CN112287563B - 探测单分散颗粒体系结晶相前驱体微观结构的方法及系统 - Google Patents

探测单分散颗粒体系结晶相前驱体微观结构的方法及系统 Download PDF

Info

Publication number
CN112287563B
CN112287563B CN202011295201.0A CN202011295201A CN112287563B CN 112287563 B CN112287563 B CN 112287563B CN 202011295201 A CN202011295201 A CN 202011295201A CN 112287563 B CN112287563 B CN 112287563B
Authority
CN
China
Prior art keywords
particles
particle
machine learning
crystalline phase
microstructure
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
Application number
CN202011295201.0A
Other languages
English (en)
Other versions
CN112287563A (zh
Inventor
曹学兴
张一博
马刚
庞博慧
周伟
常晓林
关少恒
梅江洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Huaneng Group Technology Innovation Center Co Ltd
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Wuhan University WHU
Huaneng Group Technology Innovation Center Co Ltd
Huaneng Lancang River Hydropower Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, Huaneng Group Technology Innovation Center Co Ltd, Huaneng Lancang River Hydropower Co Ltd filed Critical Wuhan University WHU
Priority to CN202011295201.0A priority Critical patent/CN112287563B/zh
Publication of CN112287563A publication Critical patent/CN112287563A/zh
Application granted granted Critical
Publication of CN112287563B publication Critical patent/CN112287563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供探测单分散颗粒体系结晶相前驱体微观结构的方法及系统，方法包括：获取剪切实验过程中不同时刻单分散颗粒体系内所有颗粒的位置坐标信息；计算不同时刻每个颗粒的微观结构特征，使用键取向序参数和局部体积分数判断颗粒在某时刻是否处于结晶相；选取颗粒体系内接近处于结晶相的颗粒与等量处于无序向的颗粒并提取其特征组成机器学习数据集；构造机器学习模型，将数据集划分为训练集、验证集和测试集，通过交叉验证优化模型参数，得到最优参数组合并保存模型；调用机器学习模型，探测单分散颗粒体系结晶相前驱体微观结构；提取无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒，分析其结构特征的区别和三者的相关关系。

Description

探测单分散颗粒体系结晶相前驱体微观结构的方法及系统
技术领域
本发明属于颗粒材料力学研究领域，具体涉及探测单分散颗粒体系结晶相前驱体微观结构的方法及系统。
技术背景
颗粒材料被广泛地应用于包括农业、食品业、制药业、化工业、矿业、建筑业在内的诸多行业，它表现出许多不同于固、液、气物质的奇特现象和独特的运动规律。颗粒材料通常以一种长程无序的结构状态存在。但是，对于单分散颗粒材料而言，当颗粒体系受到一些特殊的外在扰动，它会产生从无序相到结晶相的相位转变，这通常称为颗粒材料的自组织性质。从无序相到结晶相的转变导致颗粒体系的物理性质发生显著变化，包括密实度、运动特性和受力特性等等。所以，研究颗粒材料的结晶相转变是一项基础且重要的内容。
大量的研究结果表明，颗粒材料从无序相到结晶相的转变是一个连续的持续不断的过程，即这种转变不是一蹴而就的，存在某种中间状态将两者联系起来，我们称之为结晶相前驱体结构或非稳定结晶相。例如，在颗粒材料的循环剪切实验中，起初，颗粒材料处于无序相状态，随着连续不断的剪切，颗粒材料内部存在少数颗粒转变为结晶相状态，随着剪切过程的深入，越来越多的颗粒逐渐完成相位转变并以一种稳定的结晶相状态持续存在。所以，研究颗粒材料的结晶前驱体微观结构更有助于揭示颗粒材料的结晶动力学行为。
结晶相前驱体结构在定义上具有模糊性，结构识别上具有隐蔽性。即，第一、在颗粒材料结晶化转变中，可以明确定义处于无序相或结晶相的颗粒并加以识别，通常定义在一定时间内转变为结晶相的颗粒为结晶相前驱体，这是其在定义上的模糊性；第二、结晶相前驱体颗粒常常隐匿于无序相颗粒和结晶相颗粒间，在结构特征上与无序相和结晶相颗粒均有相似处，难以区分，这是其在结构识别上的隐蔽性。
由于颗粒前驱结构具有以上特性，因此难以被探测，目前研究都止步于结晶相的转变和统计分析，无法探测晶核的生成过程。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种探测单分散颗粒体系结晶相前驱体微观结构的方法及系统。
本发明为了实现上述目的，采用了以下方案：
<方法>
本发明提供一种探测单分散颗粒体系结晶相前驱体微观结构的方法，其特征在于，包括：
步骤1.获取剪切实验过程中不同时刻单分散颗粒体系内所有颗粒的位置坐标信息；例如，对某长方体颗粒材料试样进行循环剪切，取一次剪切为时间间隔ΔT，共剪切n次，则可取n个不同时刻颗粒体系内所有颗粒的位置坐标信息；
步骤2.计算不同时刻每个颗粒的微观结构特征，使用键取向序参数(BOOP) 和局部体积分数(φlocal)判断颗粒在某时刻是否处于结晶相；
步骤2-1.基于所有颗粒的位置坐标信息，判断每个颗粒的邻接颗粒；
步骤2-2.基于颗粒的邻接网络计算颗粒的短程结构特征(SRO)；
步骤2-3.计算颗粒的中程结构序特征(MRO)；
步骤2-4.提取所有颗粒的键取向序参数q6和局部体积分数φlocal；
步骤2-5.基于键取向序参数q6和局部体积分数φlocal判断颗粒是否处于结晶相；
步骤3.选取颗粒体系内接近处于结晶相的颗粒与等量处于无序向的颗粒并提取其特征组成机器学习数据集；
步骤4.构造机器学习模型，将数据集划分为训练集、验证集和测试集，通过交叉验证优化模型参数，得到最优参数组合并保存模型；
步骤5.调用机器学习模型，探测单分散颗粒体系结晶相前驱体微观结构；
步骤6.提取无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒，分析其结构特征的区别和三者的相关关系，以了解颗粒材料相位转变中的结晶动力学行为。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法还可以具有以下特征：在步骤1中，采用物理试验或数值模拟方式获取颗粒的位置坐标信息；对于物理试验，是通过CT扫描或高速摄像机获取剪切实验过程中颗粒的位置坐标信息；对于数值模拟，首先根据待测单分散颗粒体系的真实性能参数构建数值模型(例如，对于玻璃珠填料，PVC填料，以及各类金属球体填等各种不同材质的单分散颗粒体系，可以通过改变数值模拟中的接触参数，包括剪切模量，泊松比，摩擦系数以及颗粒半径等来模拟不同材质的颗粒体系)，然后进行数值模拟剪切实验，直接输出颗粒的位置坐标信息，例如，当使用LIGGGHTS 开源程序进行数值模拟，可直接输出颗粒的位置坐标并保存至dump文件。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法还可以具有以下特征：在步骤2-1中，通过Voronoi剖分确定颗粒的邻接颗粒时，剔除Voronoi凸多面体中对应邻接平面面积小于所有邻接平面平均面积的5％的平面所对应的邻接颗粒。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法还可以具有以下特征：
在步骤2-2中，计算颗粒的短程结构特征(SRO)包括：
(a)配位数，配位数表示该颗粒的邻接颗粒数目，反映了颗粒的邻接颗粒的多少；
(b)局部体积分数：
Figure BDA0002785189680000031
式中，φlocal表示局部体积分数，反映了颗粒的局部密实程度；Vsphere表示颗粒的体积，m3；Vcell表示Voronoi凸多面体的体积，m3；
(c)Voronoi idxi
Voronoi idxi表示该颗粒对应Voronoi凸多面体中含有i条边的面的数目，其中3≤i≤7，其中3≤i≤7，i＝3，4，5，6，7，对每一个颗粒，Voronoi idx3…7包含5个参数；
(d)键取向序参数：
Figure BDA0002785189680000032
Figure BDA0002785189680000041
Figure BDA0002785189680000042
式(2)中，i表示颗粒i；Ni表示颗粒i的邻接颗粒数目；j表示颗粒i的某个邻接颗粒j；
Figure BDA0002785189680000043
表示球面谐波函数；θij，
Figure BDA0002785189680000044
分别表示空间向量ij在球坐标系中的极角和方位角；l＝2，4，6，8，10；其中，qlm(i)表示颗粒i的局部张量键取向序参数；由于qlm值取决于参考轴的方向，需计算其旋转不变量；
式(3)中，ql(i)表示qlm(i)的二阶旋转不变量；-l≤m≤l；l＝2，4，6，8，10；
式(4)中，wl(i)表示qlm(i)的三阶旋转不变量；-l≤m1，m2，m3≤l；l＝ 2，4，6，8，10；
如上，共得键取向序参数ql，wl 10个；键取向序参数反映了颗粒与其周围颗粒排列的有序性；
(e)基于闵可夫斯基张量的各向异性系数：
Figure BDA0002785189680000045
β＝|μmin/μmax| (6)
式中，n(r)表示Voronoi凸多面体表面法向量；S表示沿表面积分；
Figure BDA0002785189680000046
表示积分求得的三阶闵可夫斯基张量；μmin、μmax分别表示闵可夫斯基张量
Figure BDA0002785189680000047
的最小和最大特征值；β表示Voronoi凸多面体的各向异性系数；β反映了该Voronoi凸多面体的各向异性，β∈[0，1]，当β＝1时，代表该凸多面体为各向同性。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法还可以具有以下特征：在步骤2-3中，计算颗粒的中程结构特征(MRO)采用如下公式计算：
Figure BDA0002785189680000048
式中，i表示颗粒i；N(i)表示颗粒i的邻接颗粒；F表示用于当前计算的某类短程结构序特征；Stats函数表示对括号中的值分别进行平均值、最小值、最大值和标准差的统计汇总。可得，颗粒的每1个短程结构序特征对应于4个中程结构序特征。从而，用于描述颗粒结构特征的特征数目为90个(包括18个短程结构序特征以及72个中程结构序特征)。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法还可以具有以下特征：
在步骤2-4中，对单个颗粒做如下判断：
φlocal≥0.72 (8)
0.465≤q6≤0.505 (9)
0.555≤q6≤0.595 (10)
当该颗粒的局部体积分数φlocal以及l＝6时的键取向序参数q6同时满足公式8和9或同时满足公式8和10时，判断此时该颗粒处于结晶相。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法中，步骤3包括以下子步骤：
步骤3-1.取当前时刻为T时刻，获取T时刻处于结晶相的颗粒。
步骤3-2.取时间间隔n*ΔT，获取T-n*ΔT～T时刻处于稳定结晶相的颗粒；
根据颗粒在T-n*ΔT～T时刻内的局部体积分数的平均值
Figure BDA0002785189680000051
以及l＝6 时的键取向序参数的平均值
Figure BDA0002785189680000052
进行判断，当
Figure BDA0002785189680000053
同时满足公式8和9或同时满足公式8和10时，判断此时该颗粒处于稳定结晶相；
步骤3-3.从T时刻处于结晶相的颗粒中剔除T-n*ΔT～T时刻处于稳定结晶相的颗粒，构成颗粒集Set1；
步骤3-4.随机选取T时刻等量处于无序向的颗粒组成颗粒集Set2；
步骤3-5.构造数据集
提取颗粒集Set1中颗粒对应T-n*ΔT时刻的结构特征值，并设置相应标签值；提取颗粒集Set2中颗粒对应T-n*ΔT时刻的结构特征值，并设置相应标签值；将所选取的结构特征值和标签值存入数据集。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法中，步骤4包括以下子步骤：
步骤4-1.构造机器学习模型
使用极端梯度提升机模型(XGBoost)进行机器学习。XGBoost具有优良的学习效果以及高效的训练速度；
步骤4-2.选取步骤3-5中构造的数据集，进行机器学习模型训练：
步骤4-2-1.将数据集划分为训练集Trainset和测试集Testset，其中， Trainset∶Testset＝0.7：0.3：
步骤4-2-2.使用训练集数据进行模型优化训练，进行5折交叉验证，并通过网格搜索优化模型参数，选取最优参数组，保存模型；
步骤4-3.加载模型，使用测试集验证模型可靠度。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法还可以具有以下特征：在步骤4-2-2中，通过网格搜索优化模型参数时，参数取值范围如表1所示。
表1机器学习模型参数取值范围表
Figure BDA0002785189680000061
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法中，步骤5包含：步骤5-1.根据步骤1和2所描述的方法，提取待预测时刻颗粒体系内所有颗粒的位置坐标信息并计算此时每个颗粒的微观结构特征；步骤5-2.加载机器学习模型，输入特征值，输出预测结果，若预测结果为lable＝1时，则判断该颗粒此时为结晶相前驱微观结构状态。
优选地，本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法还可以具有以下特征：在步骤6中，根据步骤5的预测结果，对某时刻颗粒体系，通过机器学习模型探测其中的结晶相前驱体颗粒，然后，提取一定数量的无序相、结晶相和结晶相前驱体颗粒，分析其对分布函数g(r)，分析其键取向参数q6和局部体积分数φlocal的分布，分析其空间位置关系，以深入了解颗粒材料相位转变中的结晶动力学行为。
<系统>
进一步，本发明还提供了一种探测单分散颗粒体系结晶相前驱体微观结构的系统，其特征在于，包括：
颗粒位置获取部，获取剪切实验过程中不同时刻单分散颗粒体系内所有颗粒的位置坐标信息；
结构特征计算部，与颗粒位置获取部通信相连，计算不同时刻每个颗粒的微观结构特征：基于所有颗粒的位置坐标信息，判断每个颗粒的邻接颗粒；基于颗粒的邻接网络计算颗粒的短程结构特征；计算颗粒的中程结构序特征；
结晶相判断部，与结构特征计算部通信相连，基于结构特征计算部计算的结构特征，获取所有颗粒的键取向序参数q6和局部体积分数φlocal，根据键取向序参数q6和局部体积分数φlocal判断颗粒在某时刻是否处于结晶相；
训练集获取部，与颗粒位置获取部、结构特征计算部、结晶相判断部均通信相连，选取颗粒体系内接近处于结晶相的颗粒与等量处于无序向的颗粒并提取其特征组成机器学习数据集；
机器学习模型构造部，与训练集获取部通信相连，将数据集划分为训练集、验证集和测试集，通过交叉验证优化模型参数，得到最优参数组合并保存模型，得到机器学习模型；以及
探测分析部，与机器学习模型构造部通信相连，调用机器学习模型，探测单分散颗粒体系结晶相前驱体微观结构；提取无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒，分析其结构特征的区别和三者的相关关系，以了解颗粒材料相位转变中的结晶动力学行为。
发明的作用与效果
本发明提供的探测单分散颗粒体系结晶相前驱体微观结构的方法及系统，首先提取实验过程中不同时刻颗粒的位置坐标信息，然后计算颗粒的微观结构特征，判断颗粒的相位状态，由此构建数据集用于机器学习模型训练与验证，得到可靠度较高的机器学习模型用于单分散颗粒体系结晶相前驱微观结构探测，预测精度高，计算效率高，通过机器学习模型能够自动区别颗粒体系结晶相前驱体结构和无序结构，同时可以将训练好的模型保存并大规模扩展，能够便捷、准确地探测单分散颗粒体系结晶相前驱微观结构和晶核的生成过程。
附图说明
图1为本发明实施例中探测单分散颗粒体系结晶相前驱体微观结构方法的流程图；
图2为本发明实施例中颗粒材料循环剪切数值实验试样图；
图3为本发明实施例中三维Voronoi剖分示意图；
图4为本发明实施例中循环剪切初始时刻(a)和T＝1000时刻(b)颗粒键取向序参数(BOOP)和局部体积分数(φlocal)二维散点图；
图5为本发明实施例中循环剪切不同时刻颗粒试样中结晶相颗粒示意图，其中，(a)对应循环剪切次数为0，(b)对应循环剪切次数为1000，(c)对应循环剪切次数为2000；
图6为本发明实施例中机器学习模型预测准确率示意图；
图7为本发明实施例中T＝2250时刻机器学习模型预测的结晶相前驱体、无序相、结晶相颗粒结构特征区别图，其中，(a)对应分布函数g(r)，(b)对应φlocal、q6二维散点图；
图8为本发明实施例中T＝2250时刻机器学习模型预测的结晶相前驱体、无序相、结晶相颗粒位置关系图，其中，(a)对应q6值灰度图，(b)对应φlocal值灰度图。
具体实施方式
以下结合附图对本发明涉及的探测单分散颗粒体系结晶相前驱体微观结构的方法及系统的具体实施方案进行详细地说明。
<实施例>
如图1所示，本实施例中所提供的基于机器学习探测单分散颗粒体系结晶相前驱体微观结构的方法包括以下步骤：
步骤1.提取实验过程中不同时刻颗粒体系内所有颗粒的位置坐标信息：
本实施例中，使用数值模拟的实验方法做循环剪切实验，数值试样如图2所示。如图2，x方向为剪切方向，在一个剪切周期内，颗粒试样首先向正方向剪切到指定的剪切应变；然后，向负方向剪切并达到相同的负应变；最后，向正方向剪切至恢复初始位置以完成一次剪切循环。
本实施例中，共循环剪切2500次，即初始时刻T＝0，循环结束时刻T＝2500；相应的，共提取2500个不同时刻颗粒体系内所有颗粒的位置坐标信息。
步骤2.计算不同时刻每个颗粒的微观结构特征并进行判断：
本实施例中，对不同时刻的颗粒位置坐标信息，首先通过三维Voronoi剖分获得每个颗粒的邻接颗粒，三维Voronoi剖分示意图如图3所示，通过所有颗粒的位置坐标信息与试样边界条件计算其Voronoi剖分，剖分后每个颗粒由相应的 Voronoi凸多面体所包围，通过Voronoi凸多面体的共面性确定邻接颗粒，从而确定颗粒间的邻接关系，然后通过颗粒间的邻接关系计算颗粒的短程结构特征和中程结构特征，如步骤2-2、2-3，可得每个颗粒共对应特征值90个，保存用于接下来的机器学习模型训练。
然后提取不同时刻每个颗粒的键取向序参数(BOOP)和局部体积分数 (φlocal)，并判断颗粒是否处于结晶相：
本实施例中，共有2500个时刻的颗粒的键取向序参数(BOOP)和局部体积分数(φlocal)。如步骤2-5，当颗粒的局部体积分数φlocal以及l＝6时的键取向序参数q6同时满足公式8和9或同时满足公式8和10时，判断此时该颗粒处于结晶相。如图4所示，为循环剪切初始时刻和T＝1000时颗粒键取向序参数(BOOP)和局部体积分数(φlocal)二维散点图，每个颗粒对应二维散点图上一点，当对应点落于图中方框内时，则此时该颗粒处于结晶相。
本实施例中，图5表示试样分别在循环剪切初始时刻和T＝1000时颗粒试样中结晶相颗粒示意图。图5反映了试样在循环剪切过程中的前后变化，符合一般规律。
步骤3.选取颗粒体系内接近处于结晶相的颗粒与等量处于无序向的颗粒并提取其特征组成机器学习训练数据集：
本实施例中，共有2500个时刻的数据。选取前2000个时刻的数据构造机器学习训练数据集。
本实施例中，取当前时刻为T时刻，获取T时刻试样处于结晶相的颗粒。其中，10≤T≤2000。取时间间隔n*ΔT，获取T-n*ΔT～T时刻试样中处于稳定结晶相的颗粒。其中n取10，即取时间间隔10*ΔT。从T时刻试样处于结晶相的颗粒中剔除T-10*ΔT～T时刻试样中处于稳定结晶相的颗粒，构成颗粒集Set1。随机选取T时刻等量处于无序向的颗粒组成颗粒集Set2。构造数据集时，提取颗粒集Set1中颗粒对应T-10*ΔT时刻结构特征值，如步骤2，特征数目为 90，设标签lable＝1；提取颗粒集Set2中颗粒对应T-10*ΔT时刻结构特征值，如步骤2，特征数目为90，设标签lable＝0。将所选取的结构特征值和标签值存入数据集。
本实施例中，数据集中样本量约为20000个，正负样本数量相等。
步骤4.构造机器学习模型，将数据集划分为训练集、测试集，通过交叉验证优化模型参数，得到最优参数组合并保存模型，通过测试集测试模型可靠度。
本实施例中，使用极端梯度提升机模型(XGBoost)进行机器学习。如步骤 4，读取数据集，进行机器学习模型训练。将数据集划分为训练集Trainset和测试集Testset，其中，Trainset∶Testset＝0.7∶0.3。然后使用训练集数据进行模型优化训练，进行5折交叉验证，并通过网格搜索优化模型参数，选取最优参数组，并保存模型。以AUC-ROC为评价指标，模型在测试集上的准确率为0.994。较高的准确率验证了本方法的有效性和实用性。
步骤5.调用机器学习模型，探测单分散颗粒体系结晶相前驱体微观结构。
本实施例中，分别提取T＝2001～2500时刻颗粒体系内所有颗粒的位置坐标信息并计算此时每个颗粒的结构特征并加载机器学习模型进行预测。如图6所示，为机器学习模型进行500次预测后AUC-ROC的累计概率分布，即准确率维持在 0.90左右。所以，本方法能有效的探测出单分散颗粒体系内结晶相前驱微观结构，并可以大规模扩展。
步骤6.提取无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒，分析其结构特征的区别和三者的相关关系。如图7，左图展示了T＝2250时刻无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒的对分布函数g(r)的区别；右图展示了T＝2250时刻展示了三种类型颗粒在φlocal、q6二维散点图的分布区别。如图8，左图展示了T＝2250时刻试样y＝0处平面切片的q6值灰度图，其中实心圆表示结晶相颗粒位置，空心圆表示结晶相前驱体颗粒坐标位置；右图展示了T＝2250时刻试样y＝0处平面切片的φlocal值灰度图，其中实心圆表示结晶相颗粒位置，空心圆表示结晶相前驱体颗粒坐标位置。如图7、8，使用机器学习模型探测出的结晶相前驱体颗粒在特征上处于无序相和结晶相之间，以一种中间状态的形式存在。这印证了机器学习模型的准确性，同时，训练好的机器学习模型也具有便于扩展，可大规模计算的特点。
进一步，本实施例还提供了一种能够自动实现以上基于机器学习探测单分散颗粒体系结晶相前驱体微观结构方法的系统。具体地，该系统包括：颗粒位置获取部、结构特征计算部、结晶相判断部、训练集获取部、机器学习模型构造部、探测分析部、输入显示部以及控制部。
颗粒位置获取部按照步骤1所描述的方法获取剪切实验过程中不同时刻单分散颗粒体系内所有颗粒的位置坐标信息。
结构特征计算部与颗粒位置获取部通信相连，按照步骤2所描述的方法计算不同时刻每个颗粒的微观结构特征。
结晶相判断部与结构特征计算部通信相连，基于结构特征计算部计算的结构特征，按照步骤2所描述的方法获取所有颗粒的键取向序参数q6和局部体积分数φlocal，根据键取向序参数q6和局部体积分数φlocal判断颗粒在某时刻是否处于结晶相。
训练集获取部与颗粒位置获取部、结构特征计算部、结晶相判断部均通信相连，按照步骤3所描述的方法选取颗粒体系内接近处于结晶相的颗粒与等量处于无序向的颗粒并提取其特征组成机器学习数据集。
机器学习模型构造部，与训练集获取部通信相连，按照步骤4所描述的方法将数据集划分为训练集、验证集和测试集，通过交叉验证优化模型参数，得到最优参数组合并保存模型，得到机器学习模型。
探测分析部与机器学习模型构造部通信相连，按照步骤5所描述的方法调用机器学习模型，探测单分散颗粒体系结晶相前驱体微观结构；并按照步骤6所描述的方法提取无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒，分析其结构特征的区别和三者的相关关系，以了解颗粒材料相位转变中的结晶动力学行为。
输入显示部与颗粒位置获取部、结构特征计算部、结晶相判断部、训练集获取部、机器学习模型构造部、探测分析部均通信相连，根据根据输入的指令，对颗粒位置获取部、结构特征计算部、结晶相判断部、训练集获取部、机器学习模型构造部、探测分析部的数据进行相应显示。
控制部与颗粒位置获取部、结构特征计算部、结晶相判断部、训练集获取部、机器学习模型构造部、探测分析部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的探测单分散颗粒体系结晶相前驱体微观结构的方法及系统并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。

Claims (6)

1.探测单分散颗粒体系结晶相前驱体微观结构的方法，其特征在于，包括以下步骤：
步骤1.获取剪切实验过程中不同时刻单分散颗粒体系内所有颗粒的位置坐标信息；
步骤2.计算不同时刻每个颗粒的微观结构特征，使用键取向序参数和局部体积分数判断颗粒在某时刻是否处于结晶相；
步骤2-1.基于所有颗粒的位置坐标信息，判断每个颗粒的邻接颗粒；
通过Voronoi剖分确定颗粒的邻接颗粒时，剔除Voronoi凸多面体中对应邻接平面面积小于所有邻接平面平均面积的5％的平面所对应的邻接颗粒；
步骤2-2.基于颗粒的邻接网络计算颗粒的短程结构特征，包括：
(a)配位数；
(b)局部体积分数：
Figure FDA0003714241790000011
公式1中，φlocal表示局部体积分数；Vsphere表示颗粒的体积；Vcell表示Voronoi凸多面体的体积；
(c)Voronoiidxi
Voronoiidxi表示该颗粒对应Voronoi凸多面体中含有i条边的面的数目，其中3≤i≤7；
(d)键取向序参数：
Figure FDA0003714241790000021
Figure FDA0003714241790000022
Figure FDA0003714241790000023
公式2中，qlm(i)表示颗粒i的局部张量键取向序参数；Ni表示颗粒i的邻接颗粒数目；j表示颗粒i的某个邻接颗粒j；
Figure FDA0003714241790000024
表示球面谐波函数；θij,
Figure FDA0003714241790000025
分别表示空间向量ij在球坐标系中的极角和方位角；l＝2,4,6,8,10；
公式3中，ql(i)表示qlm(i)的二阶旋转不变量；-l≤m≤l；l＝2,4,6,8,10；
公式4中，wl(i)表示qlm(i)的三阶旋转不变量；-l≤m1,m2,m3≤l；l＝2,4,6,8,10；
(e)基于闵可夫斯基张量的各向异性系数：
Figure FDA0003714241790000026
β＝|μmin/μmax| (6)
式中，n(r)表示Voronoi凸多面体表面法向量；S表示沿表面积分；
Figure FDA0003714241790000027
表示积分求得的三阶闵可夫斯基张量；μmin、μmax分别表示闵可夫斯基张量
Figure FDA0003714241790000028
的最小和最大特征值；β表示Voronoi凸多面体的各向异性系数；
步骤2-3.采用如下公式计算所有颗粒的中程结构序特征；
Figure FDA0003714241790000031
式中，i表示颗粒i；N(i)表示颗粒i的邻接颗粒；F表示用于当前计算的某类短程结构序特征；Stats函数表示对括号中的值分别进行平均值、最小值、最大值和标准差的统计汇总；步骤2-4.提取所有颗粒的键取向序参数q6和局部体积分数φlocal；
对单个颗粒做如下判断：
φlocal≥0.72 (8)
0.465≤q6≤0.505 (9)
0.555≤q6≤0.595 (10)
当该颗粒的局部体积分数φlocal以及l＝6时的键取向序参数q6同时满足公式8和9或同时满足公式8和10时，判断此时该颗粒处于结晶相；
步骤2-5.基于键取向序参数q6和局部体积分数φlocal判断颗粒是否处于结晶相；
步骤3.选取颗粒体系内接近处于结晶相的颗粒与等量处于无序向的颗粒并提取其特征组成机器学习数据集；
步骤4.构造机器学习模型，将数据集划分为训练集、验证集和测试集，通过交叉验证优化模型参数，得到最优参数组合并保存模型；
步骤5.调用机器学习模型，探测单分散颗粒体系结晶相前驱体微观结构；
步骤6.提取无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒，分析其结构特征的区别和三者的相关关系，以了解颗粒材料相位转变中的结晶动力学行为。
2.根据权利要求1所述的探测单分散颗粒体系结晶相前驱体微观结构的方法，其特征在于：
其中，在步骤1中，采用物理试验或数值模拟方式获取颗粒的位置坐标信息；
对于物理试验，是通过CT扫描或高速摄像机获取剪切实验过程中颗粒的位置坐标信息；
对于数值模拟，首先根据待测单分散颗粒体系的真实性能参数构建数值模型，然后进行数值模拟剪切实验，直接输出颗粒的位置坐标信息。
3.根据权利要求1所述的探测单分散颗粒体系结晶相前驱体微观结构的方法，其特征在于：
其中，步骤3包括以下子步骤：
步骤3-1.取当前时刻为T时刻，获取T时刻处于结晶相的颗粒；
步骤3-2.取时间间隔n*ΔT，获取T-n*ΔT～T时刻处于稳定结晶相的颗粒；
根据颗粒在T-n*ΔT～T时刻内的局部体积分数的平均值
Figure FDA0003714241790000051
以及l＝6时的键取向序参数的平均值
Figure FDA0003714241790000052
进行判断，当
Figure FDA0003714241790000053
同时满足公式8和9或同时满足公式8和10时，判断此时该颗粒处于稳定结晶相；
步骤3-3.从T时刻处于结晶相的颗粒中剔除T-n*ΔT～T时刻处于稳定结晶相的颗粒，构成颗粒集Set1；
步骤3-4.随机选取T时刻等量处于无序向的颗粒组成颗粒集Set2；
步骤3-5.构造数据集
提取颗粒集Set1中颗粒对应T-n*ΔT时刻的结构特征值，并设置相应标签值；提取颗粒集Set2中颗粒对应T-n*ΔT时刻的结构特征值，并设置相应标签值；将所选取的结构特征值和标签值存入数据集。
4.根据权利要求1所述的探测单分散颗粒体系结晶相前驱体微观结构的方法，其特征在于：
其中，步骤4包含以下子步骤：
步骤4-1.构造机器学习模型
步骤4-2.选取步骤3-5中构造的数据集，进行机器学习模型训练：
步骤4-2-1.将数据集划分为训练集Trainset和测试集Testset，其中，Trainset:Testset＝0.7:0.3；
步骤4-2-2.使用训练集数据进行模型优化训练，进行5折交叉验证，并通过网格搜索优化模型参数，选取最优参数组，保存模型。
5.根据权利要求1所述的探测单分散颗粒体系结晶相前驱体微观结构的方法，其特征在于：
其中，步骤5包含以下子步骤：
步骤5-1.根据步骤1和2所描述的方法，提取待预测时刻颗粒体系内所有颗粒的位置坐标信息并计算此时每个颗粒的微观结构特征；
步骤5-2.加载机器学习模型，输入特征值，输出预测结果，若预测结果与颗粒集Set1对应的标签值相同，则判断该颗粒此时为结晶相前驱体微观结构状态；
在步骤6中，对某时刻颗粒体系，通过机器学习模型探测其中的结晶相前驱体颗粒，然后，提取一定数量的无序相、结晶相和结晶相前驱体颗粒，分析其对分布函数g(r)，分析其键取向参数q6和局部体积分数φlocal的分布，分析其空间位置关系，以深入了解颗粒材料相位转变中的结晶动力学行为。
6.采用权利要求1至5中任意一项所述的探测单分散颗粒体系结晶相前驱体微观结构的方法的系统，其特征在于，包括：
颗粒位置获取部，获取剪切实验过程中不同时刻单分散颗粒体系内所有颗粒的位置坐标信息；
结构特征计算部，与所述颗粒位置获取部通信相连，计算不同时刻每个颗粒的微观结构特征：基于所有颗粒的位置坐标信息，判断每个颗粒的邻接颗粒；基于颗粒的邻接网络计算颗粒的短程结构特征；计算颗粒的中程结构序特征；
结晶相判断部，与所述结构特征计算部通信相连，基于结构特征计算部计算的结构特征，获取所有颗粒的键取向序参数q6和局部体积分数φlocal，根据键取向序参数q6和局部体积分数φlocal判断颗粒在某时刻是否处于结晶相；
训练集获取部，与所述颗粒位置获取部、所述结构特征计算部、所述结晶相判断部均通信相连，选取颗粒体系内接近处于结晶相的颗粒与等量处于无序向的颗粒并提取其特征组成机器学习数据集；
机器学习模型构造部，与所述训练集获取部通信相连，将数据集划分为训练集、验证集和测试集，通过交叉验证优化模型参数，得到最优参数组合并保存模型，得到机器学习模型；以及
探测分析部，与所述机器学习模型构造部通信相连，调用机器学习模型，探测单分散颗粒体系结晶相前驱体微观结构；提取无序相、结晶相和机器学习模型探测出的结晶相前驱体颗粒，分析其结构特征的区别和三者的相关关系，以了解颗粒材料相位转变中的结晶动力学行为。
CN202011295201.0A 2020-11-18 2020-11-18 探测单分散颗粒体系结晶相前驱体微观结构的方法及系统 Active CN112287563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011295201.0A CN112287563B (zh) 2020-11-18 2020-11-18 探测单分散颗粒体系结晶相前驱体微观结构的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011295201.0A CN112287563B (zh) 2020-11-18 2020-11-18 探测单分散颗粒体系结晶相前驱体微观结构的方法及系统

Publications (2)

Publication Number Publication Date
CN112287563A CN112287563A (zh) 2021-01-29
CN112287563B true CN112287563B (zh) 2022-08-16

Family

ID=74398822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011295201.0A Active CN112287563B (zh) 2020-11-18 2020-11-18 探测单分散颗粒体系结晶相前驱体微观结构的方法及系统

Country Status (1)

Country Link
CN (1) CN112287563B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115711836A (zh) * 2022-11-17 2023-02-24 上海勘测设计研究院有限公司 扫描粒径级配方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105378453A (zh) * 2012-12-19 2016-03-02 皇家飞利浦有限公司 用于流体样本中的颗粒的分类的系统和方法
CN110069844A (zh) * 2019-04-15 2019-07-30 武汉大学 一种考虑岩石结构特征和矿物组成的细观数值模型生成方法
JP2020135762A (ja) * 2019-02-25 2020-08-31 横浜ゴム株式会社 材料の解析方法及び材料の解析用コンピュータプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105378453A (zh) * 2012-12-19 2016-03-02 皇家飞利浦有限公司 用于流体样本中的颗粒的分类的系统和方法
JP2020135762A (ja) * 2019-02-25 2020-08-31 横浜ゴム株式会社 材料の解析方法及び材料の解析用コンピュータプログラム
CN110069844A (zh) * 2019-04-15 2019-07-30 武汉大学 一种考虑岩石结构特征和矿物组成的细观数值模型生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Machine-learning approach for local classification of crystalline structures in multiphase systems;C. Dietz, T. Kretz等;《PHYSICAL REVIEW E》;20170719;第1-5页 *
Predicting the crystalline phase generation effectively in monosized granular matter using machine learning;Yibo Zhang等;《Granular Matter》;20211201;第1-18页 *

Also Published As

Publication number Publication date
CN112287563A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
Mangal et al. Applied machine learning to predict stress hotspots I: Face centered cubic materials
You et al. Discrete element modelling of ellipsoidal particles using super-ellipsoids and multi-spheres: A comparative study
Bock et al. A review of the application of machine learning and data mining approaches in continuum materials mechanics
Richter et al. Development of a standard calibration procedure for the DEM parameters of cohesionless bulk materials–Part II: Efficient optimization-based calibration
Zhang et al. A novel deep learning-based modelling strategy from image of particles to mechanical properties for granular materials with CNN and BiLSTM
Boukouvala et al. Reduced-order discrete element method modeling
CN108900546A (zh) 基于lstm的时间序列网络异常检测的方法与装置
CN106575320A (zh) 结合亲和力预测系统和方法
Bonassi et al. Bayesian learning from marginal data in bionetwork models
Zhang et al. Construction of poly-ellipsoidal grain shapes from SMT imaging on sand, and the development of a new DEM contact detection algorithm
CN110909488A (zh) 一种高效边坡可靠度分析方法
AU2010328576B2 (en) System and method for lacunarity analysis
CN112287563B (zh) 探测单分散颗粒体系结晶相前驱体微观结构的方法及系统
Jeon et al. Development of surrogate model using CFD and deep neural networks to optimize gas detector layout
JP2020144626A (ja) 異常検出システム、及び異常検出プログラム
CN113496260B (zh) 基于改进YOLOv3算法的粮库人员不规范作业检测法
CN114566052A (zh) 一种基于车流方向判别高速公路车流监控设备转动的方法
CN117077455B (zh) 一种基于数字孪生技术的大件物流仿真方法与系统
CN117113162B (zh) 一种融合机器学习的埃达克质岩构造背景判别图解方法
Su et al. Geometric computation based assembly sequencing and evaluating in terms of assembly angle, direction, reorientation, and stability
WO2023218074A1 (en) Training method for training a machine learning algorithm, segmentation method, computer program product and segmentation device
US20240019845A1 (en) High throughput screening
Frery et al. Stochastic particle packing with specified granulometry and porosity
US7895021B1 (en) Method of sensor disposition
Allinson et al. SOM-based exploratory analysis of gene expression data

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