【技术实现步骤摘要】
材料微观结构总能量预测方法
[0001]本专利技术涉及材料微观结构分析的
,特别涉及材料微观结构总能量预测方法。
技术介绍
[0002]目前,在材料科学等研究领域中,通常需要对材料的微观结构总能量分布情况进行测量。现有技术主要包括基于计算机模拟计算和基于经验公式的总能量计算两种方式来实现相应的计算测量。其中,基于计算机模拟计算的方式可以使用密度泛函理论的第一性原理,其不需要额外参数且计算精度较高,但是其模拟时间比较短;基于经验公式的总能量计算的方式能够模拟的空间和时间尺度相对较大,但其精度受到总能量函数形式和拟合参数的限制,难以推广到一般的材料理论预测。可见,上述两种方式无法同时满足对材料的微观结构进行大空间和时间尺度的模拟,以及精确可靠的总能量分布预测。
技术实现思路
[0003]针对现有技术存在的缺陷,本专利技术提供材料微观结构总能量预测方法,其从材料微观结构样本数据中获得一维序列样本数据,并对一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;构建注意力卷积神经网络模型,和将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;将待测试材料样本对应的一维序列样本数据转换为二维时频谱图,再将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果;上述方法采用机器学习以及基于原子坐标构建体系总能量,实现对原子体系的大规模和长时间的分子动力学模拟,对材料的微观结构进行大空间和时间尺度的模拟,以及精确可靠的总能量 ...
【技术保护点】
【技术特征摘要】
1.一种材料微观结构总能量预测方法,其特征在于,其包括如下步骤:步骤S1,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据;步骤S2,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据;再对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图;步骤S3,构建注意力卷积神经网络模型,将所有二维时频谱图输入到所述注意力卷积神经网络模型,以此对网络模型进行训练;步骤S4,获取待测试材料样本对应的一维序列样本数据,并将其转换为二维时频谱图;将待测试材料样本的二维时频谱图输入到完成训练的注意力卷积神经网络模型中,从而得到待测试样本的微观结构总能量预测结果。2.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:在所述步骤S1之前,还包括:根据材料样品的原子理论排列结构,构建材料样品对应的原子坐标构建体系;其中,所述原子坐标构建体系是指以材料样品的所有类型原子的理论排列结构为基准,构建形成的坐标体系。3.如权利要求2所述的材料微观结构总能量预测方法,其特征在于:在所述步骤S1中,基于材料的原子坐标构建体系,获得每个材料样品对应的材料微观结构样本数据具体包括:基于材料的原子坐标构建体系,对预先给定的材料微观结构数据进行坐标转换,从而得到每个材料样品对应的材料微观结构样本数据。4.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:在所述步骤S2中,对每个材料微观结构样本数据进行预处理,得到一维序列样本数据具体包括:根据所述原子坐标构建体系包含的所有坐标轴方向,将每个材料微观结构样本数据划分为对应于不同坐标轴方向的一维序列样本数据。5.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:在所述步骤S2中,对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图具体包括:利用下面公式(1)和(2),对所述一维序列样本数据进行短时傅里叶变换,得到对应的二维时频谱图,STFT
i
(τ,f)=∑X
i
(λ)w(τ
‑
λ)e
‑
j2πfλ
(1)S
i
=|STFT
i
(τ,f)|2(2)在上述公式(1)和(2)中,X
i
(λ)表示第i个一维序列样本数据;w(λ)表示窗函数;τ表示时间;f表示频率;STFT
i
(τ,f)是第i个一维序列样本数据对应于变量(τ,ω)的二维函数,表示序列X
i
(λ)加窗后的傅里叶变换结果;S
i
表示二维时频谱图。6.如权利要求1所述的材料微观结构总能量预测方法,其特征在于:在所述步骤S3中,构建注意力卷积神经网络模型具体包括:构建两层二维卷积形式的注意力卷积神经网络模型,并且在两层二维卷积层之间串联通道注意力模块和空间注意力模块。
7.如权利要求6所述的材料微观结构总能量预测...
【专利技术属性】
技术研发人员:张平,高强,贾丹迪,李孜,王聪,郑萌萌,李淑静,
申请(专利权)人:曲阜师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。