CN112634999B - 一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 - Google Patents
一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 Download PDFInfo
- Publication number
- CN112634999B CN112634999B CN202011375085.3A CN202011375085A CN112634999B CN 112634999 B CN112634999 B CN 112634999B CN 202011375085 A CN202011375085 A CN 202011375085A CN 112634999 B CN112634999 B CN 112634999B
- Authority
- CN
- China
- Prior art keywords
- data
- micropattern
- model
- experimental
- machine learning
- 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
- 239000002071 nanotube Substances 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 title claims abstract description 16
- 239000004408 titanium dioxide Substances 0.000 title claims abstract description 7
- 238000002474 experimental method Methods 0.000 claims abstract description 19
- 229910010413 TiO 2 Inorganic materials 0.000 claims abstract description 14
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 claims abstract description 12
- 230000003647 oxidation Effects 0.000 claims abstract description 5
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims abstract description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 33
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 239000010936 titanium Substances 0.000 claims description 24
- 229910052719 titanium Inorganic materials 0.000 claims description 24
- 238000002360 preparation method Methods 0.000 claims description 22
- 239000008367 deionised water Substances 0.000 claims description 16
- 229910021641 deionized water Inorganic materials 0.000 claims description 16
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- DDFHBQSCUXNBSA-UHFFFAOYSA-N 5-(5-carboxythiophen-2-yl)thiophene-2-carboxylic acid Chemical compound S1C(C(=O)O)=CC=C1C1=CC=C(C(O)=O)S1 DDFHBQSCUXNBSA-UHFFFAOYSA-N 0.000 claims description 11
- 238000003487 electrochemical reaction Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 239000003792 electrolyte Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 229910052697 platinum Inorganic materials 0.000 claims description 7
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000035484 reaction time Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000059 patterning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000006056 electrooxidation reaction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 229910052751 metal Inorganic materials 0.000 claims description 2
- 239000002184 metal Substances 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000012958 reprocessing Methods 0.000 claims description 2
- 230000000153 supplemental effect Effects 0.000 claims 2
- 239000000463 material Substances 0.000 abstract description 13
- 238000013461 design Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 18
- 238000012549 training Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000002848 electrochemical method Methods 0.000 description 2
- 230000005518 electrochemistry Effects 0.000 description 2
- 239000008151 electrolyte solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 239000004642 Polyimide Substances 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000013537 high throughput screening Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920001721 polyimide Polymers 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000000263 scanning probe lithography Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002174 soft lithography Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D11/00—Electrolytic coating by surface reaction, i.e. forming conversion layers
- C25D11/02—Anodisation
- C25D11/26—Anodisation of refractory metals or alloys based thereon
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Inorganic Compounds Of Heavy Metals (AREA)
- Carbon And Carbon Compounds (AREA)
Abstract
一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法，涉及梯度TiO2纳米管微图案制备。1)设定相关实验条件制备TiO2纳米管微图案并进行表征，获取实验数据；2)所得实验数据预处理及机器学习建模；3)机器学习模型进行预测并推荐优化实验方案；4)实验验证预测结果，并补充数据，迭代步骤1)～4)。能自动化的实现扩充样本数据、自我学习、自动训练出满足预设精度的模型；自动构建预测材料“参数‑结构‑性质”主动学习框架，实现材料智能生成和材料逆向设计。能在较少的实验条件下寻得氟化铵/水/丙三醇体系下利用双极氧化法一步制备得到的最大梯度范围的TiO2纳米管微图案样品及其实验条件。操作简单方便、操作耗时短。
Description
技术领域
本发明涉及梯度TiO2纳米管微图案制备，尤其是涉及一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法。
背景技术
微图案化技术可将具有不同特性的各种材料微型化并整合到一个样品平台中，这些微图案平台可用于以更少的样品和更高的效率对生物材料进行高通量筛选。流行的微图案化技术包括软光刻、光刻、喷射图案化、扫描探针光刻、激光制图、双极电化学等。在所有微图案化技术中，双极电化学最为简易，已被广泛用于构建化学/结构梯度微图案。
通过双极电化学方法构建梯度TiO2纳米管，以高通量筛选应用于不同领域的最优的纳米管直径，但如何快速获得直径范围最广的TiO2纳米管微图案，是目前一个挑战。与传统的数据分析方法相比，机器学习可以从数据中抽象并构建有意义的数学模型，作为机器学习的一种特殊应用，“主动学习”主动选择要从中学习的数据样本，以解决数据集标签的问题。通过“主动学习”，只需要标记整个数据集中信息最丰富的子集，采用迭代过程来提高模型的准确性。它在初始数据子集上训练模型，并根据本轮评估结果在下一轮查询更多数据标签。本发明在一种改进型梯度TiO2纳米管微图案制备方法的基础上，引入主动学习框架，应用机器学习方法来限制实验边界条件，并拟合实验条件以推荐更优的实验方案，加速找到可获得直径梯度范围最广的TiO2纳米管微图案的制备方案。
发明内容
本发明的目的在于提供主动学习的方法协助结构梯度变化的一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法。
本发明包括以下步骤：
1)设定相关实验条件制备TiO2纳米管微图案并进行表征，获取实验数据；
2)所得实验数据预处理及机器学习建模；
3)机器学习模型进行预测并推荐优化实验方案；
4)实验验证预测结果，并补充数据，迭代步骤1)～4)。
在步骤1)中，所述制备TiO2纳米管微图案并进行表征的步骤可为：
步骤1.1钛电极表面预处理：所述钛电极表面预处理方法为超声清洗钛电极，清洗液包括丙酮、去离子水、乙醇，各清洗20min后干燥，并裁剪成所需尺寸待用；
步骤1.2配制电解液：所述配制电解液的方法为：将氟化铵、去离子水和丙三醇混合，三者的配比可为氟化铵0.45％～1.1％、去离子水5％～20％，余量为丙三醇，总量为100％，其中氟化铵按质量计算，去离子水和丙三醇按体积计算；
步骤1.3设置电解槽、通用电极和外置循环水冷装置：所述电解槽可固定相距4cm的双电极，可在双电极之间水平固定钛电极，阳极和阴极均为大面积铂电极；将整个电解槽置于水冷装置中进行反应；
步骤1.4设置钛电极：所述钛电极为尺寸为38mm×10mm的金属钛片，将其水平固定在双电极之间，相距两铂电极各1mm；
步骤1.5电化学反应以得到结构梯度变化的TiO2纳米管微图案：所述电化学反应处理的方法为：采用双极电化学氧化法，反应温度为10～20℃，反应时间为1.5～10h，辅加搅拌转子转速为300～1000rpm；电化学反应结束后取出钛电极，用去离子水清洗，干燥后即得结构梯度变化的TiO2纳米管微图案；所述电化学反应可采用恒电压模式，可设定的阳极电压范围为140～210V；所述电化学反应为在钛电极上同时进行氧化和还原反应。
步骤1.6所得样品通过扫描电镜SEM表征，获得样品SEM正面图，测量并统计表征数据。
在步骤2)中，所述实验数据预处理可分为：
步骤2.1：对实验数据进行预标注处理，根据样品制备是否有形成梯度纳米管，对该反应条件进行“0”和“1”值的标定，“0”为负例，表示样品制备异常未获得梯度纳米管，“1”为正例，表示样品制备正常并获得梯度纳米管；对样品制备成功标定为“1”的实验数据进行数据再处理，再标定上SEM表征得到的管径数据；
步骤2.2：运用不同的分类算法对上述预标注后的特征数据进行分类处理，并评估不同分类算法的准确性；运用不同的回归算法对再标定后的特征数据进行回归处理，并评估不同回归算法的准确性；准确性的评估准则可选择：准确率、召回率、F1值、ROC曲线等；进一步的，准确性的评估准则可选择：平均绝对误差(MAE)、R-squared等。
步骤2.3：基于评估指标选择准确性高的分类和回归算法用于建模；所述建模包括线性模型、多项式模型、决策树模型、支持向量机模型、GBDT模型和神经网络模型。
在步骤3)中，所述机器学习模型进行预测并推荐优化实验方案，利用这一轮初始数据子集上训练得到的模型，预测下一轮实验结果，基于所得到的数据和模型，对所有可能的正交实验进行网格搜索，针对性的推荐最佳实验条件进行实验。
在步骤4)中，所述实验验证预测结果，并补充数据具体是基于步骤3)推荐的最佳实验条件，根据步骤1)的制备方法，重新进行实验并补充数据集，一为验证预测结果准确性，二为补充数据集，迭代步骤1～4，直至预测结果达到预期值或达瓶颈值。
本发明所构筑的TiO2纳米管微图案是采用双极氧化法通过选用相应的电解液配方和控制电化学参数获得的，有如下特征：
(1)制得的TiO2纳米管阵列形状规则排列紧密；
(2)制得的样品为TiO2纳米管尺寸梯度变化(直径20～470nm)的微图案样品。
与现有技术相比，本发明具有以下突出的优点和技术效果：
1、本发明能够自动化的实现扩充样本数据、自我学习、自动训练出满足预设精度的模型；而且从材料基因工程和材料信息学角度，目前在材料科学中已广泛应用机器学习、大数据分析技术开展新材料研发，与传统的物理/材料模型相比，本发明的显著特点：循环学习，提出了一种能自动构建预测材料“参数-结构-性质”主动学习框架，实现了材料智能生成和材料逆向设计。
2、本发明能在较少的实验条件下寻得氟化铵/水/丙三醇体系下利用双极氧化法一步制备得到的最大梯度范围的TiO2纳米管微图案样品及其实验条件。
3、本发明具有操作简单方便、操作耗时短、制备过程成本低廉、易于实现、易于控制等优点。
附图说明
图1为本发明实施例的流程图。
图2为实施例3制备的微图案样品结构示意图。
图3为实施例3制备的微图案样品最小管径区域(图3a)、中间管径区域(图3b)和最大管径区域(图3c)的SEM正面图(放大倍数为5万倍)。在图3中，标尺为200nm。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下实施例将结合附图对本发明作进一步的说明。
实施例1
应用一种基于主动学习的算法来搜索边界条件并最大化TiO2纳米管微图案的直径范围。在从双极电化学实验中收集少量数据集后，机器学习算法建立一个学习模型并预测了最佳结果。然后，通过实验对预测进行测试，新结果更新下一个主动学习循环的训练数据集。如图1所示，每个主动学习循环包括四个步骤：(1)从实验中获取原始数据；(2)用分类模型定义有效数据边界；(3)数据分析/回归和预测；(4)使用网格搜索的最佳实验参数搜索和预测。
首先我们先通过一定量的实验，积累原始数据。其中原始数据中，特征值主要包括制备过程中具体参数的：电压、反应时间、水浴温度、电解质含量(氟化铵、丙三醇、去离子水)、转速(反应时通过转子带动电解质的搅拌)。所有特征值均具化提取为数值，电压范围为140～210V；反应时间范围为1.5～10h；水浴温度范围为10～20℃；电解质含量为氟化铵0.45％～1.1％、去离子水5％～20％和余量的丙三醇，总量为100％；转速范围为300～1000rpm。原始数据中标签值为，为制得的梯度TiO2纳米管样品在SEM表征下得到的最大管径值。
具体的，某些条件下，如温度、电压过高或反应时间过长会导致样品制备失败(样品烧坏)，根据样品制备是否有形成梯度纳米管，对该反应条件进行“0”和“1”值的标定，“0”为负例，表示样品制备异常未获得梯度纳米管，“1”为正例，表示样品制备正常并获得梯度纳米管，随后建模通过分类模型定义有效数据边界。
通过数据筛选，制备成功且具有真实标签值(最大管径)的样品数据将被用于回归模型进行拟合，基于所得到的数据和模型，对所有可能的正交实验进行网格搜索，针对性的推荐最佳实验条件进行实验。实验再次得到新一轮数据，补充数据集并循环学习过程。
实施例2
在实施例1的主动学习框架中，分别训练生成不同的分类和回归模型，可选的模型包括线性模型、多项式模型、决策树模型、支持向量机模型、GBDT模型或神经网络模型。最后分别选择准确度最高的模型，决策树用于分类，GBRT(GBDT用于回归算法时)用于回归处理。所选模型基于Python、Scikit-learning、xgboost、TensorFlow等计算机编程语言建立并储存在一个或多个计算机储存介质中。决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。在本实施例中，机器学习模型的决策树的特征选择标准为gini指数，最大深度为4，叶节点最小样本数为2。GBRT既为梯度下降回归树，它通过多轮迭代,每轮迭代产生一个弱回归器，每个分类器在上一轮回归器的残差基础上进行训练，最终得到所需强回归器。在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一。在本实施例中，机器学习模型的GBRT模型包括73个基回归器，最大深度为3，学习率为0.13，有效的保证了机器学习模型的判断精度。
实施例3
将厚度为0.1mm，纯度为99.6％的钛箔切成38mm×10mm的形状，然后用超声波清洗机按丙酮、去离子水和乙醇的顺序各洗涤20min。然后将钛箔放置于空气中干燥。根据机器主动学习推荐的最佳方案，应用双极电化学阳极氧化法制备TiO2纳米管微图案。配制120mL电解质溶液，该溶液含有0.75wt％氟化铵、10v％去离子水和90v％丙三醇，搅拌均匀制得电解质溶液。用耐高温的聚酰亚胺胶带将钛片固定在步骤1.3所描述的电解槽内(两铂电极之间)，金属钛边缘与两铂电极相距1mm。将恒压电源正负极分别连接装置的两铂电极片输出160V电压，反应装置置于19℃水浴恒温循环水箱中，反应时间为5h，搅拌子转速为300rpm。通过SEM可以观察到外观形貌规则的TiO2纳米管微图案，管径变化范围为20～470nm。如图2和3所示，所得二氧化钛纳米管的直径有很大的变化范围，最小约20nm，最大约470nm。
在应用双极电化学法制备具有所需特性的化学/结构梯度微图案时，关键在于平衡相关的实验参数。因此，本发明建立了一个主动学习框架，先利用机器学习分类算法界定实验边界条件，再利用回归算法拟合推荐更佳的实验方案，以最快获得梯度范围最广的TiO2纳米管微图案。从少量数据集开始，建立一个预测最佳结果的学习模型。实验验证预测结果并更新训练数据集以用于下一个学习循环。经过几次迭代，获得直径范围最广的TiO2纳米管微图案(20～470nm)。结果表明，机器学习算法为指导材料设计/优化中的实验提供了最佳方案，加速了材料优化过程。
Claims (2)
1.一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法，其特征在于包括以下步骤：
1）设定相关实验条件制备TiO2纳米管微图案并进行表征，获取实验数据；
所述制备TiO2纳米管微图案并进行表征的步骤为：
步骤1.1钛电极表面预处理：所述钛电极表面预处理方法为超声清洗钛电极，清洗液包括丙酮、去离子水、乙醇，各清洗20 min后干燥，并裁剪成所需尺寸待用；
步骤1.2配制电解液：所述配制电解液的方法为：将氟化铵、去离子水和丙三醇混合，三者的配比为氟化铵0.45％～1.1％、去离子水5％～20％，余量为丙三醇，总量为100％，其中氟化铵按质量计算，去离子水和丙三醇按体积计算；
步骤1.3设置电解槽、通用电极和外置循环水冷装置：所述电解槽固定相距4 cm的双电极，是在双电极之间水平固定钛电极，阳极和阴极均为大面积铂电极；将整个电解槽置于水冷装置中进行反应；
步骤1.4设置钛电极：所述钛电极为尺寸为38 mm× 10 mm的金属钛片，将其水平固定在双电极之间，相距两铂电极各1 mm；
步骤1.5电化学反应以得到结构梯度变化的TiO2纳米管微图案：所述电化学反应处理的方法为：采用双极电化学氧化法，反应温度为10～20℃，反应时间为1.5～10 h，辅加搅拌转子转速为300～1000 rpm；电化学反应结束后取出钛电极，用去离子水清洗，干燥后即得结构梯度变化的TiO2纳米管微图案；所述电化学反应采用恒电压模式，设定的阳极电压范围为140～210 V；所述电化学反应为在钛电极上同时进行氧化和还原反应；
步骤1.6所得样品通过扫描电镜SEM表征，获得样品SEM正面图，测量并统计表征数据；
2）所得实验数据预处理及机器学习建模；
所述实验数据预处理分为：
步骤2.1：对实验数据进行预标注处理，根据样品制备是否有形成梯度纳米管，进行“0”和“1”值的标定，“0”为负例，表示样品制备异常未获得梯度纳米管，“1”为正例，表示样品制备正常并获得梯度纳米管；对样品制备成功标定为“1”的实验数据进行数据再处理，再标定上SEM表征得到的管径数据；
步骤2.2：运用不同的分类算法对上述预标注后的特征数据进行分类处理，并评估不同分类算法的准确性；运用不同的回归算法对再标定后的特征数据进行回归处理，并评估不同回归算法的准确性；准确性的评估准则选择：准确率、召回率、F1值、ROC曲线；进一步的，准确性的评估准则选择：平均绝对误差、R-squared；
步骤2.3：基于评估指标选择准确性高的分类和回归算法用于建模；所述建模包括线性模型、多项式模型、决策树模型、支持向量机模型、GBDT模型和神经网络模型；
3）机器学习模型进行预测并推荐优化实验方案；
所述机器学习模型进行预测并推荐优化实验方案，利用这一轮初始数据子集上训练得到的模型，预测下一轮实验结果，基于所得到的数据和模型，对所有可能的正交实验进行网格搜索，针对性的推荐最佳实验条件进行实验；
4）实验验证预测结果，并补充数据，迭代步骤1）～4）。
2.如权利要求1所述一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法，其特征在于在步骤4）中，所述实验验证预测结果，并补充数据具体是基于步骤3）推荐的最佳实验条件，根据步骤1）的制备方法，重新进行实验并补充数据集，一为验证预测结果准确性，二为补充数据集，迭代步骤1）～4），直至预测结果达到预期值或达瓶颈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375085.3A CN112634999B (zh) | 2020-11-30 | 2020-11-30 | 一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375085.3A CN112634999B (zh) | 2020-11-30 | 2020-11-30 | 一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112634999A CN112634999A (zh) | 2021-04-09 |
| CN112634999B true CN112634999B (zh) | 2024-03-26 |
Family
ID=75306836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011375085.3A Active CN112634999B (zh) | 2020-11-30 | 2020-11-30 | 一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634999B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113312807B (zh) * | 2021-07-30 | 2021-11-02 | 南栖仙策(南京)科技有限公司 | 一种基于锂电池性能模拟环境的电解液配方推荐方法 |
| WO2023097644A1 (zh) * | 2021-12-03 | 2023-06-08 | 深圳先进技术研究院 | 机器人辅助纳米晶热力学形貌控制机制的数字化可控合成方法 |
| CN116242899B (zh) * | 2022-09-05 | 2023-08-15 | 广东中拓华盛信息科技有限公司 | 一种基于机器学习校准电极法水质检测结果的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295852A (zh) * | 2016-07-28 | 2017-01-04 | 大连民族大学 | 聚酰亚胺基纳米复合薄膜击穿场强预测模型及其构建方法和应用 |
| CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
| CN107014876A (zh) * | 2017-03-21 | 2017-08-04 | 浙江大学 | 一种基于金属纳米复合材料修饰电极阵列的黄酒地域鉴别方法 |
| CN107014878A (zh) * | 2017-03-21 | 2017-08-04 | 浙江大学 | 一种碳纳米材料修饰的泡沫镍电极的制备方法以及应用 |
| CN108118379A (zh) * | 2017-12-30 | 2018-06-05 | 厦门大学 | 结构梯度变化的TiO2纳米管微图案的制备方法 |
| CN109267137A (zh) * | 2018-10-12 | 2019-01-25 | 厦门大学 | 一种医用钛表面梯度纳米银的制备方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11625761B2 (en) * | 2007-09-06 | 2023-04-11 | Mohammad A. Mazed | System and method for machine learning and augmented reality based user application |
-
2020
- 2020-11-30 CN CN202011375085.3A patent/CN112634999B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
| CN106295852A (zh) * | 2016-07-28 | 2017-01-04 | 大连民族大学 | 聚酰亚胺基纳米复合薄膜击穿场强预测模型及其构建方法和应用 |
| CN107014876A (zh) * | 2017-03-21 | 2017-08-04 | 浙江大学 | 一种基于金属纳米复合材料修饰电极阵列的黄酒地域鉴别方法 |
| CN107014878A (zh) * | 2017-03-21 | 2017-08-04 | 浙江大学 | 一种碳纳米材料修饰的泡沫镍电极的制备方法以及应用 |
| CN108118379A (zh) * | 2017-12-30 | 2018-06-05 | 厦门大学 | 结构梯度变化的TiO2纳米管微图案的制备方法 |
| CN109267137A (zh) * | 2018-10-12 | 2019-01-25 | 厦门大学 | 一种医用钛表面梯度纳米银的制备方法 |
Non-Patent Citations (5)
| Title |
|---|
| A property-oriented design strategy for high performance copper alloys via machine learning;Changsheng Wang.et al;《npj computational materials 》;20191231;全文 * |
| Training single walled carbon nanotube based materials to perform computation;Qaiser.et al;《 University of Durham》;20181231;全文 * |
| 一种深度梯度提升回归预测模型;曲文龙等;《计算机应用与软件》;20200910(第09期);全文 * |
| 基于改进型Retinex理论和稀疏表示的人脸识别技术;杨琴;《信息与电脑(理论版)》;20161123(第22期);全文 * |
| 基于时序信息建模的有丝分裂事件检测方法研究;程会云;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190415;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112634999A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112634999B (zh) | 一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 | |
| US10957419B2 (en) | Method and apparatus for new material discovery using machine learning on targeted physical property | |
| CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
| CN112382352A (zh) | 基于机器学习的金属有机骨架材料结构特征快速评估方法 | |
| WO2015184729A1 (en) | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms | |
| JP7197323B2 (ja) | バッテリーセルフォーメーションおよびサイクリング手順の自律的スクリーニングおよび最適化 | |
| CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
| WO2011135410A1 (en) | Optimization technique using evolutionary algorithms | |
| Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
| CN110929451A (zh) | 一种燃料电池单体电压一致性预测方法 | |
| CN112508442A (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
| CN113031553B (zh) | 一种基于自动聚类结合偏最小二乘的间歇过程质量预测方法 | |
| CN106156805A (zh) | 一种样本标签缺失数据的分类器训练方法 | |
| CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
| CN113673679A (zh) | 一种基于粒子群优化神经网络的烘丝工艺参数选取方法 | |
| CN117949832B (zh) | 一种基于优化神经网络的电池soh分析方法 | |
| Guo et al. | Semi-supervised learning for explainable few-shot battery lifetime prediction | |
| CN110491443B (zh) | 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法 | |
| CN110059342B (zh) | 一种锂离子电池p2d模型的参数估计方法 | |
| Wang et al. | Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering | |
| Shahzad et al. | Accelerating materials discovery: combinatorial synthesis, high-throughput characterization, and computational advances | |
| CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
| CN113723536B (zh) | 一种电力巡检目标识别方法及系统 | |
| CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 | |
| Peng et al. | Coating Feature Analysis and Capacity Prediction for Digitalization of Battery Manufacturing: An Interpretable AI Solution |
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 |