【技术实现步骤摘要】
物相预测模型训练方法、物相预测方法及装置、设备
[0001]本专利技术涉及合金材料预测领域,具体而言,涉及一种物相预测模型训练方法、物相预测方法及装置、设备。
技术介绍
[0002]近些年引起广泛关注的高熵合金材料不同于传统的由一种或两种主要元素组成的合金材料,其往往由五种或五种以上的元素组成,且高熵合金材料往往在性能上更优异,比如有较高的强度、较好的耐磨性能、优异的延展性等。传统的高熵合金材料设计方法,往往是通过实验、理论或计算来表征材料性能,这些方法耗时耗力,而且很容易受其他因素影响。同时,由于高熵合金材料组成元素较多,使得组成成分十分复杂且空间较大,所以依靠传统方法寻找性能优异的高熵合金是十分困难的。
[0003]目前,现有技术多通过机器学习的方法去搜寻各种高性能材料,示例的,通过单个神经网络对不同的高熵合金组成的实验数据集的物相进行预测,但是通过单个神经网络的预测精度不高且效率较低,因此需要提供一种预测精度高、效率高的物相预测模型。
技术实现思路
[0004]本专利技术的目的在于,针对上述现有技术中的不足,提供一种物相预测模型训练方法、物相预测方法及装置、设备,以便提高物相预测模型的预测精度,保证物相预测模型的稳定性。
[0005]为实现上述目的,本申请实施例采用的技术方案如下:
[0006]第一方面,本申请实施例提供了一种物相预测模型训练方法,所述方法包括:
[0007]获取多种已知高熵合金材料的元素成分以及已知物相;
[0008]根据每种已知高熵合金
【技术保护点】
【技术特征摘要】
1.一种物相预测模型训练方法,其特征在于,所述方法包括:获取多种已知高熵合金材料的元素成分以及已知物相;根据每种已知高熵合金材料的元素成分,计算所述每种已知高熵合金材料的物化特征;根据所述多种已知高熵合金材料的物化特征和已知物相,生成原始样本数据集,其中,所述原始样本数据集包括:多个原始样本数据,每个原始样本数据包括一种已知高熵合金材料的物化特征和已知物相;根据所述原始样本数据集,分别对预设的多个第一初始学习器进行训练,得到多个第一目标学习器以及所述多个第一目标学习器对应的预测物相,每个第一目标学习器对应的预测物相为:所述每个第一目标学习器对所述原始样本数据进行预测得到的物相;根据所述多个第一目标学习器对应的预测物相,以及所述原始样本数据的已知物相,生成目标训练数据集,其中,所述目标训练数据集包括:多个目标训练数据,每个目标训练数据包括:一个第一目标学习器对应的预测物相,以及所述原始样本数据的已知物相;根据所述目标训练数据集,对预设的第二初始学习器进行训练,得到第二目标学习器;所述物相预测模型包括:所述多个第一目标学习器和所述第二目标学习器。2.根据权利要求1所述的方法,其特征在于,所述根据所述原始样本数据集,分别对预设的多个第一初始学习器进行训练,得到多个第一目标学习器以及所述多个第一目标学习器对应的预测物相之前,所述方法还包括:根据所述原始样本数据集,生成多组原始样本数据,每组原始样本数据包括:多个初始训练数据集、一个验证数据集和一个初始测试数据集;所述根据所述原始样本数据集,分别对预设的多个第一初始学习器进行训练,得到多个第一目标学习器以及所述多个第一目标学习器对应的预测物相,包括:根据所述每组原始样本数据中的所述多个初始训练数据集对一个所述第一初始学习器进行多次训练,得到一个所述第一初始学习器对应的多个训练后第一学习器;根据所述初始测试数据集,对所述多个训练后第一学习器进行测试,得到所述多个训练后第一学习器的预测精度;根据所述预测精度,从所述训练后的多个第一学习器中确定一个第一学习器作为所述第一初始学习器对应的一个所述第一目标学习器;采用所述第一目标学习器,对所述一个验证数据集进行预测,得到所述第一目标学习器对应的预测物相。3.根据权利要求2所述的方法,其特征在于,所述根据所述原始样本数据集,生成多组原始样本数据,包括:将所述原始样本数据集划分为多份数据集;随机从所述多份数据集中选择所述一个初始测试数据集,并从所述多份数据集中的其它数据集中确定所述多个初始训练数据集和所述一个验证数据集;根据所述一个初始测试数据集、所述一个验证数据集和所述多个初始训练数据集,生成一组所述原始样本数据。4.根据权利要求2所述的方法,其特征在于,所述方法还包括:根据所述多个训练后第一学习器,对所述初始测试数据集进行预测,得到多个测试预
测物相;根据所述多个测试预测物相,确定一个所述第一初始学习器对应的一个目标测试预测物相;根据多个所述第一初始学习器对应的目标测试预测物相以及所述原始样本数据的已知物相,生成目标测试数据集;根据所述目标测试数据集,对所述第二目标学习器进行预测,得到所述第二目标学习器的预测精度。5.根据权利要求4所述的方法,其特征在于,所述...
【专利技术属性】
技术研发人员:周楠,黎小辉,侯成浩,张志波,杨莉,郑开宏,
申请(专利权)人:佛山科学技术学院,
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。