[發明專利]一種鐵基合金吉布斯自由能預測方法和系統

有效

• 申請號: 202110538862.X
• 申請日: 2021-05-18
• 公開（公告）號: CN113160898B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 徐雅斌;孫勝杰
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G16C10/00
• 分類號: G16C10/00;G16C60/00;G16C20/70;G06F18/2415;G06N3/0442;G06N3/045;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

本發明涉及一種鐵基合金吉布斯自由能預測方法和系統。所述鐵基合金吉布斯自由能預測方法，通過采用預處理后的鐵基合金材料的熱力學實驗數據對基于因子分解機、按位自注意力機制和雙向長短記憶神經網絡網絡Bi?LSTM的融合模型(即初始吉布斯自由能預測模型)進行訓練后，得到訓練后的吉布斯自由能預測模型，然后再采用該訓練好的基于因子分解機、按位自注意力機制和雙向長短記憶神經網絡網絡Bi?LSTM的融合模型對待預測鐵基合金材料數據的吉布斯自由能進行快速、準確和全面的預測，進而在提高鐵基合金材料吉布斯自由能的預測效率的同時，降低預測吉布斯自由能的資源消耗。

技術領域

本發明涉及合金材料檢測領域，特別是涉及一種鐵基合金吉布斯自由能預測方法和系統。

背景技術

在熱力學性質中，吉布斯自由能對于理解鐵基合金材料的成相至關重要。在所有工作溫度下吉布斯自由能變化的負值符號證實了成相過程的可行性，其值的大小也代表了該反應要達到平衡狀態能對外做的有效功(軸功)極限。同時，吉布斯自由能也是熱力學領域計算的中心量，根據溫度和合金成分對吉布斯自由能進行精確描述，是可靠描述鐵基合金材料及其性能的關鍵。但是，缺乏足夠的熱力學數據，已被認為是合金開發領域的一大挑戰。對于鐵基合金材料，通過傳統實驗測量方法獲取熱力學數據是非常困難的，因為實驗費用是昂貴的，同時由于鐵基合金材料中可能含有放射性物質或稀有成分，使用傳統實驗方法測量熱力學數據是很難實現的。

目前合金的吉布斯自由能主要利用理論/經驗方法估算獲得。王振等采用作用濃度模型計算硅鐵活度，同時依據已有的活度數據擬合得到硅鐵金屬間化合物的生成吉布斯自由能。肖賽君等采用稀溶液模型建立了微分溶解焓與標準溶解吉布斯自由能的互算方法，并分別利用鐵液和鎳液對這兩種性質的互算方法進行驗證。還有文獻應用弗洛里模型計算了二元合金(鋰-鉛，鉀-汞和鎂-錫)混合時的自由能。Odusote?Y?A等采用準化學近似模型(QCAM)研究了六種金基二元合金在不同工作溫度下的混合自由能和金的活度。以上幾種方法既耗時又復雜，另外進行估算的原始數據也需要通過實驗測試獲得。

隨著機器學習的不斷發展，逐漸有人使用機器學習的方法進行吉布斯自由能的預測。利用人工神經網絡在較寬的溫度范圍(0～6000K)內預測了一元材料體系不同相的熱容、熵、焓和吉布斯自由能。Desgranges?C等使用神經網絡預測了配分函數，并因此預測了在寬廣的溫度和壓力范圍內原子和分子流體的吉布斯自由能、亥姆霍茲自由能和熵。SunX等使用支持向量算法與密度泛函理論(DFT)計算相結合的方法，從各種裸原子和單原子摻雜的硼化物MBenes材料中準確地預測氫吸附的吉布斯自由能的值。Gabriela?B?F等利用8種不同的回歸模型，根據涉及蛋白質和活性配體復合物的晶體結構預測兩種復合物相結合的吉布斯自由能。但是，上述采用的機器學習相關方法只考慮了數據中的低階和淺層特征，同時存在大量人工干預且特征提取復雜的問題。

將淺層學習和深度學習相結合進行預測的方法越來越多。Cheng?H?T等通過聯合訓練一個線性模型組件和一個深度神經網絡組件，設計了一種融合淺層模型和深層模型進行聯合訓練的框架，得到WideDeep模型。呂海燦等在已有的長短期記憶網絡(LSTM)模型和WideDeep模型的基礎上，建立了基于WideDeep-LSTM的深度學習的短期負荷預測模型，并在此基礎上進行了一日內變壓器臺區負荷數據的預測。Guo?Hui-feng等提出了DeepFM模型，通過結合用于推薦的因子分解機和用于特征學習的深度學習神經網絡模型，有效避免了WideDeep模型中復雜的特征提取工作。羅朗等將DeepFM模型應用到科技資源推薦中，用來預測用戶對某個科技資源的點擊概率。Yu?Yong-zhao等利用歷史捕魚數據，采用DeepFM模型預測捕魚結果，得到了較好的預測效果。分析發現，以上使用WideDeep模型及其變體的技術，在綜合考慮低階和高階特征的基礎上進行預測工作時，數據處理需要面對復雜的特征提取工作。綜合考慮了低階和高階特征的技術，雖然能夠避免WideDeep模型帶來的復雜的特征提取工作，但是DeepFM模型只是利用傳統的DNN進行高階特征的提取，考慮的特征并不全面。