一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法技术

本发明专利技术公开了一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，包括：根据KVFD三种加载方式的解的情况，分别建立对应的K叉树字典；判断待测曲线所属的具体类型，进行全局搜索，获取曲线的参数[E

【技术实现步骤摘要】
一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法
本专利技术属于软物质力学分析基于分数阶模型KVFD(Kelvin–Voigtfractionalderivativemodel)的
，涉及纳米压痕即机器学习领域，具体涉及一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法。
技术介绍
纳米压痕技术也称深度敏感压痕技术，是最简单的测试材料力学性质的方法之一，在材料科学的各个领域都得到了广泛的应用。在对材料进行力学性质测试之前，首先要明确材料的力学模型，现有仪器中使用的模型均为弹性模型，对于球形探针，通常使用的是Hertz模型；对于锥形探针，通常使用的是Sneddon模型。对于Hertz模型而言，式中，E是弹性模量，R是球形探针半径，v是泊松比，h是压痕深度，G是剪切模量，E＝3G,v＝0.5。对于Sneddon模型而言，式中，E是弹性模量，是锥形探针半角，v是泊松比，h是压痕深度。由于只有E一个参数，故在某些情况下与实验数据拟合程度不高；另外，只能进行手动的，半自动的拟合，在面对大量数据的情况下工作效率低，拟合效果不佳。上述两种模型无法拟合软物质、黏弹性材料的力学测试曲线，KVFD分数阶黏弹性模型具有简洁的参数，对软物质力学测试曲线很强的拟合能力。KVFD模型可以精确地描述生物组织等材料的多种黏弹性力学行为，提取黏弹性信息。相对整数阶模型而言，KVFD只用很少的参数就可以精确拟合材料的多种力学响应曲线，并且模型参数在一定程度上可以反映材料的物理机制，具有很大的应用前景。本专利技术作者提出分数阶Kelvin–Voigtfractionalderivativemodel(以下简称KVFD)模型可以精确拟合各类软材料的各类加载力学曲线。KVFD模型提供了一种只用三个参数描述材料力学性质的精确而灵活的方法。其应力σ(t)，应变ε(t)的的本构方程表示为，式中，η＝E0τα(Pa×sα)，E0是弹性模量，η是和时间常量τ有关的黏性系数，α∈(0,1)，代表了分数阶数。根据应力-应变关系的广义玻尔兹曼积分表达式，力-位移关系式可表示为，式中，P(t)是应力，h(t)是压痕深度；对于球形探头、锥形探头、锥体探头，KG分别为R为球面探头的半径，θ为锥形/体探头的半角；n是压痕常数，对于球形、锥形/体和板形压头，n分别是3/2，2和1。力学测试采用3种标准加载方式：①松弛、②蠕变、③加载-卸载。请参阅表1至表3，表1推导了球形探头压痕测试在三种不同加载方式下的解；表2推导了锥形/体探头压痕测试在三种不同加载方式下的解；表3推导了平板形探头压痕测试在三种不同加载方式下的解。表1.球形探头压痕测试在三种不同加载方式下的解表2.锥形/体探头压痕测试在三种不同加载方式下的解表3.平板形探头压痕测试在三种不同加载方式下的解对于KVFD黏弹性模型而言，其参数数量增加到了三个，在拟合精度上有了较大的改进。但由于参数数量的增多也导致其计算量急剧增大，现阶段只能手动或者半自动的拟合，在遇到大量数据的时候十分耗时，并且不可避免地会陷入局部最优解。综上所述，纳米压痕仪可在线测量载荷与相应的位移，并建立两者之间的相应关系(即压力—压痕曲线)。通过这些拟合曲线，可以在纳米尺度上测量材料的多种力学性质。但是一次实验通常会得到成千上万的曲线，通过人工拟合的方式是极其耗时耗力，且效率低下，准确率低，亟需一种可以自动拟合曲线提取多参数的方法，本专利技术的方法就是在这种大背景下提出的。
技术实现思路
本专利技术的目的在于提供一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，以解决上述存在的一个或多个技术问题。本专利技术结合了多参数机器学习与启发式算法的特性，能够极大地提高参数优化的准确率与效率。为达到上述目的，本专利技术采用以下技术方案：本专利技术的一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，包括以下步骤：步骤1，根据KVFD的松弛、蠕变、加载-卸载三种加载方式的解的情况，分别建立对应的K叉树字典，所述K叉树字典的每个节点包括预设数量的值；其中，所述预设数量的值中的前N个值为按预设定时间步长对曲线采样获得的N个点，所述预设数量的值中的后6个值为[E0,α,τ,R,v,Tr]，[E0,α,τ]为KVFD模型待拟合的3个变量，[R,v,Tr]为3个常数；步骤2，获取待测曲线，根据待测曲线Tr点处的值与待测曲线的凹凸性，判断待测曲线所属的具体类型；在待测曲线具体类型对应的K叉树字典中进行全局搜索，得到与待测曲线RMSE最小的K叉树字典中的曲线所对应的节点，获取K叉树字典中的曲线的参数[E0,α,τ]；步骤3，将步骤2获得的参数[E0,α,τ]表示为向量，并放缩至一个参数区间；在所得的参数区间内，按照待测曲线所对应的KVFD模型生成预设数量的曲线，加入随机的高斯噪声，记录每条曲线所对应的参数，划分为训练集与测试集传入机器学习模型进行训练，选出RMSE最小的模型作为训练的最终模型；步骤4，使用步骤3获得的最终模型对待测曲线进行参数估计；将参数估计获得的结果通过Q-learning算法进一步学习，获得优化结果。本专利技术的进一步改进在于，步骤1中，建立对应的K叉树字典时，度量节点差异性的公式为：式中，m为曲线的点数，i代表第i个点，Node1i、Node2i分别为待衡量差异性的两条曲线的纵坐标值。本专利技术的进一步改进在于，步骤2具体步骤包括：步骤2.1，获取待测曲线之后，进行降采样操作，将待测曲线的数据按预设时间步长采样N个点；步骤2.2，将步骤2.1处理所得曲线根据曲线在Tr附近的凹凸性判断曲线所属的具体类型；步骤2.3，基于步骤2.2获得的曲线的具体类型，在对应的K叉树字典中进行搜索，得到与曲线RMSE最小的曲线；将RMSE最小的曲线对应的节点取出，将取出节点中的参数[E0,α,τ]作为初筛获得的参数。本专利技术的进一步改进在于，步骤1中，N为300。本专利技术的进一步改进在于，步骤3中，所述机器学习模型包括6个经典机器学习模型。本专利技术的进一步改进在于，步骤3具体包括：将步骤2获得的参数[E0,α,τ]表示为向量X，并放缩至参数区间[0.1X,2X]；在参数区间中利用相对应的解的情况，随机均匀地生成多条曲线，按预设比例划分为训练集与验证集；将训练集和验证集并行送入6个经典机器学习模型中进行训练，选出RMSE最小的模型作为机器学习训练的最终模型。本专利技术的进一步改进在于，步骤4中，Q-learning算法中对Tr前后的曲线做不同权重的适应性函数；其中，适应性函数的确定包括：对整条曲线做处理的表达式为：式中，m1为Tr之前的曲线的点的数量，m2为Tr之后的曲线的点的数本文档来自技高网...

【技术保护点】
1.一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，其特征在于，包括以下步骤：/n步骤1，根据KVFD的松弛、蠕变、加载-卸载三种加载方式的解的情况，分别建立对应的K叉树字典，所述K叉树字典的每个节点包括预设数量的值；其中，所述预设数量的值中的前N个值为按预设定时间步长对曲线采样获得的N个点，所述预设数量的值中的后6个值为[E

【技术特征摘要】
1.一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，其特征在于，包括以下步骤：
步骤1，根据KVFD的松弛、蠕变、加载-卸载三种加载方式的解的情况，分别建立对应的K叉树字典，所述K叉树字典的每个节点包括预设数量的值；其中，所述预设数量的值中的前N个值为按预设定时间步长对曲线采样获得的N个点，所述预设数量的值中的后6个值为[E0,α,τ,R,v,Tr]，[E0,α,τ]为KVFD模型待拟合的3个变量，R,v,Tr为3个常数；
步骤2，获取待测曲线，根据待测曲线点Tr处的值与待测曲线的凹凸性，判断待测曲线所属的具体类型；在待测曲线具体类型对应的K叉树字典中进行全局搜索，得到与待测曲线RMSE最小的K叉树字典中的曲线所对应的节点，获取K叉树字典中的曲线的参数[E0,α,τ]；
步骤3，将步骤2获得的参数[E0,α,τ]表示为向量，并放缩至一个参数区间；在所得的参数区间内，按照待测曲线所对应的KVFD模型生成预设数量的曲线，加入随机的高斯噪声，记录每条曲线所对应的参数，划分为训练集与测试集传入机器学习模型进行训练，选出RMSE最小的模型作为训练的最终模型；
步骤4，使用步骤3获得的最终模型对待测曲线进行参数估计；将参数估计获得的结果通过Q-learning算法进一步学习，获得优化结果。


2.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，其特征在于，步骤1中，建立对应的K叉树字典时，度量节点差异性的公式为：



式中，m为曲线的点数，i代表第i个点，Node1i、Node2i分别为待衡量差异性的两条曲线的纵坐标值。


3.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，其特征在于，步骤2具体步骤包括：
步骤2.1，获取待测曲线之后，进行降采样操作，按预设时间步长对曲线采样N个点；
步骤2.2，将步骤2.1处理所得曲线根据曲线在Tr...

【专利技术属性】
技术研发人员：张红梅，王凯，刘智慧，张可浩，周衍，杨帆，王炯，万明习，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61