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