基于松鼠优化算法和机器学习算法的玻璃硬度预测方法技术

本发明专利技术公开了一种基于松鼠优化算法和机器学习算法的玻璃硬度预测方法，涉及电数字数据处理领域；方法包括：构建不同组分玻璃材料的硬度数据库；构建特征描述符；提供训练集样本，初始化松鼠搜索算法的参数；设定松鼠搜索算法优化参数，运用其优化Catboost算法参数，得到最佳Catboost算法参数，建立玻璃硬度预测模型；输入测试样本数据，预测玻璃硬度。本发明专利技术构建了独特的描述符，将松鼠搜索优化算法用于优化Catboost算法参数寻优，结构简单，提高收敛速度和精度，且寻优得到的最优Catboost算法参数可以较明显地提高Catboost算法的性能，对于提高预测玻璃硬度的准确性具有现实意义。于提高预测玻璃硬度的准确性具有现实意义。于提高预测玻璃硬度的准确性具有现实意义。

【技术实现步骤摘要】
基于松鼠优化算法和机器学习算法的玻璃硬度预测方法


[0001]本专利技术涉及电数字数据处理领域，尤其涉及一种基于松鼠优化算法和机器学习算法的玻璃硬度预测方法。

技术介绍

[0002]玻璃是一种非平衡、非晶的材料，它能自发地弛豫到过冷的液态。与晶体不同， 玻璃不需要满足严格的化学计量规则，可以被认为是化学元素的连续溶液。因此大量的元素可能成为构成玻璃材料的组分。80种化学元素以1 mol%的量变化可以产生种可能的玻璃成分。然而，报道的无机玻璃的数量只有种左右，这意味着探索具有特殊性能的新玻璃形成成分还有巨大的空间。
[0003]硬度作为最重要的机械性能之一，反映了材料对抗永久变形的性能。玻璃材料的硬度不仅取决于化学组分还与其网络结构息息相关，一般而言，构建玻璃网络结构的网络形成体氧化物(如，等)越多，硬度值越大，而具有破网作用的网络修饰体氧化物(如碱金属和碱土金属氧化物等)越多，硬度值越小。影响硬度的主要因素为：玻璃的热历史、压力史和外界因素如测量时的温度、湿度以及施加载荷的大小等。现有玻璃材料设计方法中对硬度的预测主要基于组分的加权求和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于松鼠优化算法和机器学习算法的玻璃硬度预测方法，其特征在于，所述方法包括：步骤1：采集不同组分氧化物玻璃的硬度数据，构建玻璃硬度数据库，所述玻璃硬度数据库包括一一映射的玻璃组分和其对应的硬度；步骤2：基于化学特征，分别以元素摩尔含量、原子间库伦作用力、基于力场势的短程相互作用关系作为输入参数的描述符；步骤3：以步骤2构造的描述符为模型的输入，以步骤1构建的硬度数据库为模型的输出，构建训练集、测试集，建立Catboost模型；步骤4：引入松鼠搜索优化算法，优化选取的Catboost模型的参数；步骤5：基于优化后的参数建立性能最优的Catboost模型；步骤6：针对待预测的玻璃组分，利用最优的Catboost模型预测该玻璃组分的玻璃硬度；步骤2包括如下步骤：步骤2
‑
1：以组成玻璃各个组分摩尔含量为一组描述符；步骤2
‑
2：以组成玻璃各个组分不同原子间库伦作用力构造描述符：其中，和为离子和的有效离子电荷，和分别是组成元素和有效离子电荷和的摩尔分数；步骤2
‑
3：以组成玻璃各个组分不同原子间力场势的短程相互作用关系构造描述符：其中，S为组成元素合集，为组成元素有效离子电荷的摩尔分数，为Buckingham电势参数，p=
ꢀ‑
4,
ꢀ‑
3,
ꢀ‑
2,
ꢀ‑
1, 0, 1, 2, 3, 4。2.根据权利要求1所述的基于松鼠优化算法和机器学习算法的玻璃硬度预测方法，其特征在于，步骤4包括如下步骤：步骤4
‑
1：选取Catboost算法需优化的参数，松鼠的位置坐标即为需要优化的参数，定义松鼠搜索优化算法的种群规模，维度，最大迭代次数，滑行距离参数和捕食者存在概率；步骤4
‑
2：种群位置初始化，为只松鼠生成随机位置，第只松鼠的位置可以通过一个矢量来确定；所有松鼠的位置在边界范围内随机初始化，如下式：其中，代表第只松鼠第维的值，...

【专利技术属性】
技术研发人员：杨勇，翟华，韩江，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：