指标预测方法、系统 | |
| CN112342050B (zh) | 一种优化催化裂化装置轻油收率的方法、装置及存储介质 | |
| Badias et al. | Neural network layer algebra: A framework to measure capacity and compression in deep learning | |
| CN114548212A (zh) | 一种水质评价方法及系统 | |
| Toutiaee et al. | Gaussian function on response surface estimation |
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 |