一种材料性能预测方法、系统、电子设备及存储介质技术方案

本发明专利技术涉及人工智能技术领域，并具体公开了一种材料性能预测方法、系统、电子设备及存储介质，方法包括：采集影响材料性能的第一数据；对第一数据进行处理得到第二数据；将第一数据和第二数据作为样本数据，并将样本数据拆分为第一数据集和第二数据集；基于第一数据集对多个第一算法模型进行训练，并基于第一训练结果得到第二算法模型；基于第二数据集对第二算法模型进行训练，并基于第二训练结果得到第三算法模型；将第三数据输入到第三算法模型以对材料的性能进行预测。通过本发明专利技术的方案，能够在预测材料性能时节省时间成本，提高材料的性能测试效率，有助于更快的筛选出性能较好的材料。材料。材料。

【技术实现步骤摘要】
一种材料性能预测方法、系统、电子设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种材料性能预测方法、系统、电子设备及存储介质。

技术介绍

[0002]反常霍尔器件由于其制备成本较低、体积偏小、可靠性好，因此在航空航天、汽车工业、磁场检测等方面被广泛应用。在反常霍尔器件中，对反常霍尔器件性能有主要影响的因素是产生反常霍尔效应(Anomalous Hall Effect，简称AHE)的磁性薄膜材料。相关技术中，提出了一种通过实验试错法预测磁性薄膜材料的反常霍尔性能的方法，该方法需要人工不断地去实验，要花费大量的时间来进行实验，非常耗时，实验效率较低。

技术实现思路

[0003]有鉴于此，本专利技术提出了一种材料性能预测方法、系统、电子设备及存储介质，将机器学习和具有反常霍尔性能的磁性薄膜材料的性能预测结合起来，通过机器学习的学习能力，并利用已有的实验数据去帮助预测具有良好反常霍尔性能的磁性薄膜材料，从而节省了一次次去尝试的时间成本，提高了磁性薄膜材料的性能测试效率，能更快的筛选出性能较好的磁性薄膜材料。
[0004]基于上述目的，本专利技术实施例的一方面提供了一种材料性能预测方法，具体包括如下步骤：
[0005]采集影响材料性能的第一数据；
[0006]对所述第一数据进行处理得到第二数据；
[0007]将所述第一数据和所述第二数据作为样本数据，并将所述样本数据拆分为第一数据集和第二数据集；
[0008]基于所述第一数据集对多个第一算法模型进行训练，并基于第一训练结果得到第二算法模型；
[0009]基于所述第二数据集对所述第二算法模型进行训练，并基于第二训练结果得到第三算法模型；
[0010]将第三数据输入到所述第三算法模型以对材料的性能进行预测。
[0011]在一些实施方式中，所述材料为具有反常霍尔性能的磁性薄膜；
[0012]所述第一数据包括：所述薄膜包含的不同种类元素的成分配比、所述元素的磁化强度、所述元素的费米能级的位置、所述元素的价电子数、所述元素的相对原子质量、测试温度、所述薄膜的厚度、所述薄膜的长宽比、所述薄膜的反常霍尔电阻、所述薄膜的纵向电阻中的一个或多个；
[0013]所述第二数据包括：反常霍尔电阻率和反常霍尔角。
[0014]在一些实施方式中，所述对所述第一数据进行处理得到第二数据的步骤包括：
[0015]对所述反常霍尔电阻与所述厚度进行计算，得到所述反常霍尔电阻率；
[0016]对所述纵向电阻、所述厚度与所述长宽比进行计算，得到纵向电阻率；
[0017]对所述反常霍尔电阻率与所述纵向电阻率进行计算，得到所述反常霍尔角。
[0018]在一些实施方式中，所述对所述反常霍尔电阻与所述厚度进行计算，得到所述反常霍尔电阻的步骤包括：
[0019]基于第一公式对所述反常霍尔电阻与所述厚度进行计算，得到所述反常霍尔电阻率，其中，所述第一公式为：
[0020]所述反常霍尔电阻率＝所述反常霍尔电阻
×
所述厚度；
[0021]所述对所述纵向电阻、所述厚度与所述长宽比进行计算，得到纵向电阻率的步骤包括：
[0022]基于第二公式对所述反常霍尔电阻、所述厚度与所述长宽比进行计算，得到纵向电阻率，其中，所述第二公式为：
[0023]所述纵向电阻率＝所述纵向电阻
×
所述厚度
÷
所述长宽比；
[0024]所述对所述反常霍尔电阻率与所述纵向电阻率进行计算，得到所述反常霍尔角的步骤包括：
[0025]基于第三公式对所述反常霍尔电阻率与所述纵向电阻率进行计算，得到所述反常霍尔角，其中，所述第三公式为：
[0026]所述反常霍尔角＝所述反常霍尔电阻率
÷
所述纵向电阻率。
[0027]在一些实施方式中，所述第一训练结果包括第一平均绝对误差、第一均方根误差；
[0028]所述基于第一训练结果得到第二算法模型的步骤包括：
[0029]选取所述第一平均绝对误差小于第一阈值、所述第一均方根误差小于第二阈值的所述第一算法模型作为所述第二算法模型；
[0030]所述第二训练结果包括第二平均绝对误差、第二均方根误差和第二决定系数；
[0031]所述基于第二训练结果得到第三算法模型的步骤包括：
[0032]选取所述第二平均绝对误差小于第三阈值、所述第二均方根误差小于第四阈值的所述第二算法模型作为所述第三算法模型。
[0033]在一些实施方式中，所述第一训练结果包括第一平均绝对误差、第一均方根误差和第一决定系数；
[0034]所述基于第一训练结果得到第二算法模型的步骤包括：
[0035]选取所述第一平均绝对误差小于第一阈值、所述第一均方根误差小于第二阈值并且所述第一决定系数与1的差值的绝对值小于第五阈值的所述第一算法模型作为所述第二算法模型；
[0036]所述第二训练结果包括第二平均绝对误差、第二均方根误差和第二决定系数；
[0037]所述基于第二训练结果得到第三算法模型的步骤包括：
[0038]选取所述第二平均绝对误差小于第三阈值、所述第二均方根误差小于第四阈值并且所述第二决定系数与1的差值的绝对值小于第六阈值的所述第二算法模型作为所述第三算法模型。
[0039]在一些实施方式中，所述将第三数据输入到所述第三算法模型以对材料的性能进行预测的步骤包括：
[0040]将第三数据输入到所述第三算法模型，并输出预测的反常霍尔电阻率和预测的反
常霍尔角；
[0041]基于所述预测的反常霍尔电阻率和所述预测的反常霍尔角确定所述材料的性能。
[0042]在一些实施方式中，所述第一算法模型包括：随机森林算法模型、决策树算法模型、支持向量机算法模型、人工神经网络算法模型中的任意一个；
[0043]所述磁性薄膜包括铁磁性薄膜；
[0044]所述将第三数据输入到所述第三算法模型以对材料的性能进行预测的步骤之后，还包括：
[0045]对比基于所述第三算法模型输出的预测结果和根据所述第三数据计算出的结果。
[0046]本专利技术实施例的另一方面，还提供了一种材料性能预测系统，包括：
[0047]数据采集模块，所述数据采集模块配置为采集影响材料性能的第一数据；
[0048]数据处理模块，所述数据处理模块配置为对所述第一数据进行处理得到第二数据；
[0049]数据分析模块，所述数据分析模块配置为将所述第一数据和所述第二数据作为样本数据，并将所述样本数据拆分为第一数据集和第二数据集；
[0050]所述数据分析模块还配置为基于所述第一数据集对多个第一算法模型进行训练，并基于第一训练结果得到第二算法模型；
[0051]所述数据分析模块还配置为基于所述第二数据集对所述第二算法模型进行训练，并基于第二训练结果得到第三算法模型；
[0052]所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种材料性能预测方法，其特征在于，包括：采集影响材料性能的第一数据；对所述第一数据进行处理得到第二数据；将所述第一数据和所述第二数据作为样本数据，并将所述样本数据拆分为第一数据集和第二数据集；基于所述第一数据集对多个第一算法模型进行训练，并基于第一训练结果得到第二算法模型；基于所述第二数据集对所述第二算法模型进行训练，并基于第二训练结果得到第三算法模型；将第三数据输入到所述第三算法模型以对材料的性能进行预测。2.根据权利要求1所述的方法，其特征在于，所述材料为具有反常霍尔性能的磁性薄膜；所述第一数据包括：所述薄膜包含的不同种类元素的成分配比、所述元素的磁化强度、所述元素的费米能级的位置、所述元素的价电子数、所述元素的相对原子质量、测试温度、所述薄膜的厚度、所述薄膜的长宽比、所述薄膜的反常霍尔电阻、所述薄膜的纵向电阻中的一个或多个；所述第二数据包括：反常霍尔电阻率和反常霍尔角。3.根据权利要求2所述的方法，其特征在于，所述对所述第一数据进行处理得到第二数据的步骤包括：对所述反常霍尔电阻与所述厚度进行计算，得到所述反常霍尔电阻率；对所述纵向电阻、所述厚度与所述长宽比进行计算，得到纵向电阻率；对所述反常霍尔电阻率与所述纵向电阻率进行计算，得到所述反常霍尔角。4.根据权利要求3所述的方法，其特征在于，所述对所述反常霍尔电阻与所述厚度进行计算，得到所述反常霍尔电阻的步骤包括：基于第一公式对所述反常霍尔电阻与所述厚度进行计算，得到所述反常霍尔电阻率，其中，所述第一公式为：所述反常霍尔电阻率＝所述反常霍尔电阻
×
所述厚度；所述对所述纵向电阻、所述厚度与所述长宽比进行计算，得到纵向电阻率的步骤包括：基于第二公式对所述反常霍尔电阻、所述厚度与所述长宽比进行计算，得到纵向电阻率，其中，所述第二公式为：所述纵向电阻率＝所述纵向电阻
×
所述厚度
÷
所述长宽比；所述对所述反常霍尔电阻率与所述纵向电阻率进行计算，得到所述反常霍尔角的步骤包括：基于第三公式对所述反常霍尔电阻率与所述纵向电阻率进行计算，得到所述反常霍尔角，其中，所述第三公式为：所述反常霍尔角＝所述反常霍尔电阻率
÷
所述纵向电阻率。5.根据权利要求1
‑
4任意一项所述的方法，其特征在于，所述第一训练结果包括第一平均绝对误差、第一均方根误差；所述基于第一训练结果得到第二算法模型的步骤包括：
选取所述第一平均绝对误差小于第一阈值、所述第一均方根误差小于第二阈值的所述第一算法模型作为所述第二算法模型；所述第二训练结果包括第二平均绝对误差、第二均方根误差和第二决定系数；所述基于第二训练结果得到第...

【专利技术属性】
技术研发人员：李岩，
申请(专利权)人：山东云海国创云计算装备产业创新中心有限公司，
类型：发明
国别省市：