[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

本發明公開了一種反向神經傳播網絡的核電材料壽命預測模型及方法，數據質量評價模塊：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；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；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；模型訓練模塊：選擇模型，對優化后的參數進行學習，得到機器學習模型；本發明能夠在機器學習/深度學習廣泛應用于材料行業的當下，不需要核電結構材料數據研究人員掌握編程技巧，就可以快速掌握核電結構材料數據性能預測模型的構建方法，調試模型并進行評價。

技術領域

本發明屬于核電材料數據整理技術領域，具體涉及一種反向神經傳播網絡的核電材料壽命預測模型及方法。

背景技術

隨著當代計算機技術的不斷進步，材料科學領域需要進行核電材料的壽命預測，正確的估量材料的壽命情況，避免多余材料的浪費以及材料更換不及時造成的后果，獲得某種材料壽命預測的方式，已經不局限于通過經驗，或花費時間成本獲取。在一定數據量的影響核電壽命數據之上，可以通過建立核電壽命預測模型的方式，為某種核電材料建模，從而高效預測某種核電材料的壽命數據，隨著預測模型的建立，大大縮短了實驗消耗的時間，可以幫助核電材料科學領域從業人員掌握材料的壽命時限，為核電成本及跟換時限做出指導依據。

對于核電材料的壽命預測問題，可以使用反向神經傳播網絡的方法對核電材料進行建模，獲得壽命預測模型。神經網絡的目標是：找到一個能把一組輸入最好地映射到其正確輸出的函數或者根據歷史需求數據，預測未來一期的需求。神經網絡的思想(內涵)類似回歸分析中經常用到的擬合，都用到了最小二乘的思想：數學意義上的決策目標是：選取一些參數(神經網絡中每個輸入的權重)，使得擬合的輸出與期望輸出的誤差平方和最小。輸入信息經過正向傳播到輸出，計算實際輸出與期望輸出的誤差后，在反向傳播誤差；重復這個過程，在傳播過程中，不斷減少誤差，直到誤差減少到一定程度終止。

現有的核電材料壽命預測模型，需要有一定編程基礎的技術人員才可以進行編程建模，其中需要用的基礎知識涵蓋核電結構材料相關知識、Python/Java/C/Matlab等編程高級技巧，通常現有的核電結構材料數據預測模型，乃至絕大多數材料數據預測模型，訓練時，都需要把訓練用數據轉換成某一個特定格式(CSV或XLS)，導入Pandas后，再經過復雜的矩陣變換轉化為需要的矩陣數據，同時也要在訓練邏輯中增加控制處理等問題，非常復雜，大大延長了模型的研發時間，這種處理方法會導致預測模型的應用有較大的局限性，影響了應用效率，提高了普及成本。

發明內容

針對現有技術的不足，本發明的目的在于提供一種反向神經傳播網絡的核電材料壽命預測模型及方法，解決了現有技術中存在的技術問題。

本發明的目的可以通過以下技術方案實現：

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，

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；