[發明專利]一種反向神經傳播網絡的核電材料壽命預測模型及方法

在審

• 申請號: 202210571025.1
• 申請日: 2022-05-24
• 公開（公告）號: CN115048858A
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 許斌;宋丹戎;楊平;陳定勇;魏學棟;王卓;朱虹
• 申請（專利權）人: 中國核動力研究設計院;成都材智科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;G06F119/04
• 代理公司: 北京奧肯律師事務所 11881
• 代理人: 王娜

1.一種反向神經傳播網絡的核電材料壽命預測模型，包括數據篩選模塊、數據質量判斷模塊、數據劃分模塊、數據相關性確定模塊、數據參數確定模塊、模型訓練模塊、模型評價模塊，其特征在于，

所述核電材料數據篩選模塊：從核電材料壽命影響數據中，篩選出需要進行訓練的訓練數據；

所述數據質量評價模塊：對待訓練數據質量進行評價，并篩選出決定影響壽命的核電材料的特征數據字段、與期待模型輸出結果的目標數據字段；

所述數據相關性確定模塊：根據生成的數據字段相關性，由聯合密度概率分布計算出的最大信息系數；

所述數據參數確定模塊：選擇反向神經傳播網絡算法作為機器學習模型的基本算法，獲得參數，并對參數進行貝葉斯超參數優化；

所述模型訓練模塊：選擇模型，通過python sklearn對優化后的參數進行學習，得到機器學習模型；

所述模型評價模塊：使用保留的一部分訓練數據進行效果驗證評價，對符合評價要求的模型作為實際應用，對不符合評價要求的模型所采用的訓練數據重新進行算法計算確定參數。

2.根據權利要求1所述的反向神經傳播網絡的核電材料壽命預測模型，其特征在于，所述數據質量判斷模塊中判斷評價的類型包括：數據的數量、數據是否準確反應實驗過程結果、數據是否存在較多空值。

3.根據權利要求1所述的反向神經傳播網絡的核電材料壽命預測模型，其特征在于，所述數據質量判斷模塊中的訓練數據出現不足時，增加數據迭代模塊，即通過增加訓練數據、空值填充的方式來提高數據質量。

4.根據權利要求3所述的反向神經傳播網絡的核電材料壽命預測模型，其特征在于，所述數據迭代模塊中，當出現特征數據與目標數據相關性低于預設值，則重新將該數據字段劃分成新的特征數據或目標數據。

5.根據權利要求1所述的反向神經傳播網絡的核電材料壽命預測模型，其特征在于，所述數據參數確定模塊中，貝葉斯超參數優化方法采用Tree Parzen Estimator算法對參數進行貝葉斯超參數優化。

6.根據權利要求1所述的反向神經傳播網絡的核電材料壽命預測模型，其特征在于，所述模型評價模塊中，對機器學習模型進行評價的指標為平均絕對誤差與平均絕對誤差兩個指標。

7.根據權利要求1所述的反向神經傳播網絡的核電材料壽命預測模型，其特征在于，所述模型評價模塊中，增加訓練數據樣本重新進行模型評價。

8.根據權利要求1-7任一項所述的反向神經傳播網絡的核電材料壽命預測模型的構建方法，其特征在于，包括以下步驟：

S1、首先對核電材料壽命影響數據篩選出需要進行訓練的訓練數據；

S2、隨后對訓練數據進行數據質量評價，當出現數據質量評價不足時，則通過增加訓練數據、空值填充的方式來提高數據質量，并對數據質量評價合格的數據進入到S3；

S3、對訓練數據篩選并確定出決定影響壽命的核電材料的特征數據字段、與期待模型輸出結果的目標數據字段；

S4、由聯合密度概率分布計算出信息系數，當信息系數大于預設值時，則特征數據與目標數據相關性符合要求，進入S5，當信息系數小于預設值時，則特征數據與目標數據相關性不符合要求，則返回S3，重新確定特征數據與目標數據；

S5、通過反向神經傳播網絡算法對特征數據與目標數據的訓練數據進行計算，并使用貝葉斯優化確定反向神經網絡參數；

S6、選擇模型，通過python sklearn對優化后的參數進行學習，得到機器學習模型；

S7、使用保留的一部分訓練數據進行效果驗證評價，對符合評價要求的模型作為實際應用，對不符合評價要求的模型所采用的訓練數據重新進行算法計算確定參數。