CN115101149A - 材料微观结构总能量预测方法 - Google Patents
材料微观结构总能量预测方法 Download PDFInfo
- Publication number
- CN115101149A CN115101149A CN202210767635.9A CN202210767635A CN115101149A CN 115101149 A CN115101149 A CN 115101149A CN 202210767635 A CN202210767635 A CN 202210767635A CN 115101149 A CN115101149 A CN 115101149A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- sample data
- microstructure
- network model
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000000329 molecular dynamics simulation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 28
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000003775 Density Functional Theory Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了材料微观结构总能量预测方法。其从材料微观结构样本数据中获得一维序列样本数据,并对一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;构建注意力卷积神经网络模型,和将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;将待测试材料样本对应的一维序列样本数据转换为二维时频谱图,再将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果;上述方法采用机器学习以及基于原子坐标构建体系总能量,对原子体系的大规模和长时间的分子动力学模拟,对材料的微观结构进行大空间和时间尺度的模拟,提高能量预测的精确性。
Description
技术领域
本发明涉及材料微观结构分析的技术领域,特别涉及材料微观结构总能量预测方法。
背景技术
目前,在材料科学等研究领域中,通常需要对材料的微观结构总能量分布情况进行测量。现有技术主要包括基于计算机模拟计算和基于经验公式的总能量计算两种方式来实现相应的计算测量。其中,基于计算机模拟计算的方式可以使用密度泛函理论的第一性原理,其不需要额外参数且计算精度较高,但是其模拟时间比较短;基于经验公式的总能量计算的方式能够模拟的空间和时间尺度相对较大,但其精度受到总能量函数形式和拟合参数的限制,难以推广到一般的材料理论预测。可见,上述两种方式无法同时满足对材料的微观结构进行大空间和时间尺度的模拟,以及精确可靠的总能量分布预测。
发明内容
针对现有技术存在的缺陷,本发明提供材料微观结构总能量预测方法,其从材料微观结构样本数据中获得一维序列样本数据,并对一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;构建注意力卷积神经网络模型,和将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;将待测试材料样本对应的一维序列样本数据转换为二维时频谱图,再将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果;上述方法采用机器学习以及基于原子坐标构建体系总能量,实现对原子体系的大规模和长时间的分子动力学模拟,对材料的微观结构进行大空间和时间尺度的模拟,以及精确可靠的总能量分布预测。
本发明提供一种材料微观结构总能量预测方法,其包括如下步骤:
步骤S1,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据;
步骤S2,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据;再对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;
步骤S3,构建注意力卷积神经网络模型,将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;
步骤S4,获取待测试材料样本对应的一维序列样本数据,并将其转换为二维时频谱图;将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果。
进一步,在所述步骤S1之前,还包括:
根据材料样品的原子理论排列结构,构建材料样品对应的原子坐标构建体系;其中,所述原子坐标构建体系是指以材料样品的所有类型原子的理论排列结构为基准,构建形成的坐标体系。
进一步,在所述步骤S1中,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据具体包括:
基于材料的原子坐标构建体系,对预先给定的材料微观结构数据进行坐标转换,从而得到每个材料样品对应的材料微观结构样本数据。
进一步,在所述步骤S2中,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据具体包括:
根据所述原子坐标构建体系包含的所有坐标轴方向,将每个材料微观结构样本数据划分为对应于不同坐标轴方向的一维序列样本数据。
进一步,在所述步骤S2中,对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图具体包括:
利用下面公式(1)和(2),对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图,
STFTi(τ,f)=∑Xi(λ)w(τ-λ)e-j2πfλ (1)
Si=|STFTi(τ,f)|2 (2)
在上述公式(1)和(2)中,Xi(λ)表示第i个一维序列样本数据;w(λ)表示窗函数;τ表示时间;f表示频率;STFTi(τ,f)是第i个一维序列样本数据对应于变量(τ,ω)的二维函数,表示序列Xi(λ)加窗后的傅里叶变换结果;Si表示二维时频谱图。
进一步,在所述步骤S3中,构建注意力卷积神经网络模型具体包括:
构建两层二维卷积形式的注意力卷积神经网络模型,并且在两层二维卷积层之间串联通道注意力模块和空间注意力模块。
进一步,在所述步骤S3中,还包括:
利用下面公式(3),构建形成所述通道注意力模块,
在上述公式(3)中,Mc(F)表示通道注意力模块;σ表示Sigmoid函数,其为激活函数;F表示注意力卷积神经网络模型的中间特征,并且 表示实数域;C表示特征通道数;H表示特征图高度;W表示特征图宽度;MLP表示注意力卷积神经网络模型,并且隐藏层的大小为r表示压缩率;AvgPool表示平均值池化函数;MaxPool表示最大值池化函数;W0表示MLP输入层的权重,并且W1表示MLP隐藏层的权重,并且表示均值池化后的特征;表示最大池化后的特征;
以及,
利用下面公式(4),构建形成所述空间注意力模块,
在上述公式(4)中,MS(F)表示空间注意力模块;σ表示Sigmoid函数,其为激活函数;fQ×Q(·)表示卷积和大小Q×Q;AvgPool表示平均值池化函数;MaxPool表示最大值池化函数;;表示平均值池化得到的二维时频谱图,并且表示最大值池化得到的二维时频谱图,并且
进一步,在所述步骤S3中,在两层二维卷积层之间串联通道注意力模块和空间注意力模块具体包括:
在两层二维卷积层之间先连接通道注意力模块,再连接空间注意力模块;
最后将特征F″输入到空间注意力模块的后一层二维卷积层。
进一步,在所述步骤S3中,还包括:
利用下面公式(5),确定所述注意力卷积神经网络模型的损失函数使用交叉熵,
在上述公式(5)中,H(p,q)表示损失函数使用交叉熵;m表示一维序列样本数据的总数量;p(Xi)表示第i个一维序列样本数据对应的标记真实概率分布;q(Xi)表示第i个一维序列样本数据对应的预测概率分布;
当所述损失函数使用交叉熵满足预设条件时,确定对所述注意力卷积神经网络模型完成训练。
进一步,在所述步骤S4中,具体包括:
根据上述步骤S2,将待测试材料样本对应的一维序列样本数据转换为二维时频谱图后;
将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果。
相比于现有技术,该材料微观结构总能量预测方法从材料微观结构样本数据中获得一维序列样本数据,并对一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;构建注意力卷积神经网络模型,和将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;将待测试材料样本对应的一维序列样本数据转换为二维时频谱图,再将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果;上述方法采用机器学习以及基于原子坐标构建体系总能量,实现对原子体系的大规模和长时间的分子动力学模拟,对材料的微观结构进行大空间和时间尺度的模拟,以及精确可靠的总能量分布预测。
本发明的其它特征和优点将在随后的说明书中阐述,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而了解。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。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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,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为本发明提供的材料微观结构总能量预测方法的流程示意图。
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他实施例,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的材料微观结构总能量预测方法的流程示意图。该材料微观结构总能量预测方法包括如下步骤:
步骤S1,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据;
步骤S2,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据;再对该一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;
步骤S3,构建注意力卷积神经网络模型,将所有二维时频谱图输入到该注意力卷积神经网络模型,以此对网络模型进行训练;
步骤S4,获取待测试材料样本对应的一维序列样本数据,并将其转换为二维时频谱图;将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果。
上述技术方案的有益效果为:该材料微观结构总能量预测方法从材料微观结构样本数据中获得一维序列样本数据,并对一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;构建注意力卷积神经网络模型,和将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;将待测试材料样本对应的一维序列样本数据转换为二维时频谱图,再将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果;上述方法采用机器学习以及基于原子坐标构建体系总能量,实现对原子体系的大规模和长时间的分子动力学模拟,对材料的微观结构进行大空间和时间尺度的模拟,以及精确可靠的总能量分布预测。
优选地,在该步骤S1之前,还包括:
根据材料样品的原子理论排列结构,构建材料样品对应的原子坐标构建体系;其中,该原子坐标构建体系是指以材料样品的所有类型原子的理论排列结构为基准,构建形成的坐标体系。
上述技术方案的有益效果为:以材料样品自身的原子理论排列结构为基准,构建材料样品对应的原子坐标构建体系,这样可保证后续对检测得到的实测材料微观结构数据进行统一坐标体系的转换。
优选地,在该步骤S1中,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据具体包括:
基于材料的原子坐标构建体系,对预先给定的材料微观结构数据进行坐标转换,从而得到每个材料样品对应的材料微观结构样本数据。
上述技术方案的有益效果为:基于材料的原子坐标构建体系对预先给定的材料微观结构数据进行坐标转换,能够保证所有预先给定的材料微观结构数据在同一坐标体系下进行表征,提高结构数据的统一性。
优选地,在该步骤S2中,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据具体包括:
根据该原子坐标构建体系包含的所有坐标轴方向,将每个材料微观结构样本数据划分为对应于不同坐标轴方向的一维序列样本数据。
上述技术方案的有益效果为:以原子坐标构建体系包含的所有坐标轴方向为基准,将每个材料微观结构样本数据划分为对应于不同坐标轴方向的一维序列样本数据,这样能够在不同坐标轴方向上获得一维序列样本数据,从而简化材料微观结构样本数据的数据复杂性。
优选地,在该步骤S2中,对该一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图具体包括:
利用下面公式(1)和(2),对该一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图,
STFTi(τ,f)=∑Xi(λ)w(τ-λ)e-j2πfλ (1)
Si=|STFTi(τ,f)|2 (2)
在上述公式(1)和(2)中,Xi(λ)表示第i个一维序列样本数据;w(λ)表示窗函数;τ表示时间;f表示频率;STFTi(τ,f)是第i个一维序列样本数据对应于变量(τ,ω)的二维函数,表示序列Xi(λ)加窗后的傅里叶变换结果;Si表示二维时频谱图。
上述技术方案的有益效果为:利用上述公式(1)和(2),将一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图,这样将与空间相关的一维序列样本数据转换为与时间相关的二维时频谱图,从而实现对样本数据的时空转换,便于后续网络模型在空间和时间尺度上进行有效的训练。
优选地,在该步骤S3中,构建注意力卷积神经网络模型具体包括:
构建两层二维卷积形式的注意力卷积神经网络模型,并且在两层二维卷积层之间串联通道注意力模块和空间注意力模块。
上述技术方案的有益效果为:以通道注意力模块和空间注意力模块串联的方式,将两层二维卷积层进行连接,这样可对处于上游的卷积层的输出进行通道注意力和空间注意力的特征提取,提高对网络模型的训练效率。
优选地,在该步骤S3中,还包括:
利用下面公式(3),构建形成该通道注意力模块,
在上述公式(3)中,Mc(F)表示通道注意力模块;σ表示Sigmoid函数,其为激活函数;F表示注意力卷积神经网络模型的中间特征,并且 表示实数域;C表示特征通道数;H表示特征图高度;W表示特征图宽度;MLP表示注意力卷积神经网络模型,并且隐藏层的大小为r表示压缩率;AvgPool表示平均值池化函数;MaxPool表示最大值池化函数;W0表示MLP输入层的权重,并且W1表示MLP隐藏层的权重,并且表示均值池化后的特征;表示最大池化后的特征;
以及,
利用下面公式(4),构建形成该空间注意力模块,
在上述公式(4)中,MS(F)表示空间注意力模块;σ表示Sigmoid函数,其为激活函数;fQ×Q(·)表示卷积和大小Q×Q;AvgPool表示平均值池化函数;MaxPool表示最大值池化函数;;表示平均值池化得到的二维时频谱图,并且表示最大值池化得到的二维时频谱图,并且
上述技术方案的有益效果为:利用上述公式(3)和(4),能够保证通道注意力模块和空间注意力模块对样本数据的有效全面学习,使得网络模型能够适应不同类型样本数据的训练,提高网络模型的学习性能。
优选地,在该步骤S3中,在两层二维卷积层之间串联通道注意力模块和空间注意力模块具体包括:
在两层二维卷积层之间先连接通道注意力模块,再连接空间注意力模块;
最后将特征F″输入到空间注意力模块的后一层二维卷积层。
上述技术方案的有益效果为:通过上述方式在两层二维卷积层之间先连接通道注意力模块,再连接空间注意力模块,这样可保证两层二维卷积层之间样本数据的学习连贯性,提高网络模型的训练可靠性。
优选地,在该步骤S3中,还包括:
利用下面公式(5),确定该注意力卷积神经网络模型的损失函数使用交叉熵,
在上述公式(5)中,H(p,q)表示损失函数使用交叉熵;m表示一维序列样本数据的总数量;p(Xi)表示第i个一维序列样本数据对应的标记真实概率分布;q(Xi)表示第i个一维序列样本数据对应的预测概率分布;
当该损失函数使用交叉熵满足预设条件时,确定对该注意力卷积神经网络模型完成训练。
上述技术方案的有益效果为:利用上述公式(5),以损失函数使用交叉熵作为注意力卷积神经网络模型是否完成训练的参考标准,从而提高注意力卷积神经网络模型的训练效率和保证注意力卷积神经网络模型的学习效率。
优选地,在该步骤S4中,具体包括:
根据上述步骤S2,将待测试材料样本对应的一维序列样本数据转换为二维时频谱图后;
将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果。
上述技术方案的有益效果为:根据前述的步骤S2,将待测试材料样本对应的一维序列样本数据转换为二维时频谱图,这样可将测试材料样本对应的一维序列样本数据转换为注意力卷积神经网络模型能够进行学习分析的数据类型,保证对注意力卷积神经网络模型的兼容性。
从上述实施例的内容可知,该材料微观结构总能量预测方法从材料微观结构样本数据中获得一维序列样本数据,并对一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;构建注意力卷积神经网络模型,和将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;将待测试材料样本对应的一维序列样本数据转换为二维时频谱图,再将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果;上述方法采用机器学习以及基于原子坐标构建体系总能量,实现对原子体系的大规模和长时间的分子动力学模拟,对材料的微观结构进行大空间和时间尺度的模拟,以及精确可靠的总能量分布预测。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种材料微观结构总能量预测方法,其特征在于,其包括如下步骤:
步骤S1,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据;
步骤S2,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据;再对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;
步骤S3,构建注意力卷积神经网络模型,将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;
步骤S4,获取待测试材料样本对应的一维序列样本数据,并将其转换为二维时频谱图;将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果。
2.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:
在所述步骤S1之前,还包括:
根据材料样品的原子理论排列结构,构建材料样品对应的原子坐标构建体系;其中,所述原子坐标构建体系是指以材料样品的所有类型原子的理论排列结构为基准,构建形成的坐标体系。
3.如权利要求2所述的材料微观结构总能量预测方法,其特征在于:
在所述步骤S1中,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据具体包括:
基于材料的原子坐标构建体系,对预先给定的材料微观结构数据进行坐标转换,从而得到每个材料样品对应的材料微观结构样本数据。
4.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:
在所述步骤S2中,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据具体包括:
根据所述原子坐标构建体系包含的所有坐标轴方向,将每个材料微观结构样本数据划分为对应于不同坐标轴方向的一维序列样本数据。
5.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:
在所述步骤S2中,对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图具体包括:
利用下面公式(1)和(2),对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图,
STFTi(τ,f)=∑Xi(λ)w(τ-λ)e-j2πfλ (1)
Si=|STFTi(τ,f)|2 (2)
在上述公式(1)和(2)中,Xi(λ)表示第i个一维序列样本数据;w(λ)表示窗函数;τ表示时间;f表示频率;STFTi(τ,f)是第i个一维序列样本数据对应于变量(τ,ω)的二维函数,表示序列Xi(λ)加窗后的傅里叶变换结果;Si表示二维时频谱图。
6.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:
在所述步骤S3中,构建注意力卷积神经网络模型具体包括:
构建两层二维卷积形式的注意力卷积神经网络模型,并且在两层二维卷积层之间串联通道注意力模块和空间注意力模块。
7.如权利要求6所述的材料微观结构总能量预测方法,其特征在于:
在所述步骤S3中,还包括:
利用下面公式(3),构建形成所述通道注意力模块,
在上述公式(3)中,Mc(F)表示通道注意力模块;σ表示Sigmoid函数,其为激活函数;F表示注意力卷积神经网络模型的中间特征,并且 表示实数域;C表示特征通道数;H表示特征图高度;W表示特征图宽度;MLP表示注意力卷积神经网络模型,并且隐藏层的大小为r表示压缩率;AvgPool表示平均值池化函数;MaxPool表示最大值池化函数;W0表示MLP输入层的权重,并且W1表示MLP隐藏层的权重,并且 表示均值池化后的特征;表示最大池化后的特征;
以及,
利用下面公式(4),构建形成所述空间注意力模块,
10.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:
在所述步骤S4中,具体包括:
根据上述步骤S2,将待测试材料样本对应的一维序列样本数据转换为二维时频谱图后;
将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767635.9A CN115101149B (zh) | 2022-06-30 | 2022-06-30 | 材料微观结构总能量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767635.9A CN115101149B (zh) | 2022-06-30 | 2022-06-30 | 材料微观结构总能量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115101149A true CN115101149A (zh) | 2022-09-23 |
CN115101149B CN115101149B (zh) | 2024-05-24 |
Family
ID=83294707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210767635.9A Active CN115101149B (zh) | 2022-06-30 | 2022-06-30 | 材料微观结构总能量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115101149B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115586254A (zh) * | 2022-09-30 | 2023-01-10 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
WO2021002111A1 (ja) * | 2019-07-03 | 2021-01-07 | 富士フイルム株式会社 | 学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置 |
CN112199548A (zh) * | 2020-09-28 | 2021-01-08 | 华南理工大学 | 一种基于卷积循环神经网络的音乐音频分类方法 |
CN113327652A (zh) * | 2021-05-11 | 2021-08-31 | 扬州大学 | 一种基于注意力机制和晶体图卷神经网络的晶体性质预测和分类方法 |
CN113449804A (zh) * | 2021-07-09 | 2021-09-28 | 曲阜师范大学 | 血液类别的确定方法及相关设备 |
CN113505877A (zh) * | 2021-07-08 | 2021-10-15 | 中国海洋大学 | 一种基于多任务学习的回归预测方法及应用 |
-
2022
- 2022-06-30 CN CN202210767635.9A patent/CN115101149B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
CN113168891A (zh) * | 2018-09-14 | 2021-07-23 | 西北大学 | 用于材料系统的设计优化和/或性能预测的数据驱动的表示和聚类离散化方法及系统及其应用 |
WO2021002111A1 (ja) * | 2019-07-03 | 2021-01-07 | 富士フイルム株式会社 | 学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置 |
CN112199548A (zh) * | 2020-09-28 | 2021-01-08 | 华南理工大学 | 一种基于卷积循环神经网络的音乐音频分类方法 |
CN113327652A (zh) * | 2021-05-11 | 2021-08-31 | 扬州大学 | 一种基于注意力机制和晶体图卷神经网络的晶体性质预测和分类方法 |
CN113505877A (zh) * | 2021-07-08 | 2021-10-15 | 中国海洋大学 | 一种基于多任务学习的回归预测方法及应用 |
CN113449804A (zh) * | 2021-07-09 | 2021-09-28 | 曲阜师范大学 | 血液类别的确定方法及相关设备 |
Non-Patent Citations (5)
Title |
---|
包志强等: "快速的卷积神经网络算法及应用", 《计算机工程与设计》, vol. 41, no. 08, 16 August 2020 (2020-08-16), pages 2213 - 2217 * |
左超等: "深度学习下的计算成像:现状、挑战与未来", 《光学学报》, vol. 40, no. 01, 11 December 2019 (2019-12-11), pages 45 - 70 * |
李恒等: "基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法", 《振动与冲击》, vol. 37, no. 19, 15 October 2018 (2018-10-15), pages 132 - 139 * |
赵瑞等: "人工神经网络加速计算材料科学的研究进展", 《吉林师范大学学报(自然科学版)》, vol. 44, no. 01, 7 February 2023 (2023-02-07), pages 21 - 33 * |
郑萌萌等: "含钴阳极氧化铝膜的磁致偏光特性", 《光学学报》, vol. 31, no. 01, 15 January 2011 (2011-01-15), pages 274 - 279 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115586254A (zh) * | 2022-09-30 | 2023-01-10 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及系统 |
CN115586254B (zh) * | 2022-09-30 | 2024-05-03 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115101149B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN102667501B (zh) | 使用反卷积和窗的精确波形测量 | |
CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及系统 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
Zhang et al. | Fault identification based on PD ultrasonic signal using RNN, DNN and CNN | |
CN103246762A (zh) | 一种电力推进系统仿真可信度的综合评估方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN105205495A (zh) | 基于emd-elm的非平稳脉动风速预测方法 | |
CN113219070A (zh) | 一种基于声发射的结构损伤定位新方法 | |
Ayotte et al. | A simple temporal and spatial analysis of flow in complex terrain in the context of wind energy modelling | |
CN115101149A (zh) | 材料微观结构总能量预测方法 | |
CN108319739A (zh) | 一种混沌rbf神经网络汽油机进气流量预测方法 | |
CN114818828B (zh) | 雷达干扰感知模型的训练方法及雷达干扰信号识别方法 | |
CN114218778A (zh) | 一种用于声爆试验数据的分析方法及装置 | |
CN102567630B (zh) | 一种大跨桥梁结构风致振动响应的确定方法 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN116304546A (zh) | 基于声音信号的供热系统热力站故障诊断方法及系统 | |
CN115809716A (zh) | 一种基于多分辨分析和小波包重构的航迹预测方法及装置 | |
CN103728135A (zh) | 一种非负矩阵分解的轴承故障特征提取和诊断方法 | |
CN108181059A (zh) | 基于小波信号的多相流管道泄漏声波信号识别方法 | |
CN110889196A (zh) | 水环境承载力评估方法、装置及存储介质 | |
CN104951798A (zh) | 基于emd的lssvm非平稳脉动风速预测方法 | |
CN103577877B (zh) | 一种基于时频分析和bp神经网络的船舶运动预报方法 | |
CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 |
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 |