[發明專利]基于人工智能數據分析的熱電材料性能預測

有效

• 申請號: 202010693602.5
• 申請日: 2020-07-17
• 公開（公告）號: CN111899816B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 王田;陳家輝;楊卓昆;馬鳴霄;呂金虎
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/90;G16C60/00;G06T7/00;G06N3/04;G01N25/20
• 代理公司: 北京康思博達知識產權代理事務所(普通合伙) 11426
• 代理人: 范國鋒;劉冬梅

1.一種基于人工智能數據分析的熱電材料性能預測方法，通過對材料數據庫中化合物和晶體的特征進行數字描述，獲得學習樣本，使用學習樣本訓練模型，實現對熱電材料性能的預測，包括以下步驟：

S1、獲取學習樣本數據集；

S2、構建特征工程，轉換數據特征，獲取學習樣本；

S3、構建模型，對學習樣本進行學習，得到熱電材料性能預測模型；

在步驟S1中，所述學習樣本中的數據集從材料數據庫中獲取；

通過數據清洗將學習樣本數據集中的數據進行規范化，所述數據清洗是指從材料數據庫得到的數據中提取與熱電材料性能相關度高的特征數據；

所述與熱電材料性能相關度高的特征包括：化合物的化學式，組成化合物元素的熱電相關特征，化合物最外層s、p、d層電子數和溫度；

其中，所述元素的熱電相關特征為從元素的初始特征中挑選出的特征；

在步驟S2中，所述構建特征工程為構建一種能夠使用數字代表各種化合物以及溫度參數的特征向量描述符；

所述轉換數據特征為通過特征向量描述符將不同的元素構成的不同化合物、不同晶體結構的化合物和晶體的特征在相同維度下通過數字描述；

所述學習樣本包括特征向量描述符與對應的塞貝克系數；

所述特征向量描述符包括化學式特征描述符、元素特征描述符、化合物參數描述符；

將化學式的元素與計量系數提取在一個二維矩陣之中，矩陣的0范式、2范式、3范式、5范式、7范式和10范式這6個量為化學式特征描述符；

將組成化合物中各元素的熱電相關特征的最小值、最大值、范圍值、加權平均值、平均差和眾數，作為元素特征描述符；

將化合物最外層s、p、d層電子數以及溫度作為化合物參數描述符；

在步驟S3中，選擇卷積神經網絡構建模型，

在卷積神經網絡的輸入層之前，設置有圖像化層，通過所述圖像化層將學習樣本轉換為輸入圖案，所述圖像化層包括重復采樣和矩陣轉換過程；

所述重復采樣為：將的特征向量描述符進行多次重復采樣，得到超過625維數據，所述矩陣轉換為：選取數據中的連續元素，將其變換成25×25矩陣，形成圖像樣式。

2.根據權利要求1所述的基于人工智能數據分析的熱電材料性能預測方法，其特征在于，

在步驟S1中，對學習樣本數據集中的不同元素物理化學性質的量綱和數據維度進行歸一化處理。