一种基于自动机器学习预测含能材料性质的方法及系统技术方案

本发明专利技术公开了一种基于自动机器学习预测含能材料性质的方法及系统，所述方法包括：获取待预测含能材料的描述符，将所述待预测含能材料的描述符输入预先训练的性质预测模型，以得到性质预测结果；其中，所述性质预测模型是基于预先构建的自动机器学习模型利用含能材料样本的描述符和预先设置的至少一个目标变量进行训练得到的。本发明专利技术所提供的方法和系统，提高了含能材料性质预测的效率和准确性，简化含能材料性质预测的过程。简化含能材料性质预测的过程。简化含能材料性质预测的过程。

【技术实现步骤摘要】
一种基于自动机器学习预测含能材料性质的方法及系统


[0001]本专利技术涉及人工智能及含能材料性质预测
，具体涉及一种基于自动机器学习预测含能材料性质的方法及系统。

技术介绍

[0002]由于含能材料力学性能与分子结构之间的相关性尚不清楚，含能材料的机械性能指的是在冲击变形条件下抵抗外力的能力。灵敏度是含能材料最重要的特性之一，也是评估含能材料整个寿命安全性的主要指标。因此，设计新的含能材料需要对含能材料的灵敏度等性质进行预测，从而为实践应用提供指导。在已有技术中，一般采用实验法和公式法对含能材料的性质进行预测，例如冲击灵敏度通常采用落锤冲击测试进行测量，预测过程较为复杂，预测范围受限，且预测效率较低。
[0003]因此，提供一种基于自动机器学习预测含能材料性质的方法及系统，以解决现有技术中含能材料性质预测过程复杂，预测效率和准确性较低的技术问题。
[0004]因此，提供一种基于自动机器学习预测含能材料性质的方法及系统，以解决现有技术中含能材料性质预测过程复杂，预测效率和准确性较低的技术问题。

技术实现思路

[0005]为此，本专利技术实施例提供一种基于自动机器学习预测含能材料性质的方法及系统，以期提高含能材料性质预测的效率和准确性，简化含能材料性质预测的过程。
[0006]为了实现上述目的，本专利技术实施例提供如下技术方案：本专利技术提供了一种基于自动机器学习预测含能材料性质的方法，所述方法包括：获取待预测含能材料的描述符；将所述待预测含能材料的描述符输入预先训练的性质预测模型，以得到性质预测结果；其中，所述性质预测模型是基于预先构建的自动机器学习模型利用含能材料样本的描述符和预先设置的至少一个目标变量进行训练得到的。
[0007]在一些实施例中，基于预先搭建的自动机器学习网络，利用含能材料样本的描述符和预先设置的至少一个目标变量进行训练，以得到所述性质预测模型，具体包括：获取多个含能材料样本的描述符，并设定目标变量；将每一个描述符单成一列，目标变量作为最后一列，以构建样本数据集；将所述样本数据集划分为训练集与测试集；基于所述训练集进行建模，以得到自动机器学习模型；基于训练集，以含能材料的性质回归评价数据为结果，以所述含能材料样本的描述符和预先设置的至少一个目标变量作为自变量，训练自动机器学习模型，以得到性质预测模型。
[0008]在一些实施例中，基于所述训练集进行建模，之前还包括：
将描述符中的SMILES描述符进行编码转换，利用编码转换后的描述符进行AutoML建模。
[0009]在一些实施例中，得到性质预测模型之后还包括：根据预设的评估指标对所述性质预测模型进行预测结果评价，以得到评价结果。
[0010]在一些实施例中，所述预设的评估指标包括以下至少一者：决定系数、平均绝对值误差和均方误差。
[0011]在一些实施例中，得到性质预测模型之后还包括：将所述性质预测模型封装于开源系统中。
[0012]在一些实施例中，获取待预测含能材料的描述符，具体包括：获取待预测含能材料的读取数据文件单元、注释列、设置目标变量y和SMILES描述符。
[0013]本专利技术还提供一种基于自动机器学习预测含能材料性质的系统，所述系统包括：描述符获取单元，用于获取待预测含能材料的描述符；结果预测单元，用于将所述待预测含能材料的描述符输入预先训练的性质预测模型，以得到性质预测结果；其中，所述性质预测模型是基于预先构建的自动机器学习模型利用含能材料样本的描述符和预先设置的至少一个目标变量进行训练得到的。
[0014]本专利技术还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
[0015]本专利技术还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
[0016]本专利技术所提供的基于自动机器学习预测含能材料性质的方法，通过获取待预测含能材料的描述符，将所述待预测含能材料的描述符输入预先训练的性质预测模型，以得到性质预测结果；其中，所述性质预测模型是基于预先构建的自动机器学习模型利用含能材料样本的描述符和预先设置的至少一个目标变量进行训练得到的。在含能材料性质预测时，把一个或多个含能材料描述符传入训练得到的性质预测模型，仅需数秒就可以得到计算结果，利用本专利技术所提供的方法预测含能材料性质简单快捷；同时，本专利技术所提供的方法对含能材料限制不仅为硝基芳烃化合物或单个性质，其他含能材料性质预测也具有普适性；并且，本专利技术所提供的方法基于自动机器学习的预测系统，相较于实验法和公式法，拥有更广的预测范围，更简洁的操作实现步骤。这样，本专利技术所提供的方法和系统，提高了含能材料性质预测的效率和准确性，简化含能材料性质预测的过程。
附图说明
[0017]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0018]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供
熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。
[0019]图1为本专利技术所提供的基于自动机器学习预测含能材料性质的方法的流程图之一；图2为本专利技术所提供的基于自动机器学习预测含能材料性质的方法的流程图之二；图3为本专利技术所提供的基于自动机器学习预测含能材料性质的方法的流程图之三；图4为本专利技术所提供的基于自动机器学习预测含能材料性质的方法的流程图之四；图5为本专利技术所提供的基于自动机器学习预测含能材料性质的系统的结构框图；图6为本专利技术所提供的一种计算机设备的结构框图。
具体实施方式
[0020]以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]请参考图1，图1为本专利技术所提供的基于自动机器学习预测含能材料性质的方法的流程图之一。
[0022]在一种具体实施方式中，本专利技术提供了一种基于自动机器学习预测含能材料性质的方法，所述方法包括：S110：获取待预测含能材料的描述符；具体地，获取待预测含能材料的读取数据文件单元、注释列、设置目标变量y和SMILES描述符。
[0023]S120：将所述待预测含能材料的描述符输入预先训练的性质预测模型，以得到性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自动机器学习预测含能材料性质的方法，其特征在于，所述方法包括：获取待预测含能材料的描述符；将所述待预测含能材料的描述符输入预先训练的性质预测模型，以得到性质预测结果；其中，所述性质预测模型是基于预先构建的自动机器学习模型利用含能材料样本的描述符和预先设置的至少一个目标变量进行训练得到的；其中，基于预先搭建的自动机器学习网络，利用含能材料样本的描述符和预先设置的至少一个目标变量进行训练，以得到所述性质预测模型，具体包括：获取多个含能材料样本的描述符，并设定目标变量；将每一个描述符单成一列，目标变量作为最后一列，以构建样本数据集；将所述样本数据集划分为训练集与测试集；基于所述训练集进行建模，以得到自动机器学习模型；基于训练集，以含能材料的性质回归评价数据为结果，以所述含能材料样本的描述符和预先设置的至少一个目标变量作为自变量，训练自动机器学习模型，以得到性质预测模型。2.根据权利要求1所述的基于自动机器学习预测含能材料性质的方法，其特征在于，基于所述训练集进行建模，之前还包括：将描述符中的SMILES描述符进行编码转换，利用编码转换后的描述符进行AutoML建模。3.根据权利要求1所述的基于自动机器学习预测含能材料性质的方法，其特征在于，得到性质预测模型之后还包括：根据预设的评估指标对所述性质预测模型进行预测结果评价，以得到评价结果。4.根据权利要求3所述的基于自动机器学习预测含能材料性质的方法，其特征在于，所述预设的评估指标包括以下至少一者：决定系数、平均绝对值误差和均方误差。5.根据权利要求1所述的基于自动机器学习预测含能材料性质的方法，其特征在于，得到性质预测模型之后还包括：将所述性质预测模型...

【专利技术属性】
技术研发人员：李龙，
申请(专利权)人：苏州创腾软件有限公司，
类型：发明
国别省市：