CN114496125B - 一种相似材料的制备方法、装置、设备及可读存储介质 - Google Patents

一种相似材料的制备方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114496125B
CN114496125B CN202210124570.6A CN202210124570A CN114496125B CN 114496125 B CN114496125 B CN 114496125B CN 202210124570 A CN202210124570 A CN 202210124570A CN 114496125 B CN114496125 B CN 114496125B
Authority
CN
China
Prior art keywords
physical
parameter
parameters
similar
raw material
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
CN202210124570.6A
Other languages
English (en)
Other versions
CN114496125A (zh
Inventor
连静
杨长卫
张良
童心豪
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210124570.6A priority Critical patent/CN114496125B/zh
Publication of CN114496125A publication Critical patent/CN114496125A/zh
Application granted granted Critical
Publication of CN114496125B publication Critical patent/CN114496125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N20/00—Machine learning
    • 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
    • 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)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Feedback Control In General (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明提供了一种相似材料的制备方法、装置、设备及可读存储介质，所述方法包括：获取第一数据，所述第一数据包括原型材料的第一物理力学参数；基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，所述实验数据包括原材料配比和第二物理力学参数；基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型；利用遗传算法对所述训练好的机器学习模型进行全局优化，得到制备所述相似材料的最佳配比，所述相似材料的最佳配比用于在实际生产中指导所述相似材料的制备。本发明采用遗传算法获得目标材料的相似材料最优配合比，在保证获得最优配比的同时提高了相似材料制备实验的制备效率。

Description

一种相似材料的制备方法、装置、设备及可读存储介质
技术领域
本发明涉及相似材料的制备技术领域，具体而言，涉及一种相似材料的制备方法、装置、设备及可读存储介质。
背景技术
在目前的模型试验中，隧道结构的相似材料制备方法主要以正交实验法为基础，通过开展正交试验得到各种原材料的比例对目标相似材料物理力学参数的影响规律，获得最接近目标相似材料物理力学参数的各种原材料比例，以此确定目标相似材料的配合比。然而，这种方法在很大程度上取决于正交实验法中每个因素的水平值的设定，需要通过大量的物理力学参数试验结果反复调试获取，不仅工作量大且具有较大的偶然性和盲目性。此外，这种方法只适合确定一种目标相似材料的配合比，对于其他目标相似材料配合比的确定需要重新设计实验获得，这就导致了相似材料的制备效率低、成本高等问题。
发明内容
本发明的目的在于提供一种相似材料的制备方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种相似材料的制备方法，所述方法包括：
获取第一数据，所述第一数据包括原型材料的第一物理力学参数，所述第一物理力学参数包括原型材料的重度、原型材料的弹性模量、原型材料的抗压强度和原型材料的泊松比；
基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，所述实验数据包括原材料配比和第二物理力学参数，所述原材料配比包括各原材料的用量，所述第二物理力学参数为基于所述原材料配比所制造出来的相似材料的物理力学参数；
基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型；
利用遗传算法对所述训练好的机器学习模型进行全局优化，得到制备所述相似材料的最佳配比，所述相似材料的最佳配比用于在实际生产中指导所述相似材料的制备。
第二方面，本申请实施例提供了一种相似材料的制备装置，所述装置包括第一获取模块、第二获取模块、训练模块和计算模块。
第一获取模块，用于获取第一数据，所述第一数据包括原型材料的第一物理力学参数，所述第一物理力学参数包括原型材料的重度、原型材料的弹性模量、原型材料的抗压强度和原型材料的泊松比；
第二获取模块，用于基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，所述实验数据包括原材料配比和第二物理力学参数，所述原材料配比包括各原材料的用量，所述第二物理力学参数为基于所述原材料配比所制造出来的相似材料的物理力学参数；
训练模块，用于基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型；
计算模块，用于利用遗传算法对所述训练好的机器学习模型进行全局优化，得到制备所述相似材料的最佳配比，所述相似材料的最佳配比用于在实际生产中指导所述相似材料的制备。
第三方面，本申请实施例提供了一种相似材料的制备设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述相似材料的制备方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述相似材料的制备方法的步骤。
本发明的有益效果为：
本发明根据重度、弹性模量、抗压强度和泊松比四个参数的重要程度分配权重，对实验数据和目标相似材料物理力学参数进行归一化处理并建立两者间误差的评分机制，有效地解决了在配比实验中难以制备满足目标物理力学参数的相似材料的问题；采用以水泥、河沙、水、熟石灰用量为输入参数，以评分机制作为输出参数，两者之间的映射关系建立的预测模型，仅需少量实验数据就可对不同配合比相似材料的物理力学参数进行预测，极大的减少了实验工作量，降低了实验成本。而且该预测模型适应性强，应用广泛，可以应用于不同目标材料的相似材料配置。采用遗传算法获得目标材料的相似材料最优配合比，在保证获得最优配比的同时提高了相似材料制备实验的制备效率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例中所述的相似材料的制备方法流程示意图；
图2是本发明实施例中所述的相似材料的制备装置结构示意图；
图3是本发明实施例中所述的相似材料的制备设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了一种相似材料的制备方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一数据，所述第一数据包括原型材料的第一物理力学参数，所述第一物理力学参数包括原型材料的重度、原型材料的弹性模量、原型材料的抗压强度和原型材料的泊松比；
步骤S2、基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，所述实验数据包括原材料配比和第二物理力学参数，所述原材料配比包括各原材料的用量，所述第二物理力学参数为基于所述原材料配比所制造出来的相似材料的物理力学参数；
步骤S3、基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型；
步骤S4、利用遗传算法对所述训练好的机器学习模型进行全局优化，得到制备所述相似材料的最佳配比，所述相似材料的最佳配比用于在实际生产中指导所述相似材料的制备。
在缩尺模型试验中，相似材料与原型材料之间需要满足密度、内摩擦角、弹性模量、粘聚力等物理力学参数间的相似关系，因此，相似材料的组成与配比的适合性直接影响到模型实验的可信度。以隧道结构地震振动台试验为例，隧道结构相似材料主要采用水泥、石英砂、水、熟石灰等原材料混合配置。为确定满足试验要求的相似材料配比，现阶段主要通过设计正交试验，得到每种原材料对相似材料的密度、内摩擦角、弹性模量、粘聚力等物理力学参数影响规律，然后根据得到的规律再重新进行试验，直至获得最接近试验要求的配比。
可见，正交试验中最终结果的好坏与设置的正交因子有关，而正交因子需要基础试验确定，一旦初始因子设置的不合理，就需要通过大量的试验进行确定，导致了试验的工作量大和成本高。而且，这些正交试验的数据只能应用于该次试验，不能应用于其他类似试验。例如，制备C 30混凝土的相似材料的正交试验数据很难应用与C 20，需重新进行正交试验确定，进一步导致相似材料的制备效率低、成本高等问题。
而本实施例根据相似理论得到隧道结构原型材料在缩尺试验中相似材料的物理力学参数，依此为参考目标开展配比实验获得基础数据。随后，建立实验相似材料物理力学参数与目标物理力学参数间差值的评分机制，并推导相似材料各原材料比例与评分机制的映射关系，获得能够智能预测的机器学习模型。最后，采用遗传准则对预测模型结果进行寻优，得到满足目标相似材料物理力学参数的最优配合比，极大减少了工作量和试验成本，提高了相似材料的制备效率。
同时，本实施例根据重度、弹性模量、抗压强度和泊松比四个参数的重要程度分配权重，对实验数据和相似材料的目标物理力学参数进行归一化处理并建立两者间误差的评分机制，有效地解决了在配比实验中难以制备满足目标物理力学参数的相似材料的问题；采用以水泥、河沙、水、熟石灰用量为输入参数，以评分机制作为输出参数，两者之间的映射关系建立的预测模型，仅需少量实验数据就可对不同配合比相似材料的物理力学参数进行预测，极大的减少了实验工作量，降低了实验成本。而且该预测模型适应性强，应用广泛，可以应用于不同目标材料的相似材料配置。采用遗传算法获得目标材料的相似材料最优配合比，在保证获得最优配比的同时提高了相似材料制备实验的制备效率。
在本公开的一种具体实施方式中，所述步骤S2，还可以包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21、基于所述白金汉定理确定相似体系信息，所述相似体系信息包括每个参数的相似比；
步骤S22、基于所述原型材料的重度、原型材料的弹性模量、原型材料的抗压强度、原型材料的泊松比和所述各参数的相似比计算得到相似材料的目标物理力学参数；
步骤S23、基于所述相似材料的目标物理力学参数向实验人员发送控制命令，所述控制命令包括以所述相似材料的目标物理力学参数为目标参数，进行至少一组配比实验的命令；
步骤S24、获取实验人员输入的至少一组实验数据。
在本实施例中，原型隧道衬砌材料的物理力学参数为重度23 kN/m3，弹性模量30GPa，抗压强度30 MPa，泊松比为0.3。以白金汉定理为基础建立相似体系，相似体系的控制量为尺寸相似比1：30，重力加速度相似比1：1，重度相似比1：1，进而推导重度相似比为1：1，弹性模量相似比为1：30，抗压强度相似比为1：30，泊松比相似比为1：1。因此，在目标隧道衬砌的相似材料物理力学参数中，重度23 kN/m3，弹性模量1 GPa，抗压强度1 MPa，泊松比0.3。即相似材料的目标物理力学参数为：重度23 kN/m3，弹性模量1 GPa，抗压强度1 MPa，泊松比0.3。
以隧道衬砌的相似材料的目标物理力学参数为参考目标，选用水泥、河沙、水、熟石灰为原材料，进行16组材料物理力学实验，得到16个配比实验所对应的16组重度、弹性模量、抗压强度和泊松比力学参数。
在本公开的一种具体实施方式中，所述步骤S3，还可以包括步骤S31、步骤S32和步骤S33。
步骤S31、获取相似材料的目标物理力学参数和第二数据，所述第二数据包括所述第一物理力学参数中每个参数对应的权重；
步骤S32、基于所述第二数据、所述相似材料的目标物理力学参数和第二物理力学参数计算得到每个所述原材料配比所对应的配比得分；
步骤S33、基于所述原材料配比和所述原材料配比所对应的配比得分对机器学习模型进行训练，得到训练好的机器学习模型。
考虑到在配比实验中制备满足目标物理力学参数的相似材料是极其困难的，故根据重度、弹性模量、抗压强度和泊松比四个参数的重要程度分配权重，其中，抗压强度、弹性模量、重度和泊松比的权重分别为30%、30%、20%、20%。随后，对实验数据和相似材料的目标物理力学参数进行归一化处理，并建立两者间误差的评分机制：
式中，Y为每个配比的得分，ki为每个物理力学参数的分配权重，i为物理参数个数，zi’为实验物理力学参数，zi为目标物理力学参数，其中，Y值越小，表明实验配比越接近目标配比。
在本公开的一种具体实施方式中，所述步骤S33，还可以包括步骤S331、步骤S332、步骤S333和步骤S334。
步骤S331、将所述原材料配比中每个原材料的用量记为机器学习模型的输入参数，所述原材料配比所对应的所述配比得分记为机器学习模型的输出参数；
步骤S332、基于所述输入参数，得到所述输入参数与映射的第一关系表达式，所述输入参数与所述输出参数之间通过所述映射进行连接，所述第一关系表达式为：
  （1）
公式（1）中，Hj为所述映射；xi为输入参数；wij为所述输入参数与所述映射之间的连接权值；aj为所述输入参数与所述映射之间的连接阈值，i为所述输入参数的个数，j为所述映射的个数；
步骤S333、基于所述第一关系表达式得到所述输出参数与所述映射的第二关系表达式，所述第二关系表达式为：
  （2）
公式（2）中，yk为所述输出参数；Hj为所述映射；wjk为所述输出参数与所述映射之间的连接权值；bk为所述输出参数与所述映射之间的连接阈值；k为所述输出参数的个数；j为所述映射的个数；
步骤S334、基于所述第一关系表达式和所述第二关系表达式得到所述训练好的机器学习模型。
在本公开的一种具体实施方式中，所述步骤S334，还可以包括步骤S3341和步骤S3342。
步骤S3341、对于每一个所述原材料配比，随机给所述输入参数与所述映射之间的连接权值、所述输入参数与所述映射之间的连接阈值、所述输出参数与所述映射之间的连接权值、所述输出参数与所述映射之间的连接阈值赋值，赋值后计算得到每一个所述原材料配比所对应的第一输出参数；
步骤S3342、基于每一个所述原材料配比所对应的所述配比得分和所述第一输出参数得到每一个所述原材料配比所对应的目标函数，对所述目标函数中的每一个权值和每一个阈值求偏导数，求得偏导数后更新所述目标函数中的每一个权值和每一个阈值，并计算更新后的每一个权值的偏导数和更新后的每一个阈值的偏导数，当所有的所述目标函数所对应的偏导数均达到最小值时，停止更新，得到所述训练好的机器学习模型。
在本实施例中，以所述第一输出参数和所述配比得分的误差作为目标函数，目标函数的表达式为：
式中，yk’为每一个所述原材料配比所对应的所述配比得分；yk为每一个所述原材料配比所对应的所述第一输出参数；j为所述映射的个数；
在本实施例中，可以利用梯度下降法更新所述目标函数中的每一个权值和每一个阈值。
在本公开的一种具体实施方式中，所述步骤S3，还可以包括步骤S34、步骤S35、步骤S36、步骤S37和步骤S38。
步骤S34、获取相似材料的目标物理力学参数和决定系数阈值和第二数据，所述第二数据包括所述第一物理力学参数中每个参数对应的权重；
步骤S35、基于所述第二数据、所述相似材料的目标物理力学参数和第二物理力学参数计算得到每个所述原材料配比所对应的配比得分，将全部的所述配比得分进行集合得到配比得分集合；
步骤S36、在所述配比得分集合中随机选取第一数量的配比得分，得到第一配比得分子集合，根据所述第一配比得分子集合中每个所述配比得分和每个所述配比得分所对应的所述原材料配比对所述机器学习模型进行训练，得到第一训练模型；
步骤S37、在所述配比得分集合中随机选取第二数量的配比得分，得到第二配比得分子集合，所述第一数量与所述第二数量之和为所述配比得分的个数，基于所述第二配比得分子集合对所述第一训练模型的预测精度进行验证，计算得到所述第一训练模型的决定系数；
步骤S38、判断所述决定系数与所述决定系数阈值之间的关系，其中，若所述决定系数大于或等于所述决定系数阈值，则完成对所述机器学习模型的训练，得到所述训练好的机器学习模型，若小于则向实验人员发送控制命令，所述控制命令包括以所述相似材料的目标物理力学参数为目标参数，进行至少一组配比实验的命令。
本实施例可以理解为：以隧道衬砌的相似材料的目标物理力学参数为参考目标，选用水泥、河沙、水、熟石灰为原材料，进行16组材料物理力学试验，得到16个配比实验所对应的16组重度、弹性模量、抗压强度和泊松比力学参数后，随机选取10组试验数据按照步骤S331、步骤S332、步骤S333和步骤S334的方法对模型进行训练，训练完毕后将剩余的6组实验数据带入模型中对模型的预测精度进行验证，以决定系数为预测精度的判别标准，当决定系数大于或等于0.9时认为模型满足要求，若小于则重新进行配比实验，然后根据配比实验所得的实验数据重新对模型进行训练，直到模型的决定系数大于或等于0.9，完成对模型的训练，得到训练好的机器学习模型。
在本公开的一种具体实施方式中，所述步骤S4，还可以包括步骤S41。
步骤S41、利用遗传算法对所述训练好的机器学习模型进行全局优化，其中，将所述原材料配比与配比得分之间的映射作为遗传算法中的适应度函数，个体编码方法采用实数编码，种群规模设置为100，进化代数设置为100，交叉概率取0.4，变异概率取0.2，对适应度函数进行求解和寻优处理，获得所述相似材料的最佳配比。
实施例2
如图2所示，本实施例提供了一种相似材料的制备装置，所述装置包括第一获取模块701、第二获取模块702、训练模块703和计算模块704。
第一获取模块701，用于获取第一数据，所述第一数据包括原型材料的第一物理力学参数，所述第一物理力学参数包括原型材料的重度、原型材料的弹性模量、原型材料的抗压强度和原型材料的泊松比；
第二获取模块702，用于基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，所述实验数据包括原材料配比和第二物理力学参数，所述原材料配比包括各原材料的用量，所述第二物理力学参数为基于所述原材料配比所制造出来的相似材料的物理力学参数；
训练模块703，用于基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型；
计算模块704，用于利用遗传算法对所述训练好的机器学习模型进行全局优化，得到制备所述相似材料的最佳配比，所述相似材料的最佳配比用于在实际生产中指导所述相似材料的制备。
本实施例根据重度、弹性模量、抗压强度和泊松比四个参数的重要程度分配权重，对实验数据和目标相似材料物理力学参数进行归一化处理并建立两者间误差的评分机制，有效地解决了在配比实验中难以制备满足目标物理力学参数的相似材料的问题；采用以水泥、河沙、水、熟石灰用量为输入参数，以评分机制作为输出参数，两者之间的映射关系建立的预测模型，仅需少量实验数据就可对不同配合比相似材料的物理力学参数进行预测，极大的减少了实验工作量，降低了实验成本。而且该预测模型适应性强，应用广泛，可以应用于不同目标材料的相似材料配置。采用遗传算法获得目标材料的相似材料最优配合比，在保证获得最优配比的同时提高了相似材料制备实验的制备效率。
在本公开的一种具体实施方式中，所述第二获取模块702，还包括第一计算单元7021、第二计算单元7022、发送单元7023和第一获取单元7024。
第一计算单元7021，用于基于所述白金汉定理确定相似体系信息，所述相似体系信息包括每个参数的相似比；
第二计算单元7022，用于基于所述原型材料的重度、原型材料的弹性模量、原型材料的抗压强度、原型材料的泊松比和所述各参数的相似比计算得到相似材料的目标物理力学参数；
发送单元7023，用于基于所述相似材料的目标物理力学参数向实验人员发送控制命令，所述控制命令包括以所述相似材料的目标物理力学参数为目标参数，进行至少一组配比实验的命令；
第一获取单元7024，用于获取实验人员输入的至少一组实验数据。
在本公开的一种具体实施方式中，所述训练模块703，还包括第二获取单元7031、第三计算单元7032和第一训练单元7033。
第二获取单元7031，用于获取相似材料的目标物理力学参数和第二数据，所述第二数据包括所述第一物理力学参数中每个参数对应的权重；
第三计算单元7032，用于基于所述第二数据、所述相似材料的目标物理力学参数和第二物理力学参数计算得到每个所述原材料配比所对应的配比得分；
第一训练单元7033，用于基于所述原材料配比和所述原材料配比所对应的配比得分对机器学习模型进行训练，得到训练好的机器学习模型。
在本公开的一种具体实施方式中，所述第一训练单元7033，还包括标注子单元70331、第一计算子单元70332、第二计算子单元70333和第三计算子单元70334。
标注子单元70331，用于将所述原材料配比中每个原材料的用量记为机器学习模型的输入参数，所述原材料配比所对应的所述配比得分记为机器学习模型的输出参数；
第一计算子单元70332，用于基于所述输入参数，得到所述输入参数与映射的第一关系表达式，所述输入参数与所述输出参数之间通过所述映射进行连接，所述第一关系表达式为：
  （1）
公式（1）中，Hj为所述映射；xi为输入参数；wij为所述输入参数与所述映射之间的连接权值；aj为所述输入参数与所述映射之间的连接阈值，i为所述输入参数的个数，j为所述映射的个数；
第二计算子单元70333，用于基于所述第一关系表达式得到所述输出参数与所述映射的第二关系表达式，所述第二关系表达式为：
  （2）
公式（2）中，yk为所述输出参数；Hj为所述映射；wjk为所述输出参数与所述映射之间的连接权值；bk为所述输出参数与所述映射之间的连接阈值；k为所述输出参数的个数；j为所述映射的个数；
第三计算子单元70334，用于基于所述第一关系表达式和所述第二关系表达式得到所述训练好的机器学习模型。
在本公开的一种具体实施方式中，所述训练模块703，还包括第三获取单元7034、第四计算单元7035、第五计算单元7036、第二训练单元7037和判断单元7038。
第三获取单元7034，用于获取相似材料的目标物理力学参数和决定系数阈值和第二数据，所述第二数据包括所述第一物理力学参数中每个参数对应的权重；
第四计算单元7035，用于基于所述第二数据、所述相似材料的目标物理力学参数和第二物理力学参数计算得到每个所述原材料配比所对应的配比得分，将全部的所述配比得分进行集合得到配比得分集合；
第五计算单元7036，用于在所述配比得分集合中随机选取第一数量的配比得分，得到第一配比得分子集合，根据所述第一配比得分子集合中每个所述配比得分和每个所述配比得分所对应的所述原材料配比对所述机器学习模型进行训练，得到第一训练模型；
第二训练单元7037，用于在所述配比得分集合中随机选取第二数量的配比得分，得到第二配比得分子集合，所述第一数量与所述第二数量之和为所述配比得分的个数，基于所述第二配比得分子集合对所述第一训练模型的预测精度进行验证，计算得到所述第一训练模型的决定系数；
判断单元7038，用于判断所述决定系数与所述决定系数阈值之间的关系，其中，若所述决定系数大于或等于所述决定系数阈值，则完成对所述机器学习模型的训练，得到所述训练好的机器学习模型，若小于则向实验人员发送控制命令，所述控制命令包括以所述相似材料的目标物理力学参数为目标参数，进行至少一组配比实验的命令。
在本公开的一种具体实施方式中，所述计算模块704，还包括第六计算单元7041。
第六计算单元7041，用于利用遗传算法对所述训练好的机器学习模型进行全局优化，其中，将所述原材料配比与配比得分之间的映射作为遗传算法中的适应度函数，个体编码方法采用实数编码，种群规模设置为100，进化代数设置为100，交叉概率取0.4，变异概率取0.2，对适应度函数进行求解和寻优处理，获得所述相似材料的最佳配比。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了相似材料的制备设备，下文描述的相似材料的制备设备与上文描述的相似材料的制备方法可相互对应参照。
图3是根据一示例性实施例示出的相似材料的制备设备800的框图。如图3所示，该相似材料的制备设备800可以包括：处理器801，存储器802。该相似材料的制备设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该相似材料的制备设备800的整体操作，以完成上述的相似材料的制备方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该相似材料的制备设备800的操作，这些数据例如可以包括用于在该相似材料的制备设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该相似材料的制备设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该相似材料的制备设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的相似材料的制备方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的相似材料的制备方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该相似材料的制备设备800的处理器801执行以完成上述的相似材料的制备方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的相似材料的制备方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的相似材料的制备方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种相似材料的制备方法，其特征在于，包括：
获取第一数据，所述第一数据包括原型材料的第一物理力学参数，所述第一物理力学参数包括原型材料的重度、原型材料的弹性模量、原型材料的抗压强度和原型材料的泊松比；
基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，所述实验数据包括原材料配比和第二物理力学参数，所述原材料配比包括各原材料的用量，所述第二物理力学参数为基于所述原材料配比所制造出来的相似材料的物理力学参数；
基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型；
利用遗传算法对所述训练好的机器学习模型进行全局优化，得到制备所述相似材料的最佳配比，所述相似材料的最佳配比用于在实际生产中指导所述相似材料的制备。
2.根据权利要求1所述的相似材料的制备方法，其特征在于，基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，包括：
基于所述白金汉定理确定相似体系信息，所述相似体系信息包括每个参数的相似比；
基于所述原型材料的重度、原型材料的弹性模量、原型材料的抗压强度、原型材料的泊松比和所述各参数的相似比计算得到相似材料的目标物理力学参数；
基于所述相似材料的目标物理力学参数向实验人员发送控制命令，所述控制命令包括以所述相似材料的目标物理力学参数为目标参数，进行至少一组配比实验的命令；
获取实验人员输入的至少一组实验数据。
3.根据权利要求1所述的相似材料的制备方法，其特征在于，基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型，包括：
获取相似材料的目标物理力学参数和第二数据，所述第二数据包括所述第一物理力学参数中每个参数对应的权重；
基于所述第二数据、所述相似材料的目标物理力学参数和第二物理力学参数计算得到每个所述原材料配比所对应的配比得分；
基于所述原材料配比和所述原材料配比所对应的配比得分对机器学习模型进行训练，得到训练好的机器学习模型。
4.根据权利要求3所述的相似材料的制备方法，其特征在于，基于所述原材料配比和所述原材料配比所对应的配比得分对机器学习模型进行训练，得到训练好的机器学习模型，包括：
将所述原材料配比中每个原材料的用量记为机器学习模型的输入参数，所述原材料配比所对应的所述配比得分记为机器学习模型的输出参数；
基于所述输入参数，得到所述输入参数与映射的第一关系表达式，所述输入参数与所述输出参数之间通过所述映射进行连接，所述第一关系表达式为：
  （1）
公式（1）中，Hj为所述映射；xi为输入参数；wij为所述输入参数与所述映射之间的连接权值；aj为所述输入参数与所述映射之间的连接阈值，i为所述输入参数的个数，j为所述映射的个数；
基于所述第一关系表达式得到所述输出参数与所述映射的第二关系表达式，所述第二关系表达式为：
  （2）
公式（2）中，yk为所述输出参数；Hj为所述映射；wjk为所述输出参数与所述映射之间的连接权值；bk为所述输出参数与所述映射之间的连接阈值；k为所述输出参数的个数；j为所述映射的个数；
基于所述第一关系表达式和所述第二关系表达式得到所述训练好的机器学习模型。
5.一种相似材料的制备装置，其特征在于，包括：
第一获取模块，用于获取第一数据，所述第一数据包括原型材料的第一物理力学参数，所述第一物理力学参数包括原型材料的重度、原型材料的弹性模量、原型材料的抗压强度和原型材料的泊松比；
第二获取模块，用于基于白金汉定理和所述第一数据获取实验人员输入的至少一组实验数据，所述实验数据包括原材料配比和第二物理力学参数，所述原材料配比包括各原材料的用量，所述第二物理力学参数为基于所述原材料配比所制造出来的相似材料的物理力学参数；
训练模块，用于基于所述原材料配比和所述第二物理力学参数对机器学习模型进行训练，得到训练好的机器学习模型；
计算模块，用于利用遗传算法对所述训练好的机器学习模型进行全局优化，得到制备所述相似材料的最佳配比，所述相似材料的最佳配比用于在实际生产中指导所述相似材料的制备。
6.根据权利要求5所述的相似材料的制备装置，其特征在于，第二获取模块，包括：
第一计算单元，用于基于所述白金汉定理确定相似体系信息，所述相似体系信息包括每个参数的相似比；
第二计算单元，用于基于所述原型材料的重度、原型材料的弹性模量、原型材料的抗压强度、原型材料的泊松比和所述各参数的相似比计算得到相似材料的目标物理力学参数；
发送单元，用于基于所述相似材料的目标物理力学参数向实验人员发送控制命令，所述控制命令包括以所述相似材料的目标物理力学参数为目标参数，进行至少一组配比实验的命令；
第一获取单元，用于获取实验人员输入的至少一组实验数据。
7.根据权利要求5所述的相似材料的制备装置，其特征在于，训练模块，包括：
第二获取单元，用于获取相似材料的目标物理力学参数和第二数据，所述第二数据包括所述第一物理力学参数中每个参数对应的权重；
第三计算单元，用于基于所述第二数据、所述相似材料的目标物理力学参数和第二物理力学参数计算得到每个所述原材料配比所对应的配比得分；
第一训练单元，用于基于所述原材料配比和所述原材料配比所对应的配比得分对机器学习模型进行训练，得到训练好的机器学习模型。
8.根据权利要求7所述的相似材料的制备装置，其特征在于，第一训练单元，包括：
标注子单元，用于将所述原材料配比中每个原材料的用量记为机器学习模型的输入参数，所述原材料配比所对应的所述配比得分记为机器学习模型的输出参数；
第一计算子单元，用于基于所述输入参数，得到所述输入参数与映射的第一关系表达式，所述输入参数与所述输出参数之间通过所述映射进行连接，所述第一关系表达式为：
  （1）
公式（1）中，Hj为所述映射；xi为输入参数；wij为所述输入参数与所述映射之间的连接权值；aj为所述输入参数与所述映射之间的连接阈值，i为所述输入参数的个数，j为所述映射的个数；
第二计算子单元，用于基于所述第一关系表达式得到所述输出参数与所述映射的第二关系表达式，所述第二关系表达式为：
  （2）
公式（2）中，yk为所述输出参数；Hj为所述映射；wjk为所述输出参数与所述映射之间的连接权值；bk为所述输出参数与所述映射之间的连接阈值；k为所述输出参数的个数；j为所述映射的个数；
第三计算子单元，用于基于所述第一关系表达式和所述第二关系表达式得到所述训练好的机器学习模型。
9.一种相似材料的制备设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述相似材料的制备方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述相似材料的制备方法的步骤。
CN202210124570.6A 2022-02-10 2022-02-10 一种相似材料的制备方法、装置、设备及可读存储介质 Active CN114496125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210124570.6A CN114496125B (zh) 2022-02-10 2022-02-10 一种相似材料的制备方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210124570.6A CN114496125B (zh) 2022-02-10 2022-02-10 一种相似材料的制备方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114496125A CN114496125A (zh) 2022-05-13
CN114496125B true CN114496125B (zh) 2023-05-02

Family

ID=81479190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210124570.6A Active CN114496125B (zh) 2022-02-10 2022-02-10 一种相似材料的制备方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114496125B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117444948B (zh) * 2023-06-08 2024-06-28 香港量子人工智能实验室有限公司 基于人工智能和机器人的自动化材料合成系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567020A (zh) * 2009-05-08 2009-10-28 江苏大学 一种金属塑料复合材料工作层成分配比的优化方法
CN107840629A (zh) * 2017-11-14 2018-03-27 中南大学 一种适用于水力压裂的煤岩相似材料及制备方法
CN110041038A (zh) * 2019-04-29 2019-07-23 西南交通大学 一种用于高速远程滑坡模拟的岩石相似材料及制法
CN111018421A (zh) * 2019-12-23 2020-04-17 山东大学 一种超低渗气密性岩层相似材料及其制备方法和应用
CN111892370A (zh) * 2020-08-14 2020-11-06 三峡大学 地质力学模型试验模拟劣化岩体相似材料及配比确定方法
CN113311136A (zh) * 2021-05-20 2021-08-27 柳州铁道职业技术学院 用于模拟岩溶地区地层的相似试验装置及其制作的方法
CN113793653A (zh) * 2021-08-13 2021-12-14 河海大学 一种基于神经网络的高拱坝模型试验相似材料配合比确定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020090805A1 (ja) * 2018-10-31 2020-05-07 昭和電工株式会社 材料探索装置、方法、およびプログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567020A (zh) * 2009-05-08 2009-10-28 江苏大学 一种金属塑料复合材料工作层成分配比的优化方法
CN107840629A (zh) * 2017-11-14 2018-03-27 中南大学 一种适用于水力压裂的煤岩相似材料及制备方法
CN110041038A (zh) * 2019-04-29 2019-07-23 西南交通大学 一种用于高速远程滑坡模拟的岩石相似材料及制法
CN111018421A (zh) * 2019-12-23 2020-04-17 山东大学 一种超低渗气密性岩层相似材料及其制备方法和应用
CN111892370A (zh) * 2020-08-14 2020-11-06 三峡大学 地质力学模型试验模拟劣化岩体相似材料及配比确定方法
CN113311136A (zh) * 2021-05-20 2021-08-27 柳州铁道职业技术学院 用于模拟岩溶地区地层的相似试验装置及其制作的方法
CN113793653A (zh) * 2021-08-13 2021-12-14 河海大学 一种基于神经网络的高拱坝模型试验相似材料配合比确定方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Changwei Yang等.Study on Damage Evolution Mechanism of Rock-Soil Mass of Accumulation Slope Based on Shaking Table Test.《DOI: 10.21203/rs.3.rs-644142/v1》.2021,1-38. *
Kavya, B.R.等.Prediction of Mechanical Properties of Steel Fiber-reinforced Concrete Using CNN.《Jordan Journal of Civil Engineering》.2022,第16卷(第2期),284-293. *
Shaojie Chen等.Experimental Study on Low-Strength Similar-Material Proportioning and Properties for Coal Mining.《Advances in Materials Science and Engineering》.2015,1-6. *
姜开锋等.锦屏大理岩相似材料制备及其力学性能分析.《解放军理工大学学报(自然科学版)》.2015,第17卷(第01期),56-61. *
秦楠.压力和温度对类软岩强度、损伤耗能及蠕变影响的研究.《中国博士学位论文全文数据库_工程科技Ⅱ辑》.2017,C038-231. *

Also Published As

Publication number Publication date
CN114496125A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN104718569B (zh) 改进语音发音
CN114496125B (zh) 一种相似材料的制备方法、装置、设备及可读存储介质
Javadi et al. Neural network for constitutive modelling in finite element analysis
CN107315862B (zh) 一种建立明挖基坑工程勘察与模拟参数关系的方法
CN111368041B (zh) 材料的确定方法及装置
CN109816265A (zh) 知识特征掌握度的评价方法、题目推荐方法及电子设备
CN116029617B (zh) 质量验收表单的生成方法、装置、设备及可读存储介质
CN112926122A (zh) 基于bim技术的预装三维效果图的建筑施工预拼装方法
CN115145817A (zh) 一种软件测试方法、装置、设备及可读存储介质
KR20220040295A (ko) 메트릭 학습을 위한 가상의 학습 데이터 생성 방법 및 시스템
CN116108590A (zh) 一种重力式挡土墙设计方法、装置、设备及可读存储介质
CN105897376B (zh) 解码器解码性能测试方法及装置
Lyu et al. Machine learning meta-models for fast parameter identification of the lattice discrete particle model
Zou et al. Robust water quality model calibration using an alternating fitness genetic algorithm
CN115859836B (zh) 一种岩体蠕变本构模型参数识别方法、装置、设备及介质
CN115828747B (zh) 考虑颗粒互锁效应的裂隙岩体参数智能标定方法与系统
CN116796282A (zh) 分子筛选方法、训练方法、装置、电子设备以及存储介质
CN110765680A (zh) 工程结构智能损伤识别方法、装置及电子设备
CN113379311A (zh) 页岩气资源评价可靠性的判断方法、装置、设备和存储介质
CN113779665A (zh) 一种基于连续介质的工程岩体破裂劣化数值模拟方法
CN107704642A (zh) 一种基于人工智能算法的土体本构模型参数确定方法
CN111898807A (zh) 一种基于全基因组选择烟叶产量预测方法及应用
CN110502828A (zh) 一种智能建筑巡检管理方法和系统
CN112541628B (zh) 一种多模型耦合驱动的高炉煤气产生量预测方法及系统
WO2023243544A1 (ja) 熱硬化性エポキシ樹脂組成物の探索方法、情報処理装置、及びプログラム

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