CN114970307A - 一种应用于高端装备材料设计优化的通用逆向计算方法 - Google Patents
一种应用于高端装备材料设计优化的通用逆向计算方法 Download PDFInfo
- Publication number
- CN114970307A CN114970307A CN202210177791.XA CN202210177791A CN114970307A CN 114970307 A CN114970307 A CN 114970307A CN 202210177791 A CN202210177791 A CN 202210177791A CN 114970307 A CN114970307 A CN 114970307A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- parameters
- algorithm
- data
- 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.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 116
- 238000013461 design Methods 0.000 title claims abstract description 25
- 230000002441 reversible effect Effects 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 238000002474 experimental method Methods 0.000 claims abstract description 18
- 230000006978 adaptation Effects 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 30
- 230000032683 aging Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000012843 least square support vector machine Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000035882 stress Effects 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 4
- 239000013077 target material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000002829 reductive effect Effects 0.000 abstract description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 230000008878 coupling Effects 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 239000007772 electrode material Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011162 core material Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011173 large scale experimental method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003860 storage 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明具体涉及一种应用于高端装备材料设计优化的通用逆向计算方法，包括以下步骤：获取研究材料的材料数据信息；根据所述材料数据信息构建工业机理模型，分析研究材料在不同运行环境下的变化数据；基于所述工业机理模型输出的材料变化数据，通过AI机器学习算法对不同运行环境下研究材料的使用寿命进行预测；定义研究材料所需要达到的性能目标及适配目标，通过遗传算法和多目标启发式算法确定同时满足性能目标及适配目标的材料的设计参数。克服了现有技术的不足，开发基于工业机理模型算法来评估和表征材料的性能，大幅度降低了实验成本和提高材料表征效率；同时可以在设备设计阶段就对加工与装配后的寿命与性能进行预测。
Description
技术领域
本发明属于高端装备开发技术领域，具体涉及一种应用于高端装备材料设计优化的通用逆向计算方法。
背景技术
材料相关的研究和寻优是世界级难题，其中一个原因是无法建立有效的现有材料和设备性能的关联性，另外一个原因是没有有效的算法根据设备的性能要求对其材料进行分析和调优。不论是通过实验还是通过传统的机理模型计算分析，都基本上不可能找到最佳的高端装备零部件材料组合，其中最重要的原因是零部件的数量可能高达数千甚至上万个，因此通过组合测试或者计算都无法穷举所有的可能性。本专利开发的基于机理模型的通用逆向计算算法是解决这些困难的有效方法，通过少量的材料机理模型计算，结合逆向算法可有效的通过现有数据分析的手段迅速找到最优的材料组合，满足高端装备设计的性能目标。
2018年哈佛大学联合了22个国家启动了通过机器学习的方法来研发和测试新材料的项目，但是由于新材料研发需要大量的材料数据，而建立大型材料数据库的成本和周期是非常漫长的，因此该项目仍然处于前期规划的阶段。同时，目前通过逆向算法来对高端装备制造所需材料的性能与适配性的研究在全球还基本处于空白，本专利开发的通用逆向计算算法在高端装备材料的设计优化领域将处于国际领先地位。
发明内容
本发明的目的在于提供一种应用于高端装备材料设计优化的通用逆向计算方法，克服了现有技术的不足，开发基于工业机理模型算法来评估和表征材料的性能，大幅度降低了实验成本和提高材料表征效率；提出与开发了虚拟装备变形与装配AI模型，有效的提高变形设计与装配设计效率；提出与开发了基于机理模型库的设备寿命预测算法，可以在设备设计阶段就对加工与装配后的寿命与性能进行预测。
为解决上述问题，本发明所采取的技术方案如下：
一种应用于高端装备材料设计优化的通用逆向计算方法，所述方法包括以下步骤：
步骤一、获取研究材料的材料数据信息；
步骤二、根据所述材料数据信息构建工业机理模型，分析研究材料在不同运行环境下的变化数据；
步骤三、基于所述工业机理模型输出的材料变化数据，通过AI机器学习算法对不同运行环境下研究材料的使用寿命进行预测；
步骤四、定义研究材料所需要达到的性能目标及适配目标，通过遗传算法和多目标启发式算法确定同时满足性能目标及适配目标的材料的设计参数。
进一步，步骤一中所述材料数据信息包括数据源收集到的材料数据以及老化实验得到的性能数据，所述老化试验为自然老化实验、自然加速老化实验或人工加速老化实验。
进一步，步骤二中所述运行环境包括压力、温度、湿度或受力。
进一步，步骤二中所述分析研究材料在不同运行环境下的变化数据，具体包括：
(1)基于材料数据信息建立原始样本集，将原始样本集中的各个样本进行去噪处理；
(2)将不同环境的材料数据信息进行分组，将运行环境的变化以及材料数据信息的变化作为输入参数，材料的变化数据作为输出参数，利用Python 软件构建工业机理模型；
(3)输入测试环境数据并利用工业机理模型对不同运行环境的变化数据进行预测；
(4)通过在不同环境条件下的老化测试结果对模型预测的误差，模型的不确定性进行定量分析和验证。
进一步，步骤三中所述通过AI机器学习算法对不同运行环境下研究材料的使用寿命进行预测，具体包括：
(1)根据工业机理模型输出的数据建立原始样本集，将原始样本集中的各个样本进行去噪处理，并将去噪处理后的所述原始样本集按指定比例划分为训练数集和测试数集；
(2)将所述训练数集作为随机森林回归模型的输入，以对构成所述指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；
(3)选取高斯核函数作为最小二乘支持向量机模型的核函数，确定模型中核参数和惩罚参数构成的参数组合，采用遗传算法对最小二乘支持向量机模型的参数组合进行寻优，在全局范围内得到最优参数组合利用寻优之后的最佳参数组合，结合最优特征变量集构建基于遗传算法优化最小二乘支持向量机模型的AI机器学习算法；
(4)输入测试数集并利用AI机器学习算法对不同运行环境下材料的使用寿命进行预测。
进一步，步骤四中所述基于目标材料的性能与适配要求分析与确定材料主要参数，具体包括：
(1)基于目标性能与适配要求确定通用逆向算法的目标函数；
(2)确定主要材料参数的合理的波动区间；
(3)提出主要材料参数的初始值或者赋予常用的材料参数值；
(4)通过在不同环境条件与运行条件下的模型计算来获得最优的主要材料参数值。
本发明与现有技术相比较，具有以下有益效果：
1、本发明通过工业机理模型分析来减少所需要实验测试数据，达到减少实验成本的目的；工业机理模型通过少数的实验数据进行验证后可以对不同材料和在不同运行环境进行计算，可提供原来需要大规模实验才能获得的数据，大幅度提高材料参数和运行数据库的数据量。
2、本发明通过采用工业机理模型输出的数据与AI机器算法配合，可以快速对材料与装备性能进行预测，基于预测的结果为下一步的逆向设计算法提供目标函数。
3、本发明通过对材料或结构参数的逆向设计，以及材料与零部件的自主适配功能，完成高端装备材料与零部件适配系统的开发。
附图说明
图1为实施例2中电化学机理模型参数辨识算法的流程图
图2为实施例2中电芯材料设计逆向计算算法的流程图。
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。
实施例1
本发明所述一种应用于高端装备材料设计优化的通用逆向计算方法，方法包括以下步骤：
步骤一、获取研究材料的材料数据信息；
步骤二、根据材料数据信息构建工业机理模型，分析研究材料在不同运行环境下的变化数据；
步骤三、基于工业机理模型输出的材料变化数据，通过AI机器学习算法对不同运行环境下研究材料的使用寿命进行预测；
步骤四、定义研究材料所需要达到的性能目标及适配目标，通过遗传算法和多目标启发式算法确定同时满足性能目标及适配目标的材料的设计参数。
步骤一中材料数据信息包括数据源收集到的材料数据以及老化实验得到的性能数据，老化试验为自然老化实验、自然加速老化实验或人工加速老化实验。
步骤二中运行环境包括压力、温度、湿度或受力。
步骤二中分析研究材料在不同运行环境下的变化数据，具体包括：
(1)基于材料数据信息建立原始样本集，将原始样本集中的各个样本进行去噪处理；
(2)将不同环境的材料数据信息进行分组，将运行环境的变化以及材料数据信息的变化作为输入参数，材料的变化数据作为输出参数，利用Python 软件构建工业机理模型；
(3)输入测试环境数据并利用工业机理模型对不同运行环境的变化数据进行预测；
(4)通过在不同环境条件下的老化测试结果对模型预测的误差，模型的不确定性进行定量分析和验证。
步骤三中通过AI机器学习算法对不同运行环境下研究材料的使用寿命进行预测，具体包括：
(1)根据工业机理模型输出的数据建立原始样本集，将原始样本集中的各个样本进行去噪处理，并将去噪处理后的原始样本集按指定比例划分为训练数集和测试数集；
(2)将训练数集作为随机森林回归模型的输入，以对构成指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；
(3)选取高斯核函数作为最小二乘支持向量机模型的核函数，确定模型中核参数和惩罚参数构成的参数组合，采用遗传算法对最小二乘支持向量机模型的参数组合进行寻优，在全局范围内得到最优参数组合利用寻优之后的最佳参数组合，结合最优特征变量集构建基于遗传算法优化最小二乘支持向量机模型的AI机器学习算法；
(4)输入测试数集并利用AI机器学习算法对不同运行环境下材料的使用寿命进行预测。
步骤四中所述基于目标材料的性能与适配要求分析与确定材料主要参数，具体包括：
(1)基于目标性能与适配要求确定通用逆向算法的目标函数；
(2)确定主要材料参数的合理的波动区间；
(3)提出主要材料参数的初始值或者赋予常用的材料参数值；
(4)通过在不同环境条件与运行条件下的模型计算来获得最优的主要材料参数值
实施例2
本实施例以锂电池极片材料为例来阐述设备材料设计逆向计算算法的应用流程。
由于锂电池的寿命会受其热环境以及充电和放电方式的影响，为了在整个使用寿命内达到电池的最佳利用率，需要通过实验和逆向技术对其在不同的存储和循环条件下的性能衰减进行表征。
首先可对锂电池进行老化测试，基于一定的实测数据，开发适用于模拟电池老化时容量和电阻变化的通用寿命预测模型，同时通过在不同环境条件下的电池老化测试结果对模型预测的误差，模型的不确定性进行定量分析和验证。
电池寿命预测模型的基础和核心是通过模型来计算和评估锂电池内部的状态。由于电化学模型具有从粒子尺度的反应来描述电池内在机理的能力，因此被认为是精确估计电池状态的最佳方法。
在各种电化学模型中，电化学模型为锂电池的内部传输现象提供最为直观的呈现，同时考虑电化学较为高效的计算效率，可以基于电化学模型来开发电池的寿命预测模型。电化学模型由基于第一原理计算的非线性偏微分方程组组成，应用电化学模型的最大困难是如何准确的辨识模型中的所有参数，其主要原因是实验无法精确的测量部分模型参数。同时，随着充电/放电循环次数的增加，容量将逐渐衰减，并且电池的内部状态将发生变化，因此一些参数是随时间变化的。
为了提高参数辨识的精度和效率，可首先开发通过启发式算法驱动遗传算法的电化学模型参数辨识方法。
锂电池在充电/放电过程中会发生热现象，例如能量守恒，产热和热交换，而电化学模型中的部分参数(例如，扩散系数，电导率和反应速率)取决于电池温度，因此可以在现有的电化学模型上耦合参数和热效应之间的关系式来开发电化学-热耦合模型，之后采用上述的参数辨识方法来确定电化学-热耦合模型的参数。电极和隔膜在充放电和受外力的过程中由于应力应变的影响会导致容量和能量密度的变化，该变化可以通过电化学模型参数的变化来表征，因此可以开发电化学-应力模型来描述这种表征并通过参数辨识算法来确定与应力相关的参数。
基于实测数据，建立上述高效精确的电化学模型，电化学-热模型与电化学-应力模型参数辨识方法和流程，耦合包括SEI增长模型和活性物质结构退化/机械断裂模型。
基于该模型预计能达到以下目标：
(1)电化学机理模型参数辨识算法：开发基于实测数据的可精确辨识电化学模型参数的遗传算法，并通过开发和应用多目标启发算法来提高模型参数辨识的效率。由于电化学模型参数量多，在缺乏足够的实测数据时需要通过梳理文献中已有的参数数据、电化学热力学参数计算方法以及参数无量纲组合方法来减少需要辨识的参数数量，提高参数辨识的效率和精度。同时为了防止参数的过度拟合，将对数据采用最简洁的参数拟合方法，并通过数据的外插来确保拟合曲线在非工况条件下的有效性；
(2)电化学-热模型：开发耦合电化学模型与能量守恒方程的电化学-热模型。该模型可应用于计算热对电化学模型参数的影响，同时还可以通过三维模型精确计算产热率。由于部分电化学模型参数与温度密切相关，因此需要重新通过遗传算法和多目标启发算法来进行电化学-热模型的参数辨识，以确保电化学-热耦合模型参数的精度；
(3)电极的寿命预测仿真模型：通过开发独立的SEI增长模型、活性物质结构退化模型以及机械断裂模型等中等精度的寿命预测模型，或者通过将这些模型与电化学-热-应力模型进行耦合形成高精度的寿命预测模型，对在不同环境温度和不同电池SOH状况下的电池容量衰减、DCR增长与容量跳水进行仿真计算，达到有效电池寿命预测的目的。
(4)电极材料设计逆向计算算法：基于上述的遗传算法和启发式参数辨识算法模型，开发基于电芯功能目标的逆向计算算法，根据所需要的目标来确定电极材料的参数。
电化学机理模型参数辨识算法：
图1显示了基于遗传算法的物理和动态参数辨识流程，其中为新种群，t 是时间，为实测的具体数据，是计算出的具体数据，P2D是伪二维电化学模型，是均方误差。参数辨识的输入数据是在0.01C和3C速率下电流曲线。
首先通过实验获得这些电流曲线下的电压数据作为遗传算法的参考和对比数据。遗传算法通过一个随机生成的个体组成的种群来初始化遗传算法同时启动进化过程，每个个体都是一个电化学模型参数集。进化是一个迭代过程，其中每次迭代中的种群称为一代，在每一代中电化学模型计算得到的电压数据与实测电压进行比较来评估个体的适应性。之后从每个种群中随机选择最合适的个体，并对每个个体的基因组进行重组和随机突变，形成新一代种群，然后进行下一次迭代计算直到获得精度足够高的模型参数。
算法流程：
(1)计算初始化，种群产生(每个个体为电化学模型的一组参数)
(2)针对每一种群进行电化学模型的迭代计算
(3)比较计算结果与参考数据(实测数据或者已有可靠数值数据)
(4)选择最相近的个体进行逐代演化计算直到产生精度足够高的解电化学机理模型电极参数辨识算法：
为了快速辨识电化学模型的所有的参数，参数辨识过程的启发式算法首先通过热力学模型以及在0.01C放电倍率下的实测结果来减少电化学模型需要辨识的参数量，然后将需要辨识的参数分解为静态的物理参数组合以及动态参数组合，最后通过遗传算法分别对两组参数进行辨识。
基于参数辨识的电芯材料设计逆向计算算法：
如图2所示，为了快速开发满足要求的电芯材料，首先定义材料所需达到的性能目标以及零部件材料适配的目标，通过与上述的参数辨识相似的方法进行材料参数的逆向计算，也就是通过遗传算法和多目标启发式算法来分别确定材料的静态物理参数和动态参数。通过同样的方法可以确定材料的适配目标，例如目标式确保电解液和电极材料的适配性以达到高导电率的目标，也是通过逆向设计的计算算法来确定不同部分的材料参数。确定材料参数后，可通过现有的材料进行适配以确保制造能达到目标。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种应用于高端装备材料设计优化的通用逆向计算方法，其特征在于：所述方法包括以下步骤：
步骤一、获取研究材料的材料数据信息；
步骤二、根据所述材料数据信息构建工业机理模型，分析研究材料在不同运行环境下的变化数据；
步骤三、基于所述工业机理模型输出的材料变化数据，通过AI机器学习算法对不同运行环境下研究材料的使用寿命进行预测；
步骤四、定义研究材料所需要达到的性能目标及适配目标，通过遗传算法和多目标启发式算法确定同时满足性能目标及适配目标的材料的设计参数。
2.根据权利要求1所述的一种应用于高端装备材料设计优化的通用逆向计算方法，其特征在于：步骤一中所述材料数据信息包括数据源收集到的材料数据以及老化实验得到的性能数据，所述老化试验为自然老化实验、自然加速老化实验或人工加速老化实验。
3.根据权利要求2所述的一种应用于高端装备材料设计优化的通用逆向计算方法，其特征在于：步骤二中所述运行环境包括压力、温度、湿度或受力。
4.根据权利要求3所述的一种应用于高端装备材料设计优化的通用逆向计算方法，其特征在于：步骤二中所述分析研究材料在不同运行环境下的变化数据，具体包括：
(1)基于材料数据信息建立原始样本集，将原始样本集中的各个样本进行去噪处理；
(2)将不同环境的材料数据信息进行分组，将运行环境的变化以及材料数据信息的变化作为输入参数，材料的变化数据作为输出参数，利用Python软件构建工业机理模型；
(3)输入测试环境数据并利用工业机理模型对不同运行环境的变化数据进行预测；
(4)通过在不同环境条件下的老化测试结果对模型预测的误差，模型的不确定性进行定量分析和验证。
5.根据权利要求1所述的一种应用于高端装备材料设计优化的通用逆向计算方法，其特征在于：步骤三中所述通过AI机器学习算法对不同运行环境下研究材料的使用寿命进行预测，具体包括：
(1)根据工业机理模型输出的数据建立原始样本集，将原始样本集中的各个样本进行去噪处理，并将去噪处理后的所述原始样本集按指定比例划分为训练数集和测试数集；
(2)将所述训练数集作为随机森林回归模型的输入，以对构成所述指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；
(3)选取高斯核函数作为最小二乘支持向量机模型的核函数，确定模型中核参数和惩罚参数构成的参数组合，采用遗传算法对最小二乘支持向量机模型的参数组合进行寻优，在全局范围内得到最优参数组合利用寻优之后的最佳参数组合，结合最优特征变量集构建基于遗传算法优化最小二乘支持向量机模型的AI机器学习算法；
(4)输入测试数集并利用AI机器学习算法对不同运行环境下材料的使用寿命进行预测。
6.根据权利要求3所述的一种应用于高端装备材料设计优化的通用逆向计算方法，其特征在于：步骤四中所述基于目标材料的性能与适配要求分析与确定材料主要参数，具体包括：
(1)基于目标性能与适配要求确定通用逆向算法的目标函数；
(2)确定主要材料参数的合理的波动区间；
(3)提出主要材料参数的初始值或者赋予常用的材料参数值；
(4)通过在不同环境条件与运行条件下的模型计算来获得最优的主要材料参数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210177791.XA CN114970307B (zh) | 2022-02-25 | 一种应用于高端装备材料设计优化的通用逆向计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210177791.XA CN114970307B (zh) | 2022-02-25 | 一种应用于高端装备材料设计优化的通用逆向计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970307A true CN114970307A (zh) | 2022-08-30 |
| CN114970307B CN114970307B (zh) | 2024-06-04 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| US20180300639A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel autonomous artificially intelligent system to predict pipe leaks |
| CN110648727A (zh) * | 2019-10-30 | 2020-01-03 | 华南理工大学 | 一种特定物理性能的玻璃材料的制备方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| US20210027001A1 (en) * | 2019-07-23 | 2021-01-28 | Beihang University | Method for Predicting Sealing Reliability of Soft Packing Lithium Ion Battery |
| US20210089691A1 (en) * | 2019-09-23 | 2021-03-25 | Fengping ZHAO | Method, system and computer-readable storage medium for simulating clothing comfort and method for manufacturing clothing |
| CN113378473A (zh) * | 2021-06-23 | 2021-09-10 | 中国地质科学院水文地质环境地质研究所 | 一种基于机器学习模型的地下水砷风险预测方法 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| US20180300639A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel autonomous artificially intelligent system to predict pipe leaks |
| US20210027001A1 (en) * | 2019-07-23 | 2021-01-28 | Beihang University | Method for Predicting Sealing Reliability of Soft Packing Lithium Ion Battery |
| US20210089691A1 (en) * | 2019-09-23 | 2021-03-25 | Fengping ZHAO | Method, system and computer-readable storage medium for simulating clothing comfort and method for manufacturing clothing |
| CN110648727A (zh) * | 2019-10-30 | 2020-01-03 | 华南理工大学 | 一种特定物理性能的玻璃材料的制备方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN113378473A (zh) * | 2021-06-23 | 2021-09-10 | 中国地质科学院水文地质环境地质研究所 | 一种基于机器学习模型的地下水砷风险预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 顾佳晨;安立文;张健;郭英敏;: "复吹转炉过程控制系统的研究与开发", 冶金自动化, no. 04, 25 July 2010 (2010-07-25) * |
| 黄苏丹;刘淮源;曹广忠;周霖;吴海林;胡益民;敬刚;曹鸣皋;肖文鹏;刘岩;: "基于自适应遗传算法的LED器件多应力条件下寿命快速评估系统模型", 中国科学:技术科学, no. 09, 20 September 2016 (2016-09-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
| CN110414117B (zh) | 一种软包锂离子电池密封可靠度预测方法 | |
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| CN105608263B (zh) | 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法 | |
| CN111832221A (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN113761751A (zh) | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 | |
| Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
| Guo et al. | Identification of mechanism consistency for LFP/C batteries during accelerated aging tests based on statistical distributions | |
| CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
| Jing et al. | A systematic framework for battery performance estimation considering model and parameter uncertainties | |
| CN111241685B (zh) | 一种锂电池组系统可靠性优化设计方法 | |
| CN110059342B (zh) | 一种锂离子电池p2d模型的参数估计方法 | |
| CN114970307B (zh) | 一种应用于高端装备材料设计优化的通用逆向计算方法 | |
| CN116400246B (zh) | 基于aco-gmr的储能电站电池健康状态估计方法 | |
| Kim et al. | Bayesian parameter identification in electrochemical model for lithium-ion batteries | |
| CN114970307A (zh) | 一种应用于高端装备材料设计优化的通用逆向计算方法 | |
| CN115935761B (zh) | 设备的可靠性仿真方法、装置、计算机设备和存储介质 | |
| CN115879378B (zh) | 一种电芯的膨胀力预测模型的训练方法及装置 | |
| CN116184214A (zh) | 车用动力电池寿命在线快速预测方法、装置及存储介质 | |
| CN116338464A (zh) | 动力电池组合寿命模型的构建方法及电池寿命评估方法 | |
| CN114936475A (zh) | 一种基于拟合优度可信度融合的复杂系统成功率评估方法 | |
| CN114091243A (zh) | 一种产品概念设计可靠性的预测方法及系统 | |
| Li et al. | A million cycles in a day: Enabling high-throughput computing of lithium-ion battery degradation with physics-based models | |
| Sánchez et al. | Informed weak supervision for battery deterioration level labeling |
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 |