CN116467894A - 一种基于机器学习分子动力学的辐照损伤仿真系统及方法 - Google Patents
一种基于机器学习分子动力学的辐照损伤仿真系统及方法 Download PDFInfo
- Publication number
- CN116467894A CN116467894A CN202310546898.1A CN202310546898A CN116467894A CN 116467894 A CN116467894 A CN 116467894A CN 202310546898 A CN202310546898 A CN 202310546898A CN 116467894 A CN116467894 A CN 116467894A
- Authority
- CN
- China
- Prior art keywords
- unit
- simulation
- machine learning
- model
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000000329 molecular dynamics simulation Methods 0.000 title claims abstract description 77
- 238000010801 machine learning Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000000137 annealing Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000005855 radiation Effects 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 21
- 238000012800 visualization Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 239000013078 crystal Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 39
- 230000007547 defect Effects 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 21
- 238000005381 potential energy Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002040 relaxant effect Effects 0.000 claims description 3
- 238000007794 visualization technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012900 molecular simulation Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
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
-
- 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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及模拟仿真技术领域,具体公开了一种基于机器学习分子动力学的辐照损伤仿真系统及方法;系统包括:训练模块,用于基于机器学习训练平台搜寻相关参数和调节体系模型相关参数,得到搜取和调节模型;搜取模块,用于通过交互获取数据特征值,根据数据特征值得到信息的数据量和与特征值的拟合量,找到对应的分子动力学相关参数;仿真计算模块,用于初始化体系模型以及材料辐照损伤模拟,模拟晶体模型在辐照下的原子级联碰撞,并在最后进行退火;可视化模块,用于可视化体系模型、体系热力学性质信息以及体系缺陷信息,本公开方法简化了基于分子动力学进行材料辐照效应的模拟计算,减小研究过程工作量,缩短工作周期,同时实现实验结果可视化。
Description
技术领域
本公开涉及模拟仿真技术领域,尤其是涉及一种基于机器学习分子动力学的辐照损伤仿真系统及方法。
背景技术
核能因其清洁、环保、低耗等优势下,长期居于世界能源发展核心地位。但核反应堆长期高温、高中子通量等严酷工况条件,使得其内部结构材料服役性能容易大幅度衰退,在宏观上会产生如辐照硬化、辐照脆化、辐照疲劳、肿胀、元素偏析等辐照效应。这些严重限制了核结构材料的使用效能及服役寿命等。其中,核反应堆中释放的中子、带电粒子或裂变碎片等会和材料的点阵原子发生一系列碰撞,会因此在材料内部产生大量的原子尺度缺陷。这个过程发生的极快,时间尺度为皮秒级。所以很难从实验方法来观察材料辐照过程的原子微观结构问题。由于计算机科学和技术的飞速发展,模拟计算的地位日渐突出。分子动力学作为一种分子模拟的方法,可以通过算法实现对时间平均过程的模拟,在经过一段时间的模拟系统达到平衡后,可以对系统的一些状态参数,也就是相平均值进行预测,这对于缺陷原子的产生和相关的作用机制有重要意义。
现有多种手段可以进行材料的辐照效应的模拟计算,其中有通过分子动力学方法最为典型以分子力场为基础,其基于利用原子间相互作用势函数、牛顿方程以及和统计力学等方法原理,追踪由辐射导致的级联碰撞体系中粒子的运动过程,模拟材料的辐照效应。但目前使用分子动力学进行研究的相关前期工作量较为繁琐,而且需要搜寻大量参数信息以支撑分子动力学运行。同时,运行分子动力学过程较为复杂,在实际运行中需要进行一定的预实验等手段敲定运行细节,实际进行研究中,工作周期较长。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一。为此,本公开提出了一种基于机器学习分子动力学的辐照损伤仿真系统及方法。
根据本公开第一方面实施例,提出一种基于机器学习分子动力学的辐照损伤仿真系统,包括:
训练模块,用于基于机器学习训练系统搜寻相关参数和调节体系模型相关参数,直到学习模型预测结果满足预设收敛条件,得到搜取和调节模型;
搜取模块,用于通过交互获取数据特征值,根据数据特征值得到信息的数据量和与特征值的拟合量,找到体系模型相关参数;
仿真计算模块,用于初始化体系模型以及基于分子动力学方法的材料辐照损伤模拟;采用Nose-Hoover控温器进行弛豫,获得稳定的晶体模型,模拟所述晶体模型在辐照下的原子级联碰撞,并在最后进行退火,得到各个时刻的原子运动学信息和动力学信息,最终输出计算结果文件;
可视化模块,用于可视化体系模型、体系热力学性质信息以及体系缺陷信息;得到体系的热力学性质信息的变化曲线、缺陷数变化曲线、体系可视化结果及体系缺陷位置可视化结果,并导出可视化结果。
在本公开的一个实施例中,所述训练模块包括计算单元、训练单元及测试单元;
所述计算单元用于根据已有的数据进行整合,使用决策树模型生成机器学习数据集,其中D由m个训练数据组成;
所述训练单元用于使用计算单元产生的数据集进行机器学习训练,得到搜取模型和参数调节模型;
所述测试单元用于检验基于机器学习所得模型是否能够在目标范围内预测相关数据和参数,当计算所得误差Eote小于目标范围K,得到最终机器学习模型;
在本公开的一个实施例中,所述当计算所得误差Eote小于目标范围K中,误差Eote误差公式定义为:
其中,Q(x)为指示函数,表示使用的机器学习算法,/>表示训练数据,/>表示目标函数,/>
表示使用的机器学习算法基于数据集/>产生假设/>的概率。
在本公开的一个实施例中,所述搜取模块包括交互单元及数据搜取单元;
所述交互单元用于得到用户所需数据的描述,并进行数据预处理获取相关数据,转化为特征值用于自动搜取单元从互联网中搜取数据;
所述数据搜取单元用于根据所需特征值,筛选分子动力学相关参数,以及通过识别特征值搜取相关网站,得到网页源代码,对比数据特征值筛选分子动力学相关参数;
在本公开的一个实施例中,所述仿真计算模块包括体系建立单元、体系弛豫单元、级联碰撞单元及体系退火单元;
所述体系建立单元用于通过可视化方法建立体系大小和形状,并选择初级离位原子位置;
所述体系弛豫单元用于将体系在体系初始化单元中获得的设定温度下进行弛豫;
所述级联碰撞单元用于根据设置初级离位原子回弹能量大小及其运动方向,模拟辐照过程,计算作用于所有原子上的作用力、体系当前温度、及当前势能以及总能量,并根据能量守恒原理适当修正,对间隙原子和空位原子进行识别,得到点缺陷的位置和数量;
所述体系退火单元用于退火过程,根据所述级联碰撞单元计算结果得到体系信息。
在本公开的一个实施例中,所述可视化模块包括信息计算单元、缺陷分析单元和可视化单元;
所述信息计算单元用于计算体系热力学性质信息,所述体系热力学性质信息包括体系温度、体系能量及热导率;
所述缺陷分析单元用于分析体系中的离位原子和空位,并得到离位原子和空位位置;
所述可视化单元用于显示体系信息,所述体系信息包括实时温度曲线、实时能量曲线、实时缺陷数曲线、及原子实时位置图信息。
根据本公开第二方面实施例,提出一种基于机器学习分子动力学的辐照损伤仿真方法,其特征在于,包括
获取子数据,根据子数据使用决策树模型整合得到用于机器学习训练数据集;
根据得到所述数据集,将所述数据集进行机器学习训练,生成训练模型;
获取用户所需数据,并将数据转化为特征值,将所述特征值代入训练模型得到体系建立相关参数;
根据所述体系模型相关参数建立体系模型,并初始化体系模型;
根据得到的体系模型,对体系模型进行弛豫模拟、级联碰撞模拟及退火模拟;
根据模拟结果得到体系信息,并将体系信息实现可视化。
在本公开的一个实施例中,所述根据所述体系相关参数建立体系模型,并初始化体系模型包括:
根据体系参数,其中体系参数包括体系元素种类,元素晶格类型,元素晶格常数,等元素信息,体系大小,体系形状等体系模型信息,体系温度,体系压强等初始化信息,初级离位原子的位置,初级离位原子回弹能量和入射方向等级联碰撞模拟信息,势函数的形式和势函数参数等势函数信息,弛豫和碰撞阶段的时间步长和运行步数,最后退火阶段的时间步长和运行步数,体系的表面方向,是否开启控温器等分子动力学运行信息;
根据创建的原子信息和选择的体系大小,初始化体系模型,并赋予体系模型中原子初始位置、所受作用力以及符合统计热力学的初始速度,体系初始温度及力场参数;
在本公开的一个实施例中,所述根据模拟结果得到体系信息,并将体系信息实现可视化包括:
根据模拟结果,得到各个时刻的原子运动学信息和动力学信息;
根据各个时刻的原子运动学信息和动力学信息,得到包括体系当前温度、当前势能、总能量及点缺陷的位置和数量;
根据所述得到包括体系当前温度、当前势能、总能量及点缺陷的位置和数量,得到并可视化体系实时温度曲线、实时能量曲线、实时缺陷数曲线,原子实时位置。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过本公开的基于机器学习分子动力学的辐照损伤仿真系统及方法,基于机器学习通过自动搜取分子动力学所需参数,使用机器学习来优化分子动力学过程,在分子式动力学模拟工作前期,使用项目中的数据搜递模块,提供体系的相关参数,还能够找到适合的势函数,来提升分子动力学模拟结果的精准度。在分子动力学过程中,通过机器学习的方式,实现逐渐迭代出最佳的模型体系参数;简化运行分子动力学进行材料的辐照效应的模拟计算,缩短工作周期,同时结合弛豫模拟、级联碰撞模拟及退火模拟完成基于分子动力学模拟材料的辐照效应。
本公开的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的框图;
图2是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的框图;
图3是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的流程框图;
图4是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的流程框图;
图5是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的流程框图;
图6是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真方法的流程图;
图7是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真方法的流程图;
图8是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真方法的流程图。
具体实施方式
下面详细描述本公开的实施例,参考附图描述的实施例是示例性的,应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本公开所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中在本公开的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本公开。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
请参阅图1和图2,本实施例提供一种基于机器学习分子动力学的辐照损伤仿真系统,包括:
图1是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的框图,如图1所示,训练模块,用于基于机器学习通过数据集训练平台搜寻相关参数和调节体系相关参数,直到学习模型预测结果满足预设收敛条件,得到搜取和调节模型;
搜取模块,用于通过交互获取数据特征值,根据数据特征值得到信息的数据量和与特征值的拟合量,找到对应的分子动力学相关参数;
仿真计算模块,用于初始化体系模型以及基于分子动力学方法的材料辐照损伤模拟;采用Nose-Hoover控温器进行弛豫,获得稳定的晶体模型,模拟所述晶体模型在辐照下的原子级联碰撞,并在最后进行退火,得到各个时刻的原子运动学信息和动力学信息,最终输出计算结果文件;
可视化模块,用于可视化体系模型、体系热力学性质信息以及体系缺陷信息;得到体系的热力学性质信息的变化曲线、缺陷数变化曲线、体系可视化结果及体系缺陷位置可视化结果,并导出可视化结果。
在一些实施方式中,图2是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的框图,如图2所示,训练模块包括计算单元、训练单元及测试单元;所述计算单元用于根据已有的数据进行整合,使用决策树模型生成机器学习数据集,其中D由m个训练数据组成;
训练单元用于使用计算单元产生的数据集进行机器学习训练,得到搜取模型和参数调节模型;
测试单元用于检验基于机器学习所得模型是否能够在目标范围内预测相关数据和参数,当计算所得误差Eote小于目标范围K,得到最终机器学习模型;
其中,需要说明的是,所述当计算所得误差Eote小于目标范围K中,误差Eote误差公式定义为:
其中,Q(x)为指示函数,表示使用的机器学习算法,/>表示训练数据,/>表示目标函数,/>表示使用的机器学习算法/>基于数据集/>产生假设/>的概率;
使用误差公式判断是否最终模型在误差范围内,若在误差范围内则得到最终机器学习模型概率;
在一些实施方式中,所述搜取模块包括交互单元及数据搜取单元;交互单元用于得到用户所需数据的描述,并进行数据预处理获取相关数据,转化为特征值用于自动搜取单元从互联网中搜取数据;
数据搜取单元用于根据所需特征值,筛选分子动力学相关参数,以及通过识别特征值搜取相关网站,得到网页源代码,对比数据特征值筛选分子动力学相关参数;
在一些实施方式中,所述仿真计算模块包括体系建立单元、体系弛豫单元、级联碰撞单元及体系退火单元;
所述体系建立单元用于通过可视化方法建立体系大小和形状,并选择初级离位原子位置;
所述体系弛豫单元用于将体系在体系初始化单元中获得的设定温度下进行弛豫;
所述级联碰撞单元用于根据设置PKA回弹能量大小及其运动方向,模拟辐照过程,计算作用于所有原子上的作用力、体系当前温度、及当前势能以及总能量,并根据能量守恒原理适当修正,对间隙原子和空位原子进行识别,得到点缺陷的位置和数量;
所述体系退火单元用于退火过程,根据所述级联碰撞单元计算结果得到体系信息。
在一些实施方式中,所述体系建立单元还用于以自定义方式输入体系参数,所述体系参数包括设定体系元素种类、设定体系大小、设定体系形状、设定体系温度、设定初级离位原子的位置、设定初级离位原子回弹能量和入射方向、设定势函数的形式、设定弛豫和碰撞阶段的时间步长和运行步数、设定最后退火阶段的时间步长和运行步数、设定体系的表面方向、设定是否开启控温器及设定是否使用周期性边界条件。
在一些实施方式中,所述可视化模块包括分析单元和可视化单元;
所述缺陷分析单元用于分析体系中的离位原子和空位,计算体系热力学性质信息,并得到离位原子和空位位置,所述体系热力学性质信息包括体系温度、体系能量及热导率;
所述可视化单元用于可视化体系信息,所述体系信息包括实时温度曲线、实时能量曲线、实时缺陷数曲线、及原子实时位置图信息。
通过本实施例的基于机器学习分子动力学的辐照损伤仿真系统,基于机器学习通过自动搜取分子动力学所需参数,使用机器学习来优化分子动力学过程,在分子式动力学模拟工作前期,使用项目中的数据搜递模块,提供体系的相关参数,还能够找到适合的势函数,来提升分子动力学模拟结果的精准度。在分子动力学过程中,通过机器学习的方式,实现逐渐迭代出最佳的模型体系参数;简化运行分子动力学进行材料的辐照效应的模拟计算,缩短工作周期,同时结合弛豫模拟、级联碰撞模拟及退火模拟完成基于分子动力学模拟材料的辐照效应。
实施例2
请参阅图3和图5,本实施例在实施例1的基础上对提供的一种基于机器学习分子动力学的辐照损伤仿真系统进一步描述:
图3是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的流程框图,如图3所示,仿真计算模块包括如下几个步骤:
参数获取,与搜取模块交互得到体系参数,包括体系模型建立所需参数,包括体系元素种类,元素晶格类型,元素晶格常数,等元素信息,体系大小,体系形状等体系模型信息,体系温度,体系压强等初始化信息,初级离位原子的位置,初级离位原子回弹能量和入射方向等级联碰撞模拟信息,势函数的形式和势函数参数等势函数信息,弛豫和碰撞阶段的时间步长和运行步数,最后退火阶段的时间步长和运行步数,体系的表面方向,是否开启控温器等;
分子动力学运行信息建立体系,根据搜取模块中得到的信息,创建的原子信息和选择的体系大小;
初始化体系,在体系建立单元中,初始化体系模型,并赋予原子初始位置、所受作用力以及符合统计热力学的初始速度,赋予体系初始温度、力场参数;
将搜取模块提供的信息和体系初始化单元得到的信息汇总,分析后输出。
图4是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的流程框图,仿真计算模块中的分子动力学过程如图4所示,其包括体系弛豫单元,级联碰撞单元,体系退火单元;
优选的,需要说明的是,弛豫模拟,体系弛豫单元包括如下几个步骤:
从模型建立模块中读取时间步长dt1和迭代步数N1;
选择一个原子并通过截断半径r判断,得到元胞列表,通过势函数计算元胞列表中的原子对其的受力情况;
重复上述步骤选择一个原子并通过截断半径r判断,得到元胞列表,通过势函数计算元胞列表中的原子对其的受力情况,遍历每个原子,计算作用于所有原子上的作用力;
根据受力情况,得到原子的运动学过程,判断原子位移距离与晶胞大小的关系,并使用周期性边界条件;
使用Berendsen热浴法对体系进行调控温度;
每一时间步之后,计算当前温度,在力的循环中计算当前势能以及总能量,并根据能量守恒原理适当修正;
在一些实施方式中,级联碰撞模拟,级联碰撞单元包括如下几个步骤:
选取模型中心原子作为初级离位原子,根据用户选择设置PKA回弹能量大小及其运动方向,模拟辐照过程,从模型建立模块中读取时间步长dt2和迭代步数N2;
依次对原子判断其周围的邻近原子,通过势函数计算邻近原子对其的受力情况。
重新上述步骤依次对原子判断其周围的邻近原子,通过势函数计算邻近原子对其的受力情况,遍历每个原子,计算作用于所有原子上的作用力。
根据受力情况,得到原子的运动学过程,判断原子位移距离与晶胞大小的关系,并使用周期性边界条件;之后,使用Berendsen热浴法对体系外层进行调控温度,对体系内层使用NVE系综进行计算。
每一迭代计算一步之后,计算当前温度,在力的循环中计算当前势能以及总能量,并根据能量守恒原理适当修正;
通过Wigner-Seitz法对间隙原子和空位原子进行识别,得到点缺陷的位置和数量,并展示缺陷的实时位置;
将体系信息传递到可视化模块;
重复上述步骤直至我们计算体系的演化到指定的时间长度。
在一些实施方式中,退火模拟,体系退火单元包括如下几个步骤:
在级联碰撞的基础上,得到体系信息。从模型建立模块中读取时间步长dt3和迭代步数N3。
选择一个原子并判断其周围的邻近原子。通过势函数计算邻近原子对其的受力情况。
通过以上一步,遍历每个原子,计算作用于所有原子上的作用力。
根据受力情况,得到原子的运动学过程,判断原子位移距离与晶胞大小的关系,并使用周期性边界条件。每一时间步之后,就计算当前温度,在力的循环中计算当前势能以及总能量,并根据能量守恒原理适当修正。
将体系信息传递到可视化模块,绘制出实时温度曲线,绘制出实时能量曲线,绘制出实时缺陷数曲线,绘制出原子实时位置图;
重复上述步骤至模拟步数n<N。
优选的,需要说明的是,弛豫模拟,体系弛豫单元包括如下几个步骤:
从搜取模块中读取时间步长dt1和迭代步数N1;
选择一个原子并通过截断半径r判断,得到原子邻近表,通过势函数计算原子邻近表中的其他原子对选择的原子的受力,得到原子的受力信息;
重复以上一步,遍历每个原子,得到每个所有原子的受力信息;
根据每个原子的受力信息,得到原子的运动学信息,包含原子的速度和位置共6个数据;
判断每个原子位移距离与晶胞大小的关系,并使用周期性边界条件;
使用Berendsen热浴法对体系进行调控温度;
重复以上5步至完成弛豫的迭代步数N1。
在一些实施方式中,使用级联碰撞单元进行对体系模型进行级联碰撞模拟,级联碰撞单元包括如下几个步骤:级联碰撞单元包括如下几个步骤:
选取体系模型中心原子作为初级离位原子,根据用户选择设置PKA回弹能量大小及其运动方向,模拟辐照过程;
从搜取模块中读取时间步长dt2和迭代步数N2;
选择一个原子并通过截断半径r判断,得到原子邻近表,通过势函数计算原子邻近表中的其他原子对选择的原子的受力,得到原子的受力信息;
重复以上一步,遍历每个原子,得到每个所有原子的受力信息;
根据每个原子的受力信息,得到原子的运动学信息,包含原子的速度和位置共6个数据;
判断每个原子位移距离与晶胞大小的关系,并使用周期性边界条件;
使用Berendsen热浴法对体系模型进行调控温度,对体系模型内层使用NVE系综进行计算;
重复以上6步直至我们计算体系的演化到指定的迭代步数N2。
在一些实施方式中,使用体系退火单元进行对体系模型进行退火模拟,体系退火单元包括如下几个步骤:
从搜取模块中读取时间步长dt3和迭代步数N3;
选择一个原子并通过截断半径r判断,得到原子邻近表,通过势函数计算原子邻近表中的其他原子对选择的原子的受力,得到原子的受力信息;
重复以上一步,遍历每个原子,得到每个所有原子的受力信息;
根据每个原子的受力信息,得到原子的运动学信息,包含原子的速度和位置共6个数据;
判断每个原子位移距离与晶胞大小的关系,并使用周期性边界条件;
重复以上6步直至我们计算体系的演化到指定的迭代步数N3。
图5是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真系统的流程框图,如图5所示,启用可视化模块,将体系信息传递到可视化模块,绘制出实时温度曲线,绘制出实时能量曲线,绘制出实时热导率曲线,绘制出实时缺陷数曲线,绘制出原子实时位置图;
实施例3
请参阅图6至图8,本实施例提供一种基于机器学习分子动力学的辐照损伤仿真方法,图6是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真方法的流程图;如图6所示包括:
在步骤S100中,获取子数据,根据子数据使用决策树模型整合得到用于机器学习训练数据集;
在步骤S200中,根据得到所述数据集,将所述数据集进行机器学习训练生成训练模型;
在步骤S300中,获取用户所需数据,并将数据转化为特征值,将所述特征值代入训练模型得到体系建立相关参数;
在步骤S400中,根据所述体系相关参数建立体系模型,并初始化体系模型;
在步骤S500中,根据得到的所述体系模型,在体系模型中进行弛豫模拟、级联碰撞模拟及退火模拟;
在步骤S600中,根据弛豫模拟、级联碰撞模拟及退火模拟的模拟结果得到体系信息,并将体系信息实现可视化。
在一些实施方式中,在步骤S400中还包括:图7是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真方法的流程图,如图7所示,
步骤S410:根据体系参数,其中体系参数包括元素种类、体系大小、体系形状、体系温度、初级离位原子的位置、初级离位原子回弹能量和入射方向、势函数的形式、弛豫和碰撞阶段的时间步长和运行步数、最后退火阶段的时间步长和运行步数及体系的表面方向,建立体系模型;
步骤S420:根据创建的原子信息和选择的体系大小,初始化体系模型,并赋予体系模型中原子初始位置、所受作用力以及符合统计热力学的初始速度,体系初始温度及力场参数。
在一些实施方式中,在步骤S600中还包括:图8是根据一示例性实施例的一种基于机器学习分子动力学的辐照损伤仿真方法的流程图,如图8所示,包括:
步骤S610:根据模拟结果,得到包括体系当前温度、当前势能、总能量及点缺陷的位置和数量;
步骤S620:根据所述体系当前温度、当前势能、总能量及点缺陷的位置和数量,得到体系实时温度曲线、实时能量曲线、实时缺陷数曲线,原子实时位置并可视化。
在一些实施方式中,需要说明的是,为了能够准确描述材料原子间的相互作用,不同的材料采用多种不同的势函数,如本实施例长程使用EAM势函数进行计算,短程使用ZBL势函数进行计算,对材料性质进行更好的描述。
其中,所述的ZBL势函数定义为
上式中,e是电子电荷,ε0是真空介电常数,Zi和Zj是这两个原子核所带电荷。
其中,所述的EAM势函数的公式为:
在上式中,F i 是嵌入能,ρ h,i 是嵌入原子不存在时在位置R i 处的宿主电荷密度,Φ i,j 是原子i和原子j之间的对势,R i,j 为原子i和原子j之间的距离。对于宿主晶格i处的电子密度ρ h,i ,可以假设为原子电子密度的现行叠加:
。
通过本实施例的基于机器学习分子动力学的辐照损伤仿真方法,基于机器学习通过自动搜取分子动力学所需参数,使用机器学习来优化分子动力学过程,在分子式动力学模拟工作前期,使用项目中的数据搜递模块,提供体系的相关参数,还能够找到适合的势函数,来提升分子动力学模拟结果的精准度。在分子动力学过程中,通过机器学习的方式,实现逐渐迭代出最佳的模型体系参数;简化运行分子动力学进行材料的辐照效应的模拟计算,缩短工作周期,同时结合弛豫模拟、级联碰撞模拟及退火模拟完成基于分子动力学模拟材料的辐照效应。
相应的,本公开实施例还提供一种存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例所述的一种基于机器学习分子动力学的辐照损伤仿真方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的 包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要 素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元,或者可选地,还包括没有列出的步骤或单元,或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。
附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前,应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在本说明书中使用的术语“部件”、“模块”、“系统”、“单元”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件或执行中的软件。例如,单元可以是但不限于在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或分布在两个或多个计算机之间。此外,这些单元可从在上面存储有各种数据结构的各种计算机可读介质执行。单元可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一单元交互的第二单元数据。例如,通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例,也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例,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,都属于本申请保护的范围。
尽管已经示出和描述了本公开的实施例,本领域的普通技术人员可以理解:在不脱离本公开的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本公开的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于机器学习分子动力学的辐照损伤仿真系统,其特征在于,包括:
训练模块,用于基于机器学习训练平台搜寻相关参数和调节体系相关参数,直到学习模型预测结果满足预设收敛条件,得到搜取和调节模型;
搜取模块,用于通过交互获取数据特征值,根据数据特征值得到信息的数据量和与特征值的拟合量,找到对应的分子动力学相关参数;
仿真计算模块,用于初始化体系模型以及基于分子动力学方法的材料辐照损伤模拟;采用Nose-Hoover控温器制进行弛豫,获得稳定的晶体模型,模拟所述晶体模型在辐照下的原子级联碰撞,并在最后进行退火,得到各个时刻的原子坐标位置和速度信息,最终输出计算结果文件;
可视化模块,用于可视化体系模型输出体系热力学性质信息以及体系缺陷信息的可视化结果;得到体系的热力学性质信息的变化曲线、缺陷数变化曲线、体系可视化结果及体系缺陷位置可视化结果,并导出可视化结果。
2.根据权利要求1所述的一种基于机器学习分子动力学的辐照损伤仿真系统,其特征在于,所述训练模块包括计算单元、训练单元及测试单元;
所述计算单元用于根据已有的数据进行整合, 使用决策树模型生成机器学习数据集,其中,D由m个训练数据组成;
所述训练单元用于使用计算单元产生的数据集进行机器学习训练,得到搜取模型和参数调节模型;
所述测试单元用于检验基于机器学习所得模型是否能够在目标范围内预测相关数据和参数,当计算所得误差Eote小于目标范围K,得到最终机器学习模型。
3.根据权利要求2所述的一种基于机器学习分子动力学的辐照损伤仿真系统,其特征在于,所述当计算所得误差Eote小于目标范围K中,误差Eote误差公式定义为:
其中,Q(x)为指示函数,表示使用的机器学习算法,/>表示训练数据,/>表示目标函数,表示使用的机器学习算法/>基于数据集/>产生假设/>的概率。
4.根据权利要求1所述的一种基于机器学习分子动力学的辐照损伤仿真系统,其特征在于,所述搜取模块包括交互单元及数据搜取单元;
所述交互单元用于得到用户所需数据的描述,并进行数据预处理获取相关数据,转化为特征值用于自动搜取单元从互联网中搜取数据;
所述数据搜取单元用于根据所需特征值,筛选分子动力学相关参数,以及通过识别特征值搜取相关网站,得到网页源代码,对比数据特征值筛选分子动力学相关参数。
5.根据权利要求1所述的一种基于机器学习分子动力学的辐照损伤仿真系统,其特征在于,所述仿真计算模块包括体系建立单元、体系弛豫单元、级联碰撞单元及体系退火单元;
所述体系建立单元用于通过可视化方法建立体系大小和形状,并选择初级离位原子位置;
所述体系弛豫单元用于将体系在体系初始化单元中获得的设定温度下进行弛豫;
所述级联碰撞单元用于根据设置初级离位原子回弹能量大小及其运动方向,模拟辐照过程,计算作用于所有原子上的作用力、体系当前温度、及当前势能以及总能量,并根据能量守恒原理适当修正,对间隙原子和空位原子进行识别,得到点缺陷的位置和数量;
所述体系退火单元用于退火过程,根据所述级联碰撞单元计算结果得到体系信息。
6.根据权利要求5所述的一种基于机器学习分子动力学的辐照损伤仿真系统,其特征在于,所述体系建立单元还用于以自定义方式输入体系参数,所述体系参数包括设定体系元素种类、设定体系大小、设定体系形状、设定体系温度、设定初级离位原子的位置、设定初级离位原子回弹能量和入射方向、设定势函数的形式、设定弛豫和碰撞阶段的时间步长和运行步数、设定最后退火阶段的时间步长和运行步数、设定体系的表面方向、设定是否开启控温器及设定是否使用周期性边界条件。
7.根据权利要求1所述的一种基于机器学习分子动力学的辐照损伤仿真系统,其特征在于,所述可视化模块包括信息计算单元、缺陷分析单元和可视化单元;
所述信息计算单元用于计算体系热力学性质信息,所述体系热力学性质信息包括体系温度、体系能量及热导率;
所述缺陷分析单元用于分析体系中的离位原子和空位,并得到离位原子和空位位置;
所述可视化单元用于显示体系信息,所述体系信息包括实时温度曲线、实时能量曲线、实时缺陷数曲线、及原子实时位置图信息。
8.一种基于机器学习分子动力学的辐照损伤仿真方法,其特征在于,包括
获取子数据,根据子数据使用决策树模型整合得到用于机器学习训练数据集;
根据得到所述数据集,将所述数据集进行机器学习训练生成训练模型;
获取用户所需数据,并将数据转化为特征值,将所述特征值代入训练模型得到体系相关参数;
根据所述体系相关参数建立体系模型,并初始化体系模型;
根据得到的所述体系模型,在体系模型中进行弛豫模拟、级联碰撞模拟及退火模拟;
根据弛豫模拟、级联碰撞模拟及退火模拟的模拟结果得到体系信息,并将体系信息实现可视化。
9.根据权利要求8所述的一种基于机器学习分子动力学的辐照损伤仿真方法,其特征在于,所述根据所述体系建立相关参数建立体系模型,并初始化体系模型包括:
根据体系参数,其中体系参数包括元素种类、体系大小、体系形状、体系温度、初级离位原子的位置、初级离位原子回弹能量和入射方向、势函数的形式、弛豫和碰撞阶段的时间步长和运行步数、最后退火阶段的时间步长和运行步数及体系的表面方向,建立体系模型;
根据创建的原子信息和选择的体系大小,初始化体系模型,并赋予体系模型中原子初始位置、所受作用力以及符合统计热力学的初始速度,体系初始温度及力场参数。
10.根据权利要求8所述的一种基于机器学习分子动力学的辐照损伤仿真方法,其特征在于,根据弛豫模拟、级联碰撞模拟及退火模拟的模拟结果得到体系信息,并将体系信息实现可视化包括:
根据模拟结果,得到包括体系当前温度、当前势能、总能量及点缺陷的位置和数量;
根据所述体系当前温度、当前势能、总能量及点缺陷的位置和数量,得到体系实时温度曲线、实时能量曲线、实时缺陷数曲线,原子实时位置并实现可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546898.1A CN116467894A (zh) | 2023-05-16 | 2023-05-16 | 一种基于机器学习分子动力学的辐照损伤仿真系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546898.1A CN116467894A (zh) | 2023-05-16 | 2023-05-16 | 一种基于机器学习分子动力学的辐照损伤仿真系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116467894A true CN116467894A (zh) | 2023-07-21 |
Family
ID=87177116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546898.1A Pending CN116467894A (zh) | 2023-05-16 | 2023-05-16 | 一种基于机器学习分子动力学的辐照损伤仿真系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116467894A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702510A (zh) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076640A (zh) * | 2021-03-31 | 2021-07-06 | 中国核动力研究设计院 | 基于团簇动力学的锆基合金辐照损伤软件仿真系统及方法 |
CN113241132A (zh) * | 2021-05-07 | 2021-08-10 | 北京理工大学 | 一种材料辐照损伤预测机器学习模型的建立方法和系统 |
CN115146535A (zh) * | 2022-06-30 | 2022-10-04 | 哈尔滨工业大学 | 一种半导体材料机器学习力场开发方法 |
CN115186566A (zh) * | 2022-06-30 | 2022-10-14 | 哈尔滨工业大学 | 一种不同入射粒子能量效应智能预测方法及系统 |
CN115410665A (zh) * | 2022-08-23 | 2022-11-29 | 上海大学 | 一种czt辐照损伤模拟准确性的验证方法 |
-
2023
- 2023-05-16 CN CN202310546898.1A patent/CN116467894A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076640A (zh) * | 2021-03-31 | 2021-07-06 | 中国核动力研究设计院 | 基于团簇动力学的锆基合金辐照损伤软件仿真系统及方法 |
CN113241132A (zh) * | 2021-05-07 | 2021-08-10 | 北京理工大学 | 一种材料辐照损伤预测机器学习模型的建立方法和系统 |
CN115146535A (zh) * | 2022-06-30 | 2022-10-04 | 哈尔滨工业大学 | 一种半导体材料机器学习力场开发方法 |
CN115186566A (zh) * | 2022-06-30 | 2022-10-14 | 哈尔滨工业大学 | 一种不同入射粒子能量效应智能预测方法及系统 |
CN115410665A (zh) * | 2022-08-23 | 2022-11-29 | 上海大学 | 一种czt辐照损伤模拟准确性的验证方法 |
Non-Patent Citations (4)
Title |
---|
俞洋;苏益士;BERTHELOT YANN;欧阳求保;郭强;张荻;: "颗粒增强金属基复合材料的结构建模与力学模拟研究进展", 中国材料进展, no. 03, 31 March 2020 (2020-03-31) * |
南京航空航天大学: "南京航空航天大学第六届本科生学术论坛论文选集", 31 December 2014, pages: 146 - 158 * |
宋梦召;冯仰德;: "核辐照损伤金属材料的大规模KMC模拟", 计算机工程与科学, no. 07, 15 July 2017 (2017-07-15) * |
陈阳春: "典型钨基体系势函数的构建及其在辐照损伤研究中的应用", 中国博士学位论文全文数据库 工程科技Ⅰ辑, no. 02, 15 February 2022 (2022-02-15), pages 022 - 56 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702510A (zh) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
CN116702510B (zh) * | 2023-08-01 | 2023-10-20 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kudela et al. | Recent advances and applications of surrogate models for finite element method computations: a review | |
JP7090096B2 (ja) | 原子炉をモデリングするためのシステムおよび方法 | |
CN116467894A (zh) | 一种基于机器学习分子动力学的辐照损伤仿真系统及方法 | |
US20210182727A1 (en) | Qubit detection system and detection method | |
US20210333768A1 (en) | Control support apparatus, control support method, computer readable medium with control support program recorded thereon and control system | |
CN111950810A (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN111474193B (zh) | 一种原位衍射实验图像模拟方法、系统及介质 | |
Yue et al. | Probabilistic framework for reliability analysis of gas turbine blades under combined loading conditions | |
CN116415700A (zh) | 一种结合人工智能的风能数值预报方法及其装置 | |
WO2023033801A1 (en) | System and method for design exploration using dynamic environment and physics simulations | |
Wu et al. | Mode-Pursuing Sampling Method Using Discriminative Coordinate Perturbation for High-Dimensional Expensive Black-Box Optimization | |
Aagesen Jr et al. | Implementation and testing of physics-based pulverization model in BISON | |
CN113870952B (zh) | 基于跨尺度的多晶铝材料辐射损伤下的弹性模量计算方法 | |
CN113779859B (zh) | 可解释的时序预测模型的训练方法、装置和计算设备 | |
Zhao et al. | Multi-objective optimisation of a free-form building shape to improve the solar energy utilisation potential using artificial neural networks | |
CN113449433A (zh) | 水泥生产工艺模型对应目标函数的约束优化方法及装置 | |
JP2022169825A (ja) | 評価装置、評価方法、評価プログラム、制御装置、および、制御プログラム | |
Ferraz et al. | Metamodelling the hot deformation behaviour of titanium alloys using a mean-field approach | |
Papadimitriou et al. | Information-Driven Modeling of Structures Using a Bayesian Framework | |
McDuffee et al. | Machine Learning for Time-Series Prediction of the Cryogenic Moderator System in Oak Ridge National Laboratory's Spallation Neutron Source Facility | |
EP4283412A1 (en) | Model selection apparatus, model selection method, and model selection program | |
Hong et al. | A model-guided neural network for the prediction of creep behavior under in-service conditions | |
KR102533508B1 (ko) | 합성곱 신경망과 게이트 순환 유닛을 활용하여 기상 데이터를 통한 에너지 생산 데이터 예측 방법 및 그 장치 | |
CN116613736B (zh) | 一种含虚拟惯量的新能源电力系统等效惯量预测方法 | |
EP4379611A1 (en) | Data processing device, data processing program, and data processing method |
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 |