CN113160898B - 一种铁基合金吉布斯自由能预测方法和系统 - Google Patents
一种铁基合金吉布斯自由能预测方法和系统 Download PDFInfo
- Publication number
- CN113160898B CN113160898B CN202110538862.XA CN202110538862A CN113160898B CN 113160898 B CN113160898 B CN 113160898B CN 202110538862 A CN202110538862 A CN 202110538862A CN 113160898 B CN113160898 B CN 113160898B
- Authority
- CN
- China
- Prior art keywords
- data
- free energy
- gibbs free
- iron
- based alloy
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种铁基合金吉布斯自由能预测方法和系统。所述铁基合金吉布斯自由能预测方法,通过采用预处理后的铁基合金材料的热力学实验数据对基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi‑LSTM的融合模型(即初始吉布斯自由能预测模型)进行训练后,得到训练后的吉布斯自由能预测模型,然后再采用该训练好的基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi‑LSTM的融合模型对待预测铁基合金材料数据的吉布斯自由能进行快速、准确和全面的预测,进而在提高铁基合金材料吉布斯自由能的预测效率的同时,降低预测吉布斯自由能的资源消耗。
Description
技术领域
本发明涉及合金材料检测领域,特别是涉及一种铁基合金吉布斯自由能预测方法和系统。
背景技术
在热力学性质中,吉布斯自由能对于理解铁基合金材料的成相至关重要。在所有工作温度下吉布斯自由能变化的负值符号证实了成相过程的可行性,其值的大小也代表了该反应要达到平衡状态能对外做的有效功(轴功)极限。同时,吉布斯自由能也是热力学领域计算的中心量,根据温度和合金成分对吉布斯自由能进行精确描述,是可靠描述铁基合金材料及其性能的关键。但是,缺乏足够的热力学数据,已被认为是合金开发领域的一大挑战。对于铁基合金材料,通过传统实验测量方法获取热力学数据是非常困难的,因为实验费用是昂贵的,同时由于铁基合金材料中可能含有放射性物质或稀有成分,使用传统实验方法测量热力学数据是很难实现的。
目前合金的吉布斯自由能主要利用理论/经验方法估算获得。王振等采用作用浓度模型计算硅铁活度,同时依据已有的活度数据拟合得到硅铁金属间化合物的生成吉布斯自由能。肖赛君等采用稀溶液模型建立了微分溶解焓与标准溶解吉布斯自由能的互算方法,并分别利用铁液和镍液对这两种性质的互算方法进行验证。还有文献应用弗洛里模型计算了二元合金(锂-铅,钾-汞和镁-锡)混合时的自由能。Odusote Y A等采用准化学近似模型(QCAM)研究了六种金基二元合金在不同工作温度下的混合自由能和金的活度。以上几种方法既耗时又复杂,另外进行估算的原始数据也需要通过实验测试获得。
随着机器学习的不断发展,逐渐有人使用机器学习的方法进行吉布斯自由能的预测。利用人工神经网络在较宽的温度范围(0~6000K)内预测了一元材料体系不同相的热容、熵、焓和吉布斯自由能。Desgranges C等使用神经网络预测了配分函数,并因此预测了在宽广的温度和压力范围内原子和分子流体的吉布斯自由能、亥姆霍兹自由能和熵。SunX等使用支持向量算法与密度泛函理论(DFT)计算相结合的方法,从各种裸原子和单原子掺杂的硼化物MBenes材料中准确地预测氢吸附的吉布斯自由能的值。Gabriela B F等利用8种不同的回归模型,根据涉及蛋白质和活性配体复合物的晶体结构预测两种复合物相结合的吉布斯自由能。但是,上述采用的机器学习相关方法只考虑了数据中的低阶和浅层特征,同时存在大量人工干预且特征提取复杂的问题。
将浅层学习和深度学习相结合进行预测的方法越来越多。Cheng H T等通过联合训练一个线性模型组件和一个深度神经网络组件,设计了一种融合浅层模型和深层模型进行联合训练的框架,得到Wide&Deep模型。吕海灿等在已有的长短期记忆网络(LSTM)模型和Wide&Deep模型的基础上,建立了基于Wide&Deep-LSTM的深度学习的短期负荷预测模型,并在此基础上进行了一日内变压器台区负荷数据的预测。Guo Hui-feng等提出了DeepFM模型,通过结合用于推荐的因子分解机和用于特征学习的深度学习神经网络模型,有效避免了Wide&Deep模型中复杂的特征提取工作。罗朗等将DeepFM模型应用到科技资源推荐中,用来预测用户对某个科技资源的点击概率。Yu Yong-zhao等利用历史捕鱼数据,采用DeepFM模型预测捕鱼结果,得到了较好的预测效果。分析发现,以上使用Wide&Deep模型及其变体的技术,在综合考虑低阶和高阶特征的基础上进行预测工作时,数据处理需要面对复杂的特征提取工作。综合考虑了低阶和高阶特征的技术,虽然能够避免Wide&Deep模型带来的复杂的特征提取工作,但是DeepFM模型只是利用传统的DNN进行高阶特征的提取,考虑的特征并不全面。
基于以上存在的问题,Zhou X等针对DeepFM模型中特征交互不足的情况,提出了一种DeepFaFM模型,通过提供可调整因子的可扩展编码矩阵,可以根据实际生产情况动态平衡运行压力。Huang J等提出一种基于DeepFM模型的交互感知模型(CoStock),将多源数据之间的各种交互作用和复杂的关联关系集成到一个统一的框架中,并通过基于注意力的特征嵌入方法将股票相关性纳入模型。Tao Zhu-lin等开发了一种基于FM的既具表现力又轻巧的解决方案,称为高阶注意力分解机(HoAFM),以显式方式学习高阶稀疏交互特征。另外,通过注意力机制确定共同存在的特征对不同维度粒度的重要性。经过研究和分析发现,综合考虑低阶和高阶特征,通过采用基于DeepFM的改进模型虽然能够有效避免Wide&Deep模型带来的复杂的特征提取工作,但是缺乏对数据间关联性的考虑,另外使用的注意力机制也只是在向量级别进行重要性评判。
因此,研究如何快速、准确和全面地预测出铁基合金材料的吉布斯自由能对应加快新型铁基合金材料研发的进度,减少因大量实验而带来的时间和资源的消耗问题十分重要。
发明内容
本发明的目的是提供一种铁基合金吉布斯自由能预测方法和系统,以能够快速、准确和全面地预测出铁基合金材料的吉布斯自由能,进而在提高铁基合金材料吉布斯自由能的预测效率的同时,降低预测吉布斯自由能的资源消耗。
为实现上述目的,本发明提供了如下方案:
一种铁基合金吉布斯自由能预测方法,包括:
获取铁基合金材料的热力学实验数据;所述热力学实验数据包括:合金组成、实验温度、组成相和吉布斯自由能;
对所述热力学实验数据进行预处理,得到处理数据;
获取初始吉布斯自由能预测模型;所述初始吉布斯自由能预测模型为基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi-LSTM的融合模型;
采用所述处理数据对所述初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型;
获取待预测的铁基合金材料数据;
以所述待预测的铁基合金材料数据为输入,采用所述训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能。
优选地,所述对所述热力学实验数据进行预处理,得到处理数据,具体包括:
根据所述热力学实验数据生成第一数据表;
对所述第一数据表中的缺失项进行填充,得到第二数据表;
对所述第二数据表中的数据进行归一化处理,得到第三数据表;
对所述第三数据表中的数据进行One-Hot编码得到所述处理数据。
优选地,所述对所述第一数据表中的缺失项进行填充,得到第二数据表,具体包括:
判断所述第一数据表中缺失的数据是分类数据还是连续数据;
当所述第一数据表中缺失的数据为分类数据时,采用所述第一数据表中缺失数据的上一条数据的对应值对缺失的数据进行填充;
当所述第一数据表中缺失的数据为连续数据时,采用所述第一数据表中与该缺失的数据属性相同的数据的均值对缺失的数据进行填充。
优选地,所述以所述待预测的铁基合金材料数据为输入,采用所述训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能,具体包括:
采用因子分解机提取所述待预测的铁基合金材料数据的低阶特征;
采用按位自注意力机制对所述低阶特征的权重系数进行按位分配;
采用Bi-LSTM网络根据按位分配后的低阶特征得到高阶特征;
根据所述低阶特征和所述高阶特征确定待预测铁基合金材料的吉布斯自由能。
优选地,所述采用所述处理数据对所述初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型,具体包括:
采用所述处理数据对所述初始吉布斯自由能预测模型进行训练时,采用自适应优化算法对所述初始吉布斯自由能预测模型的参数进行优化,得到训练后的吉布斯自由能预测模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的铁基合金吉布斯自由能预测方法,通过采用预处理后的铁基合金材料的热力学实验数据对基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi-LSTM的融合模型(即初始吉布斯自由能预测模型)进行训练后,得到训练后的吉布斯自由能预测模型,然后再采用该训练好的基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi-LSTM的融合模型对待预测铁基合金材料数据的吉布斯自由能进行快速、准确和全面的预测,进而在提高铁基合金材料吉布斯自由能的预测效率的同时,降低预测吉布斯自由能的资源消耗。
对应于上述提供的铁基合金吉布斯自由能预测方法,本发明还提供了以下系统结构:
一种铁基合金吉布斯自由能预测系统,包括:
实验数据获取模块,用于获取铁基合金材料的热力学实验数据;所述热力学实验数据包括:合金组成、实验温度、组成相和吉布斯自由能;
预处理模块,用于对所述热力学实验数据进行预处理,得到处理数据;
初始模型获取模块,用于获取初始吉布斯自由能预测模型;所述初始吉布斯自由能预测模型为基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi-LSTM的融合模型;
模型训练模块,用于采用所述处理数据对所述初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型;
待预测数据获取模块,用于获取待预测的铁基合金材料数据;
吉布斯自由能确定模块,用于以所述待预测的铁基合金材料数据为输入,采用所述训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能。
优选地,所述预处理模块包括:
第一数据表生成单元,用于根据所述热力学实验数据生成第一数据表;
第二数据表生成单元,用于对所述第一数据表中的缺失项进行填充,得到第二数据表;
第三数据表生成单元,用于对所述第二数据表中的数据进行归一化处理,得到第三数据表;
处理单元,用于对所述第三数据表中的数据进行One-Hot编码得到所述处理数据。
优选地,所述第二数据表生成单元包括:
判断子单元,用于判断所述第一数据表中缺失的数据是分类数据还是连续数据;
第一填充子单元,用于当所述第一数据表中缺失的数据为分类数据时,采用所述第一数据表中缺失数据的上一条数据的对应值对缺失的数据进行填充;
第二填充子单元,用于当所述第一数据表中缺失的数据为连续数据时,采用所述第一数据表中与该缺失的数据属性相同的数据的均值对缺失的数据进行填充。
优选地,所述吉布斯自由能确定模块包括:
低阶特征提取单元,用于采用因子分解机提取所述待预测的铁基合金材料数据的低阶特征;
按位分配单元,用于采用按位自注意力机制对所述低阶特征的权重系数进行按位分配;
高阶特征确定单元,用于采用Bi-LSTM网络根据按位分配后的低阶特征得到高阶特征;
吉布斯自由能确定单元,用于根据所述低阶特征和所述高阶特征确定待预测铁基合金材料的吉布斯自由能。
优选地,所述模型训练模块包括:
模型训练单元,用于采用所述处理数据对所述初始吉布斯自由能预测模型进行训练时,采用自适应优化算法对所述初始吉布斯自由能预测模型的参数进行优化,得到训练后的吉布斯自由能预测模型。
因本发明提供的铁基合金吉布斯自由能预测系统达到的技术效果与上述提供的铁基合金吉布斯自由能预测方法达到的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的铁基合金吉布斯自由能预测方法的流程图;
图2为本发明提供的铁基合金吉布斯自由能预测方法的流程框架图;
图3为本发明实施例提供的初始吉布斯自由能预测模型架构图;
图4为本发明实施例提供的FM模型结构图;
图5为本发明实施例提供的Bi-LSTM网络结构图;
图6为本发明提供的铁基合金吉布斯自由能预测系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种铁基合金吉布斯自由能预测方法和系统,以能够快速、准确和全面地预测出铁基合金材料的吉布斯自由能,进而在提高铁基合金材料吉布斯自由能的预测效率的同时,降低预测吉布斯自由能的资源消耗。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示,本发明提供的铁基合金吉布斯自由能预测方法,包括:
步骤100:获取铁基合金材料的热力学实验数据。热力学实验数据包括:合金组成、实验温度、组成相和吉布斯自由能。在本发明中优选从材料基因工程专用数据库(www.mgedata.cn)下载所需的铁基合金材料热力学实验数据。
其中,合金组成数据包括‘Fe,C,Si’、‘Fe,C,V’、‘Fe,Cr,Nb’和‘Fe,Cr,Si’这12种合金种类,对应着‘C’、‘Cr’、‘Fe’、‘Mo’、‘Nb’、‘Si’和‘V’这6种成分元素的不同组合。另外,每个合金组成还包括三种成分元素的原子百分比和质量百分比数据。实验温度数据就是实验过程中的实验条件,范围在25℃到1900℃之间,并且主要分布在600℃左右。组成相数据代表着合金组成在实验条件下可能组成的相,这里一共有‘Alpha_Nb5Si3’、‘B2’、‘BCC_A0’、‘FCC_A1’、‘HCP_A3’、‘Laves’等47种可能组成的相,同时每条实验数据可以同时对应最多3种组成相。另外,每个组成相还包括其对应的相摩尔比和相质量比。吉布斯自由能数据是该合金组成在指定实验温度条件下,是否能够组成相以及成相多少的决定因素。
步骤101:对热力学实验数据进行预处理,得到处理数据。
步骤102:获取初始吉布斯自由能预测模型。初始吉布斯自由能预测模型为基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi-LSTM的融合模型。
步骤103:采用处理数据对初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型。具体的,采用处理数据对初始吉布斯自由能预测模型进行训练时,采用自适应优化算法,(Adaptive moment estimation,Adam)对初始吉布斯自由能预测模型的参数进行优化。损失函数选择均方误差函数(Mean Squared Error,MSE),计算公式为:
其中,n表示样本总数,yi表示真实值,表示预测值。
步骤104:获取待预测的铁基合金材料数据。
步骤105:以待预测的铁基合金材料数据为输入,采用训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能。
进一步,为了提高预测的准确性,本发明上述步骤101对热力学实验数据进行预处理,得到处理数据,具体包括:
步骤1010、根据热力学实验数据生成第一数据表。即将分散在不同合金实验表中的所有原始数据拼接到一张表中,使每个数据ID对应一条完整数据,包括:合金组成、实验温度、组成相和吉布斯自由能。
步骤1011、对第一数据表中的缺失项进行填充,得到第二数据表。
通过材料基因工程专用数据库(www.mgedata.cn)下载的铁基合金材料热力学实验数据有一些缺失项,在数据的搜集和拼接都完成之后,为了填补数据中的缺失项,需要使用不同的方法来进行填充操作。因此,该步骤1011具体包括:
判断第一数据表中缺失的数据是分类数据还是连续数据。
当第一数据表中缺失的数据为分类数据时,采用第一数据表中缺失数据的上一条数据的对应值对缺失的数据进行填充。
当第一数据表中缺失的数据为连续数据时,采用第一数据表中与该缺失的数据属性相同的数据的均值对缺失的数据进行填充。
例如,对于合金组成、成分元素和三种组成相这种分类数据的缺失值来说,由于分类数据都是成组出现的,可以选择使用其上一条数据的对应值进行填充。而对于三种成分元素的原子百分比和质量百分比、实验温度、每个组成相对应的相摩尔比和相质量比这种连续数据,可以使用其对应属性数据的均值进行填充。
步骤1012、对第二数据表中的数据进行归一化处理,得到第三数据表。
进行步骤1012是因为通过对数据进行分析发现,输入的连续数据间的单位和数值相差较大,为了消除奇异样本数据导致的不良影响,使得数据被限定在一定的范围内,需要对输入的连续数据进行Max-Min归一化处理。其中,归一化处理的计算公式为:
其中,Xnorm为归一化后的数据,X为原始数据,Xmax、Xmin分别为原始数据集的最大值和最小值。
步骤1013、对第三数据表中的数据进行One-Hot编码得到处理数据。
输入数据中的三种成分元素和三种组成相均属于有许多不同类别的分类数据,为了将分类数据转换为机器学习算法易于利用的形式,需要对输入的分类数据(即第三数据表中的数据)进行One-Hot编码。
One-Hot编码又称为一位有效编码,是将分类变量转换成二进制向量形式的编码方法,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候只有一位有效。具体实现方法为:首先将分类值映射为整数值,然后每个整数值被表示为二进制向量,即整数的索引之处标记为1,其余位置均为0。
下面将以合金组成数据中的一部分成分元素(‘Fe’、‘Cr’、‘C’、‘Nb’)为例,介绍One-Hot编码的实现原理。
(1)确定要编码的对象为[‘Fe’、‘Cr’、‘C’、‘Nb’],寄存器位的数量为4个,分类变量有‘Fe’、‘Cr’、‘C’、‘Nb’,共四种类别。
(2)进行特征的整数编码:‘Fe’—0、‘Cr’—1、‘C’—2、‘Nb’—3,并将特征按照从小到大排列。
(3)得到One-Hot编码如表1所示。
表1 One-Hot编码结果
由表1可以看出,样本[‘Fe’、‘Cr’、‘C’、‘Nb’]的One-Hot编码结果为[(1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1)]。
最后,将经过填充、归一化和One-Hot编码之后的实验数据作为模型的输入向量。
进一步,针对现有技术中存在的铁基合金材料数据中的低阶和高阶特征难以同时提取和学习,每位数据特征的重要性难以得到合理评判,以及上下文信息之间的相关性难以考虑和分析的问题,本发明才在DeepFM模型结构的基础上提出一种基于因子分解机FM、按位自注意力机制和双向长短期记忆神经网络Bi-LSTM的融合模型(即初始吉布斯自由能预测模型)对铁基合金材料的吉布斯自由能进行预测。该初始吉布斯自由能预测模型的结构如图3所示,其主要分为输入层、全连接层、FM层、按位自注意力机制层、Bi-LSTM层和输出层。
其中,通过对铁基合金材料数据的分析发现,实验数据中的合金组成和组成相都是拥有很多类别的分类数据,经过One-Hot编码之后会生成大量的稀疏数据。因此,为了解决合金材料数据中数据稀疏的问题,同时为了更好的提取出数据中的低阶特征,本发明选择使用因子分解机(Factorization Machine,FM)提取铁基合金材料数据中的一阶、二阶特征。FM模型的结构如图4所示。
FM模型的设计思路是在线性回归(Linear Regression,LR)模型后追加考虑任意两个特征之间的交互关系xixj,实现同时提取一阶、二阶特征的功能,计算公式如下。
其中,w0、wi、wij是权重矩阵,n代表样本的特征数量,ei是由全连接层得到的第i个特征。
虽然FM模型可以通过wijeiej引入了二阶特征组合,但是当eiej=0时,会使wij=0。所以当数据中含有大量的稀疏数据时,所有的wij都会变成了0,导致FM模型退化为传统的LR模型,而无法提取二阶交互特征。为了解决这个问题,在FM模型中引入了<zizj>替换原来的wij,改进后的FM模型计算公式为:
其中,zi,zj是一个K维的隐向量,<zizj>表示隐向量zi和zj的点积。<zizj>的计算公式为:
这样,只要特征ei与其他任意特征的组合出现过(即存在eiej≠0),就可以将其学习到对应的隐向量zi中。此时,所有与ei组合的二阶交互特征都可以学习隐向量zi,从而解决了数据稀疏的问题,并由此可有效提取出数据的一阶、二阶特征。
注意力机制是模仿人类注意力而提出的一种解决问题的办法。简单地说,就是从大量信息中快速筛选出高价值信息,通过利用高价值的信息提高计算的准确度。更进一步说,就是利用高价值信息解决计算资源的高效分配问题。
在本模型的设计中,为了提高预测的准确率,改善传统自注意力机制只在向量级别进行特征权重分配,导致关注力度不足的问题,本发明使用自注意力机制中的权重分配原则,按‘位’计算不同特征对应的权重值,使得越重要的特征所对应的注意力值越大,从而可突出重要特征对预测结果的影响,提高预测结果的准确率。具体的:
首先,按位生成目标注意力权重vt。
vt=uvtanh(wvht+bv)
其中,uv和wv均为权重系数,bv为偏置数,tanh为激活函数,et是由全连接层得到的位数据特征。
其次,将注意力权重概率化,通过softmax函数生成概率向量at。
之后,进行注意力权重的配置,将生成的注意力权重配置给对应的特征et,使模型生成的注意力权重发挥作用,得到对输入特征进行加权平均后的向量st。
最后,将向量st作为Attention层的输出,并进入下一层。
Bi-LSTM是对LSTM的一种改进,由前向LSTM和后向LSTM组合而成,可以有效地考虑前后数据之间的相关性。
在铁基合金材料的数据中,有两个相关性是必须要进行考虑的。首先,在相邻数据之间,对于由相同元素组成的合金材料,其差异主要体现在相同元素的原子百分比、质量百分比和实验温度。而对于由不同元素组成的合金材料,其差异主要体现在元素的种类发生了变化。另外,在同一条铁基合金材料数据中,元素的种类、含量以及实验条件都会对最终组成相的种类和比例产生一定的影响,而吉布斯自由能就是评判在该组分下,相能否形成的指标。
因此,当想获得一种合金材料组成相的吉布斯自由能时,其相邻的合金材料数据以及同一条数据中元素组成和相组成会对本次预测结果起到一定的辅助作用。所以,相邻合金材料数据之间元素种类、比例和实验温度之间的相关性,以及同一条数据中元素组成和相组成,都是需要考虑的一个重要问题。
基于以上分析,在经过自注意力机制按位分配特征权重之后,可以利用LSTM的记忆功能充分考虑上下文数据相关性。为此,本发明才选择使用Bi-LSTM网络对特征进行深层学习。
Bi-LSTM网络结构如图5所示:Bi-LSTM由多个LSTM组成,在每个LSTM中有输入门i、遗忘门f、输出门o和记忆状态c,隐层状态ht的更新公式为:
it=σ(Wist+Uiht-1+bi)
ft=σ(Wfst+Ufht-1+bf)
ot=σ(Wost+Uoht-1+bo)
rt=tanh(Wcst+Ucht-1+bc)
ct=it⊙rt+ft⊙ct-1
ht=ot⊙tanh(ct)
其中,Wi、Wf、Wo、Wc、Ui、Uf、Uo、Uc均为相应的权重矩阵。bi、bf、bo、bc为偏置向量。σ、tanh是激活函数。ht-1为上一时刻的隐藏状态,rt为临时记忆状态。⊙是按位乘运算。
Bi-LSTM由正向LSTM和反向LSTM结合而成,记t时刻正向LSTM的隐层状态为反向LSTM的隐层状态为/>那么,此时Bi-LSTM的最终隐层状态为:
使用全连接层对FM的输出mt和Bi-LSTM的输出ht进行计算和预测,预测结果用y表示,激活函数采用sigmoid函数。预测公式可表示为:
y=sigmoid(wmmt+whht+by)
其中,wm、wh为权重矩阵,by为偏置向量。
因此,基于以上构建的初始吉布斯自由能预测模型,本发明上述步骤105采用训练后的吉布斯自由能预测模型以待预测的铁基合金材料数据为输入,确定待预测铁基合金材料的吉布斯自由能的过程具体包括:
步骤1050、采用因子分解机提取待预测的铁基合金材料数据的低阶特征。
步骤1051、采用按位自注意力机制对低阶特征的权重系数进行按位分配。
步骤1052、采用Bi-LSTM网络根据按位分配后的低阶特征得到高阶特征。
步骤1053、根据低阶特征和高阶特征确定待预测铁基合金材料的吉布斯自由能。
综上,本发明针对铁基合金材料数据中的低阶和高阶特征难以同时提取和学习以及数据稀疏的问题,提出一种基于材料基因工程理论和改进的DeepFM融合模型对铁基合金材料的吉布斯自由能进行预测,既可以同时提取、学习铁基合金材料数据中的低阶和高阶特征,又可以有效解决数据稀疏的问题。
本发明针对传统自注意力机制只在向量级别进行特征权重计算的问题,使用按位自注意力机制对输入数据特征进行按位权重分配,对每位特征的重要性进行评判,从而突出重要特征对预测结果的影响,提高铁基合金材料吉布斯自由能预测的准确度。
本发明针对铁基合金材料数据上下文信息之间的相关性难以考虑和分析的问题,使用Bi-LSTM模型充分考虑铁基合金材料数据上下文信息间的相关性,提高铁基合金吉材料布斯自由能预测的准确度。
因此,基于以上描述,本发明提供的铁基合金吉布斯自由能预测方法具有以下优点:
1)深度学习的方法在进行模型的训练时会耗费一些时间,但是训练好的模型可以在几秒甚至几毫秒的时间里实现吉布斯自由能的预测,另外,进行预测输入数据只是提前设计好的实验条件。因此本方法可以有效解决利用理论/经验估算方法带来的时间和资源大量消耗的问题以及估算的原始数据也需要通过实验测试获得的困难。
2)在DeepFM模型结构的基础上提出的融合模型,可以利用FM模型和深度学习模型同时学习数据中隐含的低阶和高阶特征,同时也不会需要大量的人工干预。因此,本方法可以有效解决机器学习方法只考虑数据中的低阶和浅层特征的问题,以及机器学习方法和Wide&Deep模型存在复杂的特征提取工作的问题。
3)在DeepFM模型结构的基础上提出的基于因子分解机(FM)、按位自注意力机制和双向长短期记忆神经网络(Bi-LSTM)的融合模型对铁基合金材料的吉布斯自由能进行预测时,既可以利用按位自注意力机制对输入数据特征进行按位权重分配,对每位特征的重要性进行评判,从而突出重要特征对预测结果的影响,又可以使用Bi-LSTM模型充分考虑铁基合金材料数据上下文信息间的相关性,提高铁基合金吉材料布斯自由能预测的准确度。因此本方法可以有效解决传统DeepFM模型中特征考虑不全面、数据上下文信息之间的相关性难以考虑和分析以及传统自注意力机制只在向量级别进行特征权重计算的问题。
对应于上述提供的铁基合金吉布斯自由能预测方法,本发明还提供了一种铁基合金吉布斯自由能预测系统,如图6所示,该铁基合金吉布斯自由能预测系统包括:实验数据获取模块1、预处理模块2、初始模型获取模块3、模型训练模块4、待预测数据获取模块5和吉布斯自由能确定模块6。
其中,实验数据获取模块1用于获取铁基合金材料的热力学实验数据。热力学实验数据包括:合金组成、实验温度、组成相和吉布斯自由能。
预处理模块2用于对热力学实验数据进行预处理,得到处理数据。
初始模型获取模块3用于获取初始吉布斯自由能预测模型。初始吉布斯自由能预测模型为基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi-LSTM的融合模型。
模型训练模块4用于采用处理数据对初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型。
待预测数据获取模块5用于获取待预测的铁基合金材料数据。
吉布斯自由能确定模块6用于以待预测的铁基合金材料数据为输入,采用训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能。
进一步,上述预处理模块2包括:第一数据表生成单元、第二数据表生成单元、第三数据表生成单元处理单元。
其中,第一数据表生成单元用于根据热力学实验数据生成第一数据表。
第二数据表生成单元用于对第一数据表中的缺失项进行填充,得到第二数据表。
第三数据表生成单元用于对第二数据表中的数据进行归一化处理,得到第三数据表。
处理单元用于对第三数据表中的数据进行One-Hot编码得到处理数据。
进一步,上述第二数据表生成单元包括:判断子单元、第一填充子单元和第二填充子单元。
其中,判断子单元用于判断第一数据表中缺失的数据是分类数据还是连续数据。
第一填充子单元用于当第一数据表中缺失的数据为分类数据时,采用第一数据表中缺失数据的上一条数据的对应值对缺失的数据进行填充。
第二填充子单元用于当第一数据表中缺失的数据为连续数据时,采用第一数据表中与该缺失的数据属性相同的数据的均值对缺失的数据进行填充。
进一步,上述吉布斯自由能确定模块6包括:低阶特征提取单元、按位分配单元、高阶特征确定单元和吉布斯自由能确定单元。
其中,低阶特征提取单元用于采用因子分解机提取待预测的铁基合金材料数据的低阶特征。
按位分配单元用于采用按位自注意力机制对低阶特征的权重系数进行按位分配。
高阶特征确定单元用于采用Bi-LSTM网络根据按位分配后的低阶特征得到高阶特征。
吉布斯自由能确定单元用于根据低阶特征和高阶特征确定待预测铁基合金材料的吉布斯自由能。
进一步,上述模型训练模块4包括:模型训练单元。
其中,模型训练单元用于采用处理数据对初始吉布斯自由能预测模型进行训练时,采用自适应优化算法对初始吉布斯自由能预测模型的参数进行优化,得到训练后的吉布斯自由能预测模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种铁基合金吉布斯自由能预测方法,其特征在于,包括:
获取铁基合金材料的热力学实验数据;所述热力学实验数据包括:合金组成、实验温度、组成相和吉布斯自由能;
对所述热力学实验数据进行预处理,得到处理数据;
获取初始吉布斯自由能预测模型;所述初始吉布斯自由能预测模型为基于因子分解机、按位自注意力机制和双向长短记忆神经网络Bi-LSTM的融合模型;
采用所述处理数据对所述初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型;
获取待预测的铁基合金材料数据;
以所述待预测的铁基合金材料数据为输入,采用所述训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能;
所述以所述待预测的铁基合金材料数据为输入,采用所述训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能,具体包括:
采用因子分解机提取所述待预测的铁基合金材料数据的低阶特征;其中,使用因子分解机提取铁基合金材料数据中的一阶特征和二阶特征;因子分解机的计算公式为:
采用按位自注意力机制对所述低阶特征的权重系数进行按位分配;其中,首先,按位生成目标注意力权重vt:vt=uvtanh(wvht+bv);其次,将注意力权重概率化,通过softmax函数生成概率向量at:之后,进行注意力权重的配置,将生成的注意力权重配置给对应的特征et,得到对输入特征进行加权平均后的向量st:/>
采用Bi-LSTM网络根据按位分配后的低阶特征得到高阶特征;
根据所述低阶特征和所述高阶特征确定待预测铁基合金材料的吉布斯自由能;其中,预测结果用y表示,激活函数采用sigmoid函数,预测公式表示为:y=sigmoid(wmmt+whht+by);
式中,zi、zj是一个K维的隐向量,<zizj>表示隐向量zi和隐向量zj的点积,w0、wi、wij是权重矩阵,n代表样本的特征数量,ei是由全连接层得到的第i个特征,uv和wv均为权重系数,bv和by均为偏置数,tanh()为激活函数,wm、wh为权重矩阵,mt为因子分解机的输出,ht为Bi-LSTM网络的输出,t为时刻。
2.根据权利要求1所述的铁基合金吉布斯自由能预测方法,其特征在于,所述对所述热力学实验数据进行预处理,得到处理数据,具体包括:
根据所述热力学实验数据生成第一数据表;
对所述第一数据表中的缺失项进行填充,得到第二数据表;
对所述第二数据表中的数据进行归一化处理,得到第三数据表;
对所述第三数据表中的数据进行One-Hot编码得到所述处理数据。
3.根据权利要求2所述的铁基合金吉布斯自由能预测方法,其特征在于,所述对所述第一数据表中的缺失项进行填充,得到第二数据表,具体包括:
判断所述第一数据表中缺失的数据是分类数据还是连续数据;
当所述第一数据表中缺失的数据为分类数据时,采用所述第一数据表中缺失数据的上一条数据的对应值对缺失的数据进行填充;
当所述第一数据表中缺失的数据为连续数据时,采用所述第一数据表中与该缺失的数据属性相同的数据的均值对缺失的数据进行填充。
4.根据权利要求1所述的铁基合金吉布斯自由能预测方法,其特征在于,所述采用所述处理数据对所述初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型,具体包括:
采用所述处理数据对所述初始吉布斯自由能预测模型进行训练时,采用自适应优化算法对所述初始吉布斯自由能预测模型的参数进行优化,得到训练后的吉布斯自由能预测模型。
5.一种铁基合金吉布斯自由能预测系统,其特征在于,包括:
实验数据获取模块,用于获取铁基合金材料的热力学实验数据;所述热力学实验数据包括:合金组成、实验温度、组成相和吉布斯自由能;
预处理模块,用于对所述热力学实验数据进行预处理,得到处理数据;
初始模型获取模块,用于获取初始吉布斯自由能预测模型;所述初始吉布斯自由能预测模型为基于因子分解机、按位自注意力机制和双向长短记忆神经网络Bi-LSTM的融合模型;
模型训练模块,用于采用所述处理数据对所述初始吉布斯自由能预测模型进行训练,得到训练后的吉布斯自由能预测模型;
待预测数据获取模块,用于获取待预测的铁基合金材料数据;
吉布斯自由能确定模块,用于以所述待预测的铁基合金材料数据为输入,采用所述训练后的吉布斯自由能预测模型输出待预测铁基合金材料的吉布斯自由能;
所述吉布斯自由能确定模块包括:
低阶特征提取单元,用于采用因子分解机提取所述待预测的铁基合金材料数据的低阶特征;其中,使用因子分解机提取铁基合金材料数据中的一阶特征和二阶特征;因子分解机的计算公式为:采用按位自注意力机制对所述低阶特征的权重系数进行按位分配;其中,首先,按位生成目标注意力权重vt:vt=uvtanh(wvht+bv);其次,将注意力权重概率化,通过softmax函数生成概率向量at:/>之后,进行注意力权重的配置,将生成的注意力权重配置给对应的特征et,得到对输入特征进行加权平均后的向量st:/>
按位分配单元,用于采用按位自注意力机制对所述低阶特征的权重系数进行按位分配;
高阶特征确定单元,用于采用Bi-LSTM网络根据按位分配后的低阶特征得到高阶特征;
吉布斯自由能确定单元,用于根据所述低阶特征和所述高阶特征确定待预测铁基合金材料的吉布斯自由能;其中,预测结果用y表示,激活函数采用sigmoid函数,预测公式表示为:y=sigmoid(wmmt+whht+by);
式中,zi、zj是一个K维的隐向量,<zizj>表示隐向量zi和隐向量zj的点积,w0、wi、wij是权重矩阵,n代表样本的特征数量,ei是由全连接层得到的第i个特征,uv和wv均为权重系数,bv和by均为偏置数,tanh()为激活函数,wm、wh为权重矩阵,mt为因子分解机的输出,ht为Bi-LSTM网络的输出,t为时刻。
6.根据权利要求5所述的铁基合金吉布斯自由能预测系统,其特征在于,所述预处理模块包括:
第一数据表生成单元,用于根据所述热力学实验数据生成第一数据表;
第二数据表生成单元,用于对所述第一数据表中的缺失项进行填充,得到第二数据表;
第三数据表生成单元,用于对所述第二数据表中的数据进行归一化处理,得到第三数据表;
处理单元,用于对所述第三数据表中的数据进行One-Hot编码得到所述处理数据。
7.根据权利要求6所述的铁基合金吉布斯自由能预测系统,其特征在于,所述第二数据表生成单元包括:
判断子单元,用于判断所述第一数据表中缺失的数据是分类数据还是连续数据;
第一填充子单元,用于当所述第一数据表中缺失的数据为分类数据时,采用所述第一数据表中缺失数据的上一条数据的对应值对缺失的数据进行填充;
第二填充子单元,用于当所述第一数据表中缺失的数据为连续数据时,采用所述第一数据表中与该缺失的数据属性相同的数据的均值对缺失的数据进行填充。
8.根据权利要求5所述的铁基合金吉布斯自由能预测系统,其特征在于,所述模型训练模块包括:
模型训练单元,用于采用所述处理数据对所述初始吉布斯自由能预测模型进行训练时,采用自适应优化算法对所述初始吉布斯自由能预测模型的参数进行优化,得到训练后的吉布斯自由能预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538862.XA CN113160898B (zh) | 2021-05-18 | 2021-05-18 | 一种铁基合金吉布斯自由能预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538862.XA CN113160898B (zh) | 2021-05-18 | 2021-05-18 | 一种铁基合金吉布斯自由能预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160898A CN113160898A (zh) | 2021-07-23 |
CN113160898B true CN113160898B (zh) | 2023-09-08 |
Family
ID=76876227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110538862.XA Active CN113160898B (zh) | 2021-05-18 | 2021-05-18 | 一种铁基合金吉布斯自由能预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160898B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887845B (zh) * | 2021-12-07 | 2022-04-08 | 中国南方电网有限责任公司超高压输电公司广州局 | 极端事件预测方法、装置、设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106537420A (zh) * | 2014-07-30 | 2017-03-22 | 三菱电机株式会社 | 用于转换输入信号的方法 |
CN109991387A (zh) * | 2019-03-06 | 2019-07-09 | 华南理工大学 | 一种模拟γ-TiAl合金在非等温条件下的相场分析法 |
CN111079070A (zh) * | 2019-12-18 | 2020-04-28 | 新奥数能科技有限公司 | 一种热力参数分析方法及装置 |
CN111506814A (zh) * | 2020-04-09 | 2020-08-07 | 苏州大学 | 一种基于变分自注意力网络的序列推荐方法 |
CN111753058A (zh) * | 2020-06-30 | 2020-10-09 | 北京信息科技大学 | 一种文本观点挖掘方法及系统 |
CN112102897A (zh) * | 2020-09-18 | 2020-12-18 | 华南理工大学 | 一种化学气相多元沉积产物组分预测方法 |
CN112115004A (zh) * | 2020-07-29 | 2020-12-22 | 西安交通大学 | 一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法 |
CN112635000A (zh) * | 2021-01-07 | 2021-04-09 | 福州大学 | 基于原子占位有序化行为的高熵合金构型熵的计算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150007914A1 (en) * | 2013-07-08 | 2015-01-08 | Sfp Works, Llc | Method and apparatus for micro-treating iron-based alloy, and the material resulting therefrom |
WO2017048199A1 (en) * | 2015-09-17 | 2017-03-23 | Nanyang Technological University | Titanium-tantalum alloy and method of forming thereof |
BE1024914B1 (nl) * | 2017-01-16 | 2018-08-16 | Minnoy Bvba | Een verwarmingssysteem en een verwarmingswerkwijze |
US11269677B2 (en) * | 2019-08-08 | 2022-03-08 | Vigyanlabs Innovations Private Limited | System and method to analyze and optimize application level resource and energy consumption by data center servers |
-
2021
- 2021-05-18 CN CN202110538862.XA patent/CN113160898B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106537420A (zh) * | 2014-07-30 | 2017-03-22 | 三菱电机株式会社 | 用于转换输入信号的方法 |
CN109991387A (zh) * | 2019-03-06 | 2019-07-09 | 华南理工大学 | 一种模拟γ-TiAl合金在非等温条件下的相场分析法 |
CN111079070A (zh) * | 2019-12-18 | 2020-04-28 | 新奥数能科技有限公司 | 一种热力参数分析方法及装置 |
CN111506814A (zh) * | 2020-04-09 | 2020-08-07 | 苏州大学 | 一种基于变分自注意力网络的序列推荐方法 |
CN111753058A (zh) * | 2020-06-30 | 2020-10-09 | 北京信息科技大学 | 一种文本观点挖掘方法及系统 |
CN112115004A (zh) * | 2020-07-29 | 2020-12-22 | 西安交通大学 | 一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法 |
CN112102897A (zh) * | 2020-09-18 | 2020-12-18 | 华南理工大学 | 一种化学气相多元沉积产物组分预测方法 |
CN112635000A (zh) * | 2021-01-07 | 2021-04-09 | 福州大学 | 基于原子占位有序化行为的高熵合金构型熵的计算方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的含能材料生成焓预测方法;徐雅斌 等;含能材料 网络首发;第29卷(第1期);20-28 * |
Also Published As
Publication number | Publication date |
---|---|
CN113160898A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
CN110659744A (zh) | 训练事件预测模型、评估操作事件的方法及装置 | |
CN113160898B (zh) | 一种铁基合金吉布斯自由能预测方法和系统 | |
CN114519610A (zh) | 信息预测方法以及装置 | |
CN115048855A (zh) | 点击率预测模型及其训练方法与应用装置 | |
Wu et al. | A novel hybrid genetic algorithm and simulated annealing for feature selection and kernel optimization in support vector regression | |
Asghar et al. | An Assessment of Eco-Efficiency and its Determinants: Evidence from Macroeconomic Data | |
Zou et al. | Deep field relation neural network for click-through rate prediction | |
Ullah et al. | Multi-horizon short-term load forecasting using hybrid of LSTM and modified split convolution | |
Rofik et al. | The Optimization of Credit Scoring Model Using Stacking Ensemble Learning and Oversampling Techniques | |
Huňady et al. | Innovation and invention in the EU business sector: the role of the R&D expenditures | |
CN117557304A (zh) | 基于模态分解与神经网络的电量电价层级融合预测方法 | |
CN115394381B (zh) | 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置 | |
CN111445025A (zh) | 确定业务模型超参数的方法和装置 | |
Wu et al. | Symphony in the latent space: provably integrating high-dimensional techniques with non-linear machine learning models | |
Janová et al. | DEA as a tool for bankruptcy assessment: the agribusiness case study | |
Fujita et al. | On Nonintrusive Monitoring of Electrical Appliance Load Via Restricted Boltzmann Machine with Temporal Reservoir. | |
Hu et al. | Prediction of blast furnace temperature based on evolutionary optimization | |
CN111353809A (zh) | 社会消费品零售总额季度累计增幅预测方法和系统 | |
Lu et al. | A Novel Sequence-to-Sequence-Based Deep Learning Model for Multistep Load Forecasting | |
CN116578769B (zh) | 一种基于行为模式转换的多任务学习推荐方法 | |
Stock | The econometric analysis of business cycles | |
Zhao | Financial Time Series Forecast of Temporal Convolutional Network Based on Feature Extraction by Variational Mode Decomposition | |
Beyaztas et al. | Robust functional linear regression models | |
Akgun et al. | Forecasting using heterogeneous panels with cross-sectional dependence |
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 |