CN113761802A - 一种核电结构材料数据性能预测模型及模型构建方法 - Google Patents
一种核电结构材料数据性能预测模型及模型构建方法 Download PDFInfo
- Publication number
- CN113761802A CN113761802A CN202111061177.9A CN202111061177A CN113761802A CN 113761802 A CN113761802 A CN 113761802A CN 202111061177 A CN202111061177 A CN 202111061177A CN 113761802 A CN113761802 A CN 113761802A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- nuclear power
- structural material
- power structural
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 98
- 238000010276 construction Methods 0.000 title abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000013441 quality evaluation Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 10
- 206010061218 Inflammation Diseases 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000004054 inflammatory process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种核电结构材料数据性能预测模型及模型构建方法，核电结构材料数据删选模块是从核电结构材料数据汇总筛选出需要进行训练的数据；数据质量评价模块将核电结构材料模型训练数据进行质量评价；数据划分模块通过将核电结构材料模型数据根据特征数据和目标数据将所有字段分为两类；机器学习模块将确定存在相关性的特征数据与目标数据选择随机森林作为机器学习模型的基本算法，并确定模型，同时对模型进行训练。模型效果验证模块是在训练完成后，使用保留的部分数据进行效果验证。可以快速掌握核电结构材料数据性能预测模型的构建方法，调试模型并进行评价。大大降低了核电结构材料从业人员向机器学习转型时的学习成本。
Description
技术领域
本发明属于核电结构材料数据技术领域，具体涉及一种核电结构材料数据性能预测模型及模型构建方法
背景技术
现有的核电结构材料数据预测模型，乃至绝大多数材料数据预测模型，都是由熟练掌握编程语言的工作人员进行编程建模。工作人员在建模或使用预测模型时，除了必须拥有核电结构材料相关知识外，还必须拥有Python/Java/C/Matlab等编程高级技巧，这样就为核电结构材料数据预测模型的应用抬高了门槛，影响了使用效果，提高了普及成本。
核电结构材料数据预测模型，乃至绝大多数材料数据预测模型，训练时，都需要把训练用数据转换成某一个特定格式(CSV或XLS)，导入Pandas后，再经过复杂的矩阵变换转化为需要的矩阵数据，同时也要在训练逻辑中增加控制处理等问题，非常复杂，大大延长了模型的研发时间。同时训练过程中，模型训练参数多由训练模型人的经验判断，只能寻找到可以接受的模型结果便投入应用，影响判断进程。
发明内容
针对现有技术的不足，本发明的目的在于提供一种核电结构材料数据性能预测模型及模型构建方法，解决了现有技术中存在的上述技术问题。
本发明的目的可以通过以下技术方案实现：
一种核电结构材料数据性能预测模型，包括核电结构材料数据删选模块、数据质量评价模块、数据划分模块、机器学习模块、模型效果验证模块，其中：
所述核电结构材料数据删选模块是从核电结构材料数据汇总筛选出需要进行训练的数据，作为核电结构材料模型训练数据；
所述数据质量评价模块将核电结构材料模型训练数据进行质量评价，将符合的数据质量评价确定为核电结构材料模型数据；
所述数据划分模块通过将核电结构材料模型数据根据特征数据和目标数据将所有字段分为两类，当特征数据与目标数据相关性存在时，则采用该核电结构材料数据作为机器学习模块中的基本算法数据，否则重新划分；
所述机器学习模块将确定存在相关性的特征数据与目标数据选择随机森林作为机器学习模型的基本算法，进行参数调整，使用贝叶斯优化，获取最优结果，并确定模型，同时对模型进行训练。
所述模型效果验证模块是在训练完成后，使用保留的部分数据进行效果验证，来对模型进行评价，如果评价高于预期值则确定该训练模型作为使用模型，若评价低于预期值重新设计模型。
进一步的，所述数据质量评价模块中质量评价的特征包括数据的数量、数据准确反应实验过程结果、数据存在空值特征。
进一步的，所述数据质量评价模块中存在数据质量评价不足时，采用采用增加训练数据，优化训练数据质量、空值填充的方式来提高数据质量。
进一步的，所述数据划分模块中的特征数据作为输入数据、且目标数据作为输出数据。
进一步的，所述特征数据与目标数据的相关性的方法采用计算之间的最大互信息系数，即采用
确定，当最大互信息系数大于预设值时则相关性存在，当最大互信息系数小于预设值时则相关性不存在，其中：X和Y是两个存在联系的随机变量，B是数据总量的0.55～0.6次方，是一个经验值。
进一步的，所述机器学习模块中，在指定参数下，进行迭代，随机森林算法遵循O(M*N*logN)来对算法进行调优，获得最优结果，其中：M是树的数量，N是样本数量。
所述的核电结构材料数据性能预测模型的模型构件方法，包括以下步骤：
S1、首先在核电结构材料数据中进行筛选，并筛选出需要进行训练的数据，作为核电结构材料模型训练数据；
S2、对核电结构材料模型训练数据进行数据的数量、数据是否准确反应实验过程结果、数据是否存在较多空值特征评价，并确定核电结构材料数据；
S3、将核电结构材料模型数据根据特征数据和目标数据将所有字段分为两类，并确定特征数据与目标数据的相关性；
S4、确定核电结构材料数据后，选择随机森林作为机器学习模型的基本算法；
S5、进行参数的调整，使用了贝叶斯优化，在指定参数下，进行二次迭代，确保获得最优结果，并确定模型；
S6、使用Python环境下机器学习开发工具，对已经设定好的模型进行训练；
S7、训练完成后，使用保留的一部分数据进行效果炎症，并对模型进行评价，如若评价的评分高于预设值，则将该模型作为使用模型应用，如若评价的评分低于预设值，则重新设计模型，直至获得评价高的模型作为应用。
进一步的，所述S2中通过当核电结构材料模型训练数据质量评价不足时，则采用增加训练数据的方式来填充。
进一步的，所述S7中重新设计模型时，保留确定的核电结构材料数据，重新选择确定机器学习算法。
本发明的有益效果：
1、本发明通过一套完整严谨的核电结构材料数据性能预测模型构建逻辑，能够在机器学习/深度学习广泛应用于材料行业的当下，不需要核电结构材料数据研究人员掌握编程技巧，就可以快速掌握核电结构材料数据性能预测模型的构建方法，调试模型并进行评价。
2、本模型使用贝叶斯超参数优化算法，可以在模型参数设定基础上，对模型参数进行自动调优，获取最优化的模型参数，提升机器学习能力。
3、本模型根据不同材料，不同预测目的，可以使用机器学习/深度学习等方式，选择不同的算法，对核电结构材料进行建模，获得更加适配的预测模型。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的整体结构预测模型示意图；
图2是本发明实施例的模型构件方法流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种核电结构材料数据性能预测模型，包括核电结构材料数据删选模块、数据质量评价模块、数据划分模块、机器学习模块、模型效果验证模块，其中：
核电结构材料数据删选模块是从核电结构材料数据(核电结构材料行业在生产与实验中积累的大量数据)汇总筛选出需要进行训练的数据，作为核电结构材料模型训练数据。
数据质量评价模块将核电结构材料模型训练数据进行质量评价(主要包括数据的数量、数据是否准确反应实验过程结果、数据是否存在较多空值等)，将符合的数据质量评价确定为核电结构材料模型数据(该数据能决定核电结构材料特征的数据字段、与期待模型输出结果的字段，例如我希望输入材料某些性质，模型可以预测材料的密度，那么“某些性质”就是特征字段，“密度”就是输出字段)。
数据划分模块通过将核电结构材料模型数据根据特征数据(输入)和目标数据(输出)将所有字段分为两类，当特征数据与目标数据相关性存在时，即系统自动生成的16两组字段相关性，相关性由联合密度概率分布计算出的最大信息系数(MIC)得出。
其中：X和Y是两个存在联系的随机变量，B是数据总量的0.55～0.6次方，是一个经验值。采用该核电结构材料数据作为机器学习模块中的基本算法数据，否则重新划分。
机器学习模块将确定存在相关性的特征数据与目标数据选择随机森林作为机器学习模型的基本算法，代表算法的参数调优，随机森林算法遵循O(M*N*logN)来对算法进行调优，M是树的数量，N是样本数量。除此之外，还有其他方法可以调优，例如参数调优过程中，也使用了python Hyperopt，它使用了Tree Parzen Estimator(TPE)算法来对参数进行贝叶斯超参数优化，可以在已经设定好的参数基础上更加优化效果，获取最优结果，并确定模型，同时对模型使用python sklearn 0.24.1进行训练，得到机器学习模型。
模型效果验证模块是在训练完成后，使用保留的部分数据进行效果验证，来对模型进行评价，如果评价高于预期值则确定该训练模型作为使用模型，若评价低于预期值重新设计模型。
如图2所示，核电结构材料数据性能预测模型的模型构件方法，包括以下步骤：
S1、首先在核电结构材料数据中进行筛选(对数据导入进行包装，可以支持多种格式(CSV，XLS，TXT，MySQL，MongoDB，iDataCenter等)，也可以一键处理空值问题(提供0填充，平均值填充，忽略等方式)，大大提高了训练速度，其适配性更广)，并筛选出需要进行训练的数据，作为核电结构材料模型训练数据；
S2、对核电结构材料模型训练数据进行数据的数量、数据是否准确反应实验过程结果、数据是否存在较多空值特征评价，同时通过当核电结构材料模型训练数据质量评价不足时，则采用增加训练数据的方式来填充，并确定核电结构材料数据；当数据质量评价足够时，则进行S3操作
S3、将核电结构材料模型数据根据特征数据和目标数据将所有字段分为两类，并确定特征数据与目标数据的相关性，当相关性在预设值之内，进行S4操作，当在预设值之外，则需要重新确定特征数据和目标数据，再进行比较；
S4、确定核电结构材料数据后，选择随机森林作为机器学习模型的基本算法；
S5、进行参数的调整，使用了贝叶斯优化，在指定参数下，进行二次迭代，确保获得最优结果，并确定模型；
S6、使用Python环境下机器学习开发工具，对已经设定好的模型进行训练；
S7、训练完成后，使用保留的一部分数据进行效果炎症，并对模型进行评价，如若评价的评分高于预设值，则将该模型作为使用模型应用，如若评价的评分低于预设值，则重新设计模型(保留确定的核电结构材料数据，重新选择确定机器学习算法，即返回S6步骤)，直至获得评价高的模型作为应用。
本发明通过一套完整严谨的核电结构材料数据性能预测模型构建逻辑，能够在机器学习/深度学习广泛应用于材料行业的当下，不需要核电结构材料数据研究人员掌握编程技巧，就可以快速掌握核电结构材料数据性能预测模型的构建方法，调试模型并进行评价。大大降低了核电结构材料从业人员向机器学习转型时的学习成本。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (9)
1.一种核电结构材料数据性能预测模型，其特征在于，包括核电结构材料数据删选模块、数据质量评价模块、数据划分模块、机器学习模块、模型效果验证模块，其中：
所述核电结构材料数据删选模块是从核电结构材料数据汇总筛选出需要进行训练的数据，作为核电结构材料模型训练数据；
所述数据质量评价模块将核电结构材料模型训练数据进行质量评价，将符合的数据质量评价确定为核电结构材料模型数据；
所述数据划分模块通过将核电结构材料模型数据根据特征数据和目标数据将所有字段分为两类，当特征数据与目标数据相关性存在时，则采用该核电结构材料数据作为机器学习模块中的基本算法数据，否则重新划分；
所述机器学习模块将确定存在相关性的特征数据与目标数据选择随机森林作为机器学习模型的基本算法，进行参数调整，使用贝叶斯优化，获取最优结果，并确定模型，同时对模型进行训练。
所述模型效果验证模块是在训练完成后，使用保留的部分数据进行效果验证，来对模型进行评价，如果评价高于预期值则确定该训练模型作为使用模型，若评价低于预期值重新设计模型。
2.根据权利要求1所述的核电结构材料数据性能预测模型，其特征在于，所述数据质量评价模块中质量评价的特征包括数据的数量、数据准确反应实验过程结果、数据存在空值特征。
3.根据权利要求1所述的核电结构材料数据性能预测模型，其特征在于，所述数据质量评价模块中存在数据质量评价不足时，采用采用增加训练数据，优化训练数据质量、空值填充的方式来提高数据质量。
4.根据权利要求1所述的核电结构材料数据性能预测模型，其特征在于，所述数据划分模块中的特征数据作为输入数据、且目标数据作为输出数据。
5.根据权利要求4所述的核电结构材料数据性能预测模型，其特征在于，所述特征数据与目标数据的相关性的方法采用计算之间的最大互信息系数，即采用
确定，当最大互信息系数大于预设值时则相关性存在，当最大互信息系数小于预设值时则相关性不存在，其中：X和Y是两个存在联系的随机变量，B是数据总量的0.55～0.6次方，是一个经验值。
6.根据权利要求1所述的核电结构材料数据性能预测模型，其特征在于，所述机器学习模块中，在指定参数下，进行迭代，随机森林算法遵循O(M*N*logN)来对算法进行调优，获得最优结果，其中：M是树的数量，N是样本数量。
7.根据权利要求1-6任一项所述的核电结构材料数据性能预测模型的模型构件方法，其特征在于，包括以下步骤：
S1、首先在核电结构材料数据中进行筛选，并筛选出需要进行训练的数据，作为核电结构材料模型训练数据；
S2、对核电结构材料模型训练数据进行数据的数量、数据是否准确反应实验过程结果、数据是否存在较多空值特征评价，并确定核电结构材料数据；
S3、将核电结构材料模型数据根据特征数据和目标数据将所有字段分为两类，并确定特征数据与目标数据的相关性；
S4、确定核电结构材料数据后，选择随机森林作为机器学习模型的基本算法；
S5、进行参数的调整，使用了贝叶斯优化，在指定参数下，进行二次迭代，确保获得最优结果，并确定模型；
S6、使用Python环境下机器学习开发工具，对已经设定好的模型进行训练；
S7、训练完成后，使用保留的一部分数据进行效果炎症，并对模型进行评价，如若评价的评分高于预设值，则将该模型作为使用模型应用，如若评价的评分低于预设值，则重新设计模型，直至获得评价高的模型作为应用。
8.根据权利要求7所述的核电结构材料数据性能预测模型的模型构件方法，其特征在于，所述S2中通过当核电结构材料模型训练数据质量评价不足时，则采用增加训练数据的方式来填充。
9.根据权利要求7所述的核电结构材料数据性能预测模型的模型构件方法，其特征在于，所述S7中重新设计模型时，保留确定的核电结构材料数据，重新选择确定机器学习算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111061177.9A CN113761802A (zh) | 2021-09-10 | 2021-09-10 | 一种核电结构材料数据性能预测模型及模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111061177.9A CN113761802A (zh) | 2021-09-10 | 2021-09-10 | 一种核电结构材料数据性能预测模型及模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113761802A true CN113761802A (zh) | 2021-12-07 |
Family
ID=78794717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111061177.9A Pending CN113761802A (zh) | 2021-09-10 | 2021-09-10 | 一种核电结构材料数据性能预测模型及模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761802A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023124414A1 (zh) * | 2021-12-31 | 2023-07-06 | 岭东核电有限公司 | 核反应堆设计方案优化方法、装置、计算机设备和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003248081A (ja) * | 2001-12-19 | 2003-09-05 | Mitsubishi Heavy Ind Ltd | プラント運転状態予測方法および原子力プラント運転状態予測システム |
| CN101320031A (zh) * | 2008-05-27 | 2008-12-10 | 上海实达精密不锈钢有限公司 | 一种奥氏体不锈钢精密钢带性能预测模型及其冷轧工艺设计 |
| CN101905239A (zh) * | 2010-07-15 | 2010-12-08 | 首钢总公司 | 一种40Cr线棒材力学性能预报系统 |
| CN112289391A (zh) * | 2020-10-28 | 2021-01-29 | 广西贺州市桂东电子科技有限责任公司 | 一种基于机器学习的阳极铝箔性能预测系统 |
| CN112966447A (zh) * | 2021-03-25 | 2021-06-15 | 北京化工大学 | 一种基于自动机器学习的化学材料吸附性能预测方法及装置 |
| US20210201206A1 (en) * | 2019-12-31 | 2021-07-01 | Paypal, Inc. | Optimizing Data Processing and Feature Selection for Model Training |
| KR102294384B1 (ko) * | 2020-12-31 | 2021-08-26 | 동아대학교 산학협력단 | 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템 |
-
2021
- 2021-09-10 CN CN202111061177.9A patent/CN113761802A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003248081A (ja) * | 2001-12-19 | 2003-09-05 | Mitsubishi Heavy Ind Ltd | プラント運転状態予測方法および原子力プラント運転状態予測システム |
| CN101320031A (zh) * | 2008-05-27 | 2008-12-10 | 上海实达精密不锈钢有限公司 | 一种奥氏体不锈钢精密钢带性能预测模型及其冷轧工艺设计 |
| CN101905239A (zh) * | 2010-07-15 | 2010-12-08 | 首钢总公司 | 一种40Cr线棒材力学性能预报系统 |
| US20210201206A1 (en) * | 2019-12-31 | 2021-07-01 | Paypal, Inc. | Optimizing Data Processing and Feature Selection for Model Training |
| CN112289391A (zh) * | 2020-10-28 | 2021-01-29 | 广西贺州市桂东电子科技有限责任公司 | 一种基于机器学习的阳极铝箔性能预测系统 |
| KR102294384B1 (ko) * | 2020-12-31 | 2021-08-26 | 동아대학교 산학협력단 | 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템 |
| CN112966447A (zh) * | 2021-03-25 | 2021-06-15 | 北京化工大学 | 一种基于自动机器学习的化学材料吸附性能预测方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| 丁贝 等: "12Cr13马氏体不锈钢热处理工艺参数的ANN-GA模型", 金属制品, vol. 39, no. 03, 25 June 2013 (2013-06-25), pages 39 - 43 * |
| 刘海军 等: "基于随机森林和贝叶斯优化的 TiO2光催化污染物降解速率预测模型研究", 信息记录材料, vol. 22, no. 08, 1 August 2021 (2021-08-01), pages 25 - 27 * |
| 刘环 等: "基于人工神经网络的超级马氏体不锈钢淬火力学性能预测", 热加工工艺, vol. 40, no. 20, 25 October 2011 (2011-10-25), pages 150 - 153 * |
| 杨威 等: "基于随机森林的钢材性能预报与影响因素筛选", 钢铁, vol. 53, no. 03, 15 March 2018 (2018-03-15), pages 44 - 49 * |
| 纪英俊 等: "基于随机森林的热轧带钢质量分析与预测方法", 东北大学学报(自然科学版), vol. 40, no. 01, 15 January 2019 (2019-01-15), pages 11 - 15 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023124414A1 (zh) * | 2021-12-31 | 2023-07-06 | 岭东核电有限公司 | 核反应堆设计方案优化方法、装置、计算机设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111079342B (zh) | 一种基于在线岩体等级分类的tbm掘进性能预测方法 | |
| CN111860952B (zh) | 一种突出煤层关键开采参数快速优选方法 | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN109388565B (zh) | 基于生成式对抗网络的软件系统性能优化方法 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN112052951A (zh) | 一种剪枝神经网络方法、系统、设备及可读存储介质 | |
| CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及系统 | |
| CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
| CN112765895B (zh) | 一种基于机器学习的岩土材料离散元自动建模方法 | |
| CN112990420A (zh) | 一种用于卷积神经网络模型的剪枝方法 | |
| CN114970396A (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
| CN113761802A (zh) | 一种核电结构材料数据性能预测模型及模型构建方法 | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN112347531A (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
| CN116720620A (zh) | 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法 | |
| CN109492816B (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
| CN107273971B (zh) | 基于神经元显著性的前馈神经网络结构自组织方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN113962158A (zh) | 基于改进决策树的压路机施工工艺知识库构建方法及系统 | |
| CN117290664B (zh) | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 | |
| Gradišar et al. | Designing Generatively to Achieve an Efficient and Optimised Solution | |
| CN116151128B (zh) | 一种装备体系贡献率评估方法 | |
| KR102466482B1 (ko) | 적응적 배치 선택 전략을 이용한 딥 뉴럴 네트워크 학습 가속 시스템 및 방법 | |
| CN113746813B (zh) | 基于两阶段学习模型的网络攻击检测系统及方法 |
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 |