一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法技术

一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法，涉及梯度TiO

【技术实现步骤摘要】
一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法
本专利技术涉及梯度TiO2纳米管微图案制备，尤其是涉及一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法。
技术介绍
微图案化技术可将具有不同特性的各种材料微型化并整合到一个样品平台中，这些微图案平台可用于以更少的样品和更高的效率对生物材料进行高通量筛选。流行的微图案化技术包括软光刻、光刻、喷射图案化、扫描探针光刻、激光制图、双极电化学等。在所有微图案化技术中，双极电化学最为简易，已被广泛用于构建化学/结构梯度微图案。通过双极电化学方法构建梯度TiO2纳米管，以高通量筛选应用于不同领域的最优的纳米管直径，但如何快速获得直径范围最广的TiO2纳米管微图案，是目前一个挑战。与传统的数据分析方法相比，机器学习可以从数据中抽象并构建有意义的数学模型，作为机器学习的一种特殊应用，“主动学习”主动选择要从中学习的数据样本，以解决数据集标签的问题。通过“主动学习”，只需要标记整个数据集中信息最丰富的子集，采用迭代过程来提高模型的准确性。它在初始数据子集上训练模型，并根据本轮评估结果在下一轮查询更多数据标签。本专利技术在一种改进型梯度TiO2纳米管微图案制备方法的基础上，引入主动学习框架，应用机器学习方法来限制实验边界条件，并拟合实验条件以推荐更优的实验方案，加速找到可获得直径梯度范围最广的TiO2纳米管微图案的制备方案。
技术实现思路
本专利技术的目的在于提供主动学习的方法协助结构梯度变化的一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法。本专利技术包括以下步骤：1)设定相关实验条件制备TiO2纳米管微图案并进行表征，获取实验数据；2)所得实验数据预处理及机器学习建模；3)机器学习模型进行预测并推荐优化实验方案；4)实验验证预测结果，并补充数据，迭代步骤1)～4)。在步骤1)中，所述制备TiO2纳米管微图案并进行表征的步骤可为：步骤1.1钛电极表面预处理：所述钛电极表面预处理方法为超声清洗钛电极，清洗液包括丙酮、去离子水、乙醇，各清洗20min后干燥，并裁剪成所需尺寸待用；步骤1.2配制电解液：所述配制电解液的方法为：将氟化铵、去离子水和丙三醇混合，三者的配比可为氟化铵0.45％～1.1％、去离子水5％～20％，余量为丙三醇，总量为100％，其中氟化铵按质量计算，去离子水和丙三醇按体积计算；步骤1.3设置电解槽、通用电极和外置循环水冷装置：所述电解槽可固定相距4cm的双电极，可在双电极之间水平固定钛电极，阳极和阴极均为大面积铂电极；将整个电解槽置于水冷装置中进行反应；步骤1.4设置钛电极：所述钛电极为尺寸为38mm×10mm的金属钛片，将其水平固定在双电极之间，相距两铂电极各1mm；步骤1.5电化学反应以得到结构梯度变化的TiO2纳米管微图案：所述电化学反应处理的方法为：采用双极电化学氧化法，反应温度为10～20℃，反应时间为1.5～10h，辅加搅拌转子转速为300～1000rpm；电化学反应结束后取出钛电极，用去离子水清洗，干燥后即得结构梯度变化的TiO2纳米管微图案；所述电化学反应可采用恒电压模式，可设定的阳极电压范围为140～210V；所述电化学反应为在钛电极上同时进行氧化和还原反应。步骤1.6所得样品通过扫描电镜SEM表征，获得样品SEM正面图，测量并统计表征数据。在步骤2)中，所述实验数据预处理可分为：步骤2.1：对实验数据进行预标注处理，根据样品制备是否有形成梯度纳米管，对该反应条件进行“0”和“1”值的标定，“0”为负例，表示样品制备异常未获得梯度纳米管，“1”为正例，表示样品制备正常并获得梯度纳米管；对样品制备成功标定为“1”的实验数据进行数据再处理，再标定上SEM表征得到的管径数据；步骤2.2：运用不同的分类算法对上述预标注后的特征数据进行分类处理，并评估不同分类算法的准确性；运用不同的回归算法对再标定后的特征数据进行回归处理，并评估不同回归算法的准确性；准确性的评估准则可选择：准确率、召回率、F1值、ROC曲线等；进一步的，准确性的评估准则可选择：平均绝对误差(MAE)、R-squared等。步骤2.3：基于评估指标选择准确性高的分类和回归算法用于建模；所述建模包括线性模型、多项式模型、决策树模型、支持向量机模型、GBDT模型和神经网络模型。在步骤3)中，所述机器学习模型进行预测并推荐优化实验方案，利用这一轮初始数据子集上训练得到的模型，预测下一轮实验结果，基于所得到的数据和模型，对所有可能的正交实验进行网格搜索，针对性的推荐最佳实验条件进行实验。在步骤4)中，所述实验验证预测结果，并补充数据具体是基于步骤3)推荐的最佳实验条件，根据步骤1)的制备方法，重新进行实验并补充数据集，一为验证预测结果准确性，二为补充数据集，迭代步骤1～4，直至预测结果达到预期值或达瓶颈值。本专利技术所构筑的TiO2纳米管微图案是采用双极氧化法通过选用相应的电解液配方和控制电化学参数获得的，有如下特征：(1)制得的TiO2纳米管阵列形状规则排列紧密；(2)制得的样品为TiO2纳米管尺寸梯度变化(直径20～470nm)的微图案样品。与现有技术相比，本专利技术具有以下突出的优点和技术效果：1、本专利技术能够自动化的实现扩充样本数据、自我学习、自动训练出满足预设精度的模型；而且从材料基因工程和材料信息学角度，目前在材料科学中已广泛应用机器学习、大数据分析技术开展新材料研发，与传统的物理/材料模型相比，本专利技术的显著特点：循环学习，提出了一种能自动构建预测材料“参数-结构-性质”主动学习框架，实现了材料智能生成和材料逆向设计。2、本专利技术能在较少的实验条件下寻得氟化铵/水/丙三醇体系下利用双极氧化法一步制备得到的最大梯度范围的TiO2纳米管微图案样品及其实验条件。3、本专利技术具有操作简单方便、操作耗时短、制备过程成本低廉、易于实现、易于控制等优点。附图说明图1为本专利技术实施例的流程图。图2为实施例3制备的微图案样品结构示意图。图3为实施例3制备的微图案样品最小管径区域(图3a)、中间管径区域(图3b)和最大管径区域(图3c)的SEM正面图(放大倍数为5万倍)。在图3中，标尺为200nm。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，以下实施例将结合附图对本专利技术作进一步的说明。实施例1应用一种基于主动学习的算法来搜索边界条件并最大化TiO2纳米管微图案的直径范围。在从双极电化学实验中收集少量数据集后，机器学习算法建立一个学习模型并预测了最佳结果。然后，通过实验对预测进行测试，新结果更新下一个主动学习循环的训练数据集。如图1所示，每个主动学习循环包括四个步骤：(1)从实验中获取原始数据；(2)用分类模型定义有效数据边界；(3)数据分析/回归和预测；(4)使用网格搜索的最佳实验参数搜索和预测。首先我们先通过一定量的实验，积累原始数据。其中原始数本文档来自技高网...

【技术保护点】
1.一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法，其特征在于包括以下步骤：/n1)设定相关实验条件制备TiO

【技术特征摘要】
1.一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法，其特征在于包括以下步骤：
1)设定相关实验条件制备TiO2纳米管微图案并进行表征，获取实验数据；
2)所得实验数据预处理及机器学习建模；
3)机器学习模型进行预测并推荐优化实验方案；
4)实验验证预测结果，并补充数据，迭代步骤1)～4)。


2.如权利要求1所述一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法，其特征在于在步骤1)中，所述制备TiO2纳米管微图案并进行表征的步骤为：
步骤1.1钛电极表面预处理：所述钛电极表面预处理方法为超声清洗钛电极，清洗液包括丙酮、去离子水、乙醇，各清洗20min后干燥，并裁剪成所需尺寸待用；
步骤1.2配制电解液：所述配制电解液的方法为：将氟化铵、去离子水和丙三醇混合，三者的配比可为氟化铵0.45％～1.1％、去离子水5％～20％，余量为丙三醇，总量为100％，其中氟化铵按质量计算，去离子水和丙三醇按体积计算；
步骤1.3设置电解槽、通用电极和外置循环水冷装置：所述电解槽可固定相距4cm的双电极，可在双电极之间水平固定钛电极，阳极和阴极均为大面积铂电极；将整个电解槽置于水冷装置中进行反应；
步骤1.4设置钛电极：所述钛电极为尺寸为38mm×10mm的金属钛片，将其水平固定在双电极之间，相距两铂电极各1mm；
步骤1.5电化学反应以得到结构梯度变化的TiO2纳米管微图案：所述电化学反应处理的方法为：采用双极电化学氧化法，反应温度为10～20℃，反应时间为1.5～10h，辅加搅拌转子转速为300～1000rpm；电化学反应结束后取出钛电极，用去离子水清洗，干燥后即得结构梯度变化的TiO2纳米管微图案；所述电化学反应可采用恒电压模式，可设定的阳极电压范围为140～210V；所述电化学反应为在钛电极上同时进行氧化和还原反应；
步骤1.6所得样...

【专利技术属性】
技术研发人员：王斯，黄巧玲，沈子傲，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35