基于微观结构与材料组分多模态融合的复合材料性能预测模型及方法技术

由于复合材料的性能通常会受到微观结构和材料组分信息的综合影响，现有方法大多基于微观结构或者材料组分进行预测，利用的数据比较单一，无法对复合材料的性能进行准确预测。有鉴于此，本发明专利技术公开了一种基于微观结构与材料组分多模态融合的复合材料性能预测模型和方法，充分考虑的两者对复合材料最终性能的影响，构建了由材料微观结构特征向量提取网络、组分质量占比特征向量提取网络、晶体类别特征向量提取网络、自适应特征向量融合模块和用作回归器的全连接层构成的多模态复合材料性能预测模型，相较于现有的基于单一模态信息进行预测，同时使用材料微观结构图像、组分质量占比、组分晶体类别等多种模态信息具有更高的预测精度。测精度。测精度。

【技术实现步骤摘要】
基于微观结构与材料组分多模态融合的复合材料性能预测模型及方法


[0001]本专利技术属于计算材料科学
，具体的为一种基于微观结构与材料组分多模态融合的复合材料性能预测模型及方法。

技术介绍

[0002]复合材料的性能对设计研发、应用场景选择具有重要的指导意义。现有的复合材料性能获取方法主要为物理实验和有限元数值模拟，前者原材料消耗大、耗费人力多，后者需要高通量的数值计算，往往计算一个有限元模型需要耗费很长时间。随着大数据和材料信息学的发展，产生了基于人工智能方法进行材料性能预测的新范式，通过高效的性能预测来加速材料研发，具备较好的经济型和有效性。
[0003]复合材料是由不同性质的材料组分优化组合而成的新材料，存在两种或者两种以上的化学、物理性质不同的材料组分，这些材料组分的占比分布对最终的材料性能有很大的影响。同时，在复合材料加工过程中，不同组分材料晶体颗粒粘结的微观结构也影响着材料性能。现有基于人工智能方法的材料性能预测大都单独使用材料组分或者单独使用能够表征材料微观结构的显微图像实现复合材料的性能预测，数据利用不充分。材料性能是受多方面影响的，使用单一模态数据进行性能预测效果较差。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于微观结构与材料组分多模态融合的复合材料性能预测模型及方法，充分利用材料组分占比、晶体种类等材料组分信息和材料微观结构信息，实现对复合材料性能更准确的预测。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]本专利技术首先提出了一种基于微观结构与材料组分多模态融合的复合材料性能预测模型，包括材料微观结构特征向量提取网络、组分质量占比特征向量提取网络、晶体类别特征向量提取网络、自适应特征向量融合模块和用作回归器的全连接层；
[0007]所述材料微观结构特征向量提取网络包括依次连接的卷积神经网络、1
×
1的卷积层和全局平均池化层；所述卷积神经网络用于提取材料微观结构的特征图；所述特征图经所述1
×
1的卷积层进行通道特征融合，得到反应材料微观结构信息的高层语义特征图；所述高层语义特征图经所述全局平均池化层处理后得到材料微观结构特征向量；
[0008]所述组分质量占比特征向量提取网络包括输入层和三个全连接层I，所述输入层的神经元数量等于材料组分中类似质量占比的连续属性个数，相邻两个全连接层I之间通过ReLU激活函数以增加组分质量占比信息的特征提取表达能力，最后一个全连接层I输出材料组分质量占比特征向量；
[0009]所述晶体类别特征向量提取网络包括Embedding层和两个全连接层II；所述Embedding层用于将材料组分晶体类别的编码信息嵌入成可以进行距离度量的稠密向量；
所述Embedding层包含的Embedding模块的数量等于组分晶体类别的数量，每个Embedding模块的输入维度等于对应组分晶体类别的个数；两个全连接层II之间通过ReLU激活函数以增加对组分晶体类别信息的非线性表达能力，最后一个全连接层II输出材料晶体细分类别特征向量；
[0010]所述自适应特征向量融合模块用于融合所述材料微观结构特征向量、材料组分质量占比特征向量和材料晶体细分类别特征向量后输出抽象语义特征；所述用作回归器的全连接层用于对材料性能进行回归预测，且所述用作回归器的全连接层后输出的神经元个数为需预测的力学性能参数的个数。
[0011]进一步，所述卷积神经网络采用ResNet卷积神经网络、VGG神经网络或Efficient
‑
Net神经网络进行轻量化改进。
[0012]进一步，所述卷积神经网络由ResNet卷积神经网络进行轻量化改进得到，轻量化改进的ResNet卷积神经网络包括三个stage，三个stage的通道数分别为16、32和64，经轻量化改进的ResNet卷积神经网络提取得到64个特征图。
[0013]进一步，全局平均池化层的原理为：
[0014][0015]其中，h和w分别为单个特征图的高和宽；为全局平均池化后的材料微观结构特征向量v1的第k个元素；表示第k个特征图中第i行第j列的元素。
[0016]进一步，三个所述全连接层I的神经元个数分别为16、20和32。
[0017]进一步，Embedding层的编码原理为：
[0018][0019]其中，n为组分晶体类别的数量；y
i
表示第i个组分晶体类别编码；Embedding
i
表示对应于第i个组分晶体类别y
i
的Embedding模块。
[0020]进一步，自适应特征向量融合模块的原理为：
[0021][0022]其中，V表示抽象语义特征；AdaptiveFusion表示自适应特征向量融合模块；v1表示材料微观结构特征向量；v2表示材料组分质量占比特征向量；v3表示材料晶体细分类别特征向量；且：
[0023]设特征向量v
i
的维度为1
×
r,则求和函数sum表示为：
[0024][0025]特征向量v
i
的权重系数表示为：
[0026][0027]其中，softmax表示softmax函数。
[0028]本专利技术还提出了一种基于微观结构与材料组分多模态融合的复合材料性能预测方法，包括如下步骤：
[0029]步骤一：获取复合材料多模态数据集，多模态数据集包含显微结构图像、材料组分信息和标签，显微结构图像用于反映材料微观结构，材料组分信息包括材料组分质量占比和材料组分晶体类别；标签为复合材料的性能指标；
[0030]步骤二：构建如上所述基于微观结构与材料组分多模态融合的复合材料性能预测模型；
[0031]步骤三：采用K折交叉验证的方式训练复合材料性能预测模型；
[0032]步骤四：利用训练得到的复合材料性能预测模型，使用显微结构图像和材料组分信息预测复合材料的性能指标。
[0033]进一步，所述步骤一中，将多模态数据集分为k组，取其中k
‑
1组划分训练集和验证集，剩余1组作为测试集。
[0034]进一步，所述步骤三中，使用训练集进行模型训练，用验证集选择训练过程中预测效果较好的模型，并在测试集上进行材料性能预测的泛化性能评估，选择泛化性能最佳的模型作为最终的复合材料性能预测模型；训练过程中的损失函数采用MSE，优化器采用Adam。
[0035]本专利技术的有益效果在于：
[0036]复合材料的性能通常会受到微观结构和材料组分信息等因素的综合影响，现有方法大多基于微观结构或者材料组分进行预测，利用的数据比较单一。本专利技术基于微观结构与材料组分多模态融合的复合材料性能预测方法，充分考虑的两者对复合材料最终性能的影响，构建了由材料微观结构特征向量提取网络、组分质量占比特征向量提取网络、晶体类别特征向量提取网络、自适应特征向量融合模块和用作回归器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于微观结构与材料组分多模态融合的复合材料性能预测模型，其特征在于：包括材料微观结构特征向量提取网络、组分质量占比特征向量提取网络、晶体类别特征向量提取网络、自适应特征向量融合模块和用作回归器的全连接层；所述材料微观结构特征向量提取网络包括依次连接的卷积神经网络、1
×
1的卷积层和全局平均池化层；所述卷积神经网络用于提取材料微观结构的特征图；所述特征图经所述1
×
1的卷积层进行通道特征融合，得到反应材料微观结构信息的高层语义特征图；所述高层语义特征图经所述全局平均池化层处理后得到材料微观结构特征向量；所述组分质量占比特征向量提取网络包括输入层和三个全连接层I，所述输入层的神经元数量等于材料组分中类似质量占比的连续属性个数，相邻两个全连接层I之间通过ReLU激活函数以增加组分质量占比信息的特征表达能力，最后一个全连接层I输出材料组分质量占比特征向量；所述晶体类别特征向量提取网络包括Embedding层和两个全连接层II；所述Embedding层用于将材料组分晶体类别的编码信息嵌入成可以进行距离度量的稠密向量；所述Embedding层包含的Embedding模块的数量等于组分晶体类别的数量，每个Embedding模块的输入维度等于对应组分晶体类别的个数；两个全连接层II之间通过ReLU激活函数以增加对组分晶体类别信息的非线性表达能力，最后一个全连接层II输出材料晶体细分类别特征向量；所述自适应特征向量融合模块用于融合所述材料微观结构特征向量、材料组分质量占比特征向量和材料晶体细分类别特征向量后输出抽象语义特征；所述用作回归器的全连接层用于对材料性能进行回归预测，且所述用作回归器的全连接层后输出的神经元个数为需预测的力学性能参数的个数。2.根据权利要求1所述的基于微观结构与材料组分多模态融合的复合材料性能预测模型，其特征在于：所述卷积神经网络由ResNet卷积神经网络、VGG神经网络或Efficient
‑
Net神经网络进行轻量化改进得到。3.根据权利要求2所述的基于微观结构与材料组分多模态融合的复合材料性能预测模型，其特征在于：所述卷积神经网络由ResNet卷积神经网络进行轻量化改进得到，轻量化改进的ResNet卷积神经网络包括三个stage，三个stage的通道数分别为16、32和64，经轻量化改进的ResNet卷积神经网络提取得到64个特征图。4.根据权利要求1所述的基于微观结构与材料组分多模态融合的复合材料性能预测模型，其特征在于：全局平均池化层的原理为：其中，h和w分别为单个特征图的高和宽；为全局...

【专利技术属性】
技术研发人员：尹爱军，宋磊，
申请(专利权)人：重庆大学，
类型：发明
国别省市：