【技术实现步骤摘要】
本公开涉及材料，尤其涉及基于仿真实验模型的材料成分预测方法、装置及存储介质。
技术介绍
1、相关技术中，在进行新材料研发时，在明确材料的性质和特征的基础上，会对研发新材料相关的材料成分进行选取，然后根据选取的材料成分进行实验，以实现新材料的研发。在该研发过程中，可以利用相关模型，辅助实现材料成分的预测。
技术实现思路
1、为克服相关技术中存在的问题，本公开提供一种基于仿真实验模型的材料成分预测方法、装置及存储介质，能够提高真实实验中材料成分的预测效果，从而加快新材料的研发效率。
2、根据本公开实施例的第一方面，提供一种基于仿真实验模型的材料成分预测方法，包括获取优化的第一模型和优化的第二模型，所述优化的第一模型用于确定材料成分的性能，所述优化的第二模型用于确定多种材料成分的比例，所述优化的第一模型和所述优化的第二模型为经过仿真实验优化获得的模型；根据所述优化的第一模型和所述优化的第二模型，对真实实验中的材料成分进行预测。
3、可选地，所述材料成分预测方法还包括：获取第一模型，以及获取第二模型；在预设的仿真实验系统中，通过所述第一模型和所述第二模型进行材料成分仿真实验，获得仿真实验结果；根据所述仿真实验结果对所述第一模型和所述第二模型进行优化，获得所述优化的第一模型和所述优化的第二模型。
4、可选地，所述获取第一模型，包括：根据预设的仿真实验目标，将历史实验数据划分为多个阶段的模型训练数据，所述仿真实验目标用于表征针对预设材料成分的实验目的；根据所
5、可选地，所述根据预设的仿真实验目标，将历史实验数据划分为多个阶段的模型训练数据，包括：根据所述预设的仿真实验目标，确定所述多个阶段的模型训练数据的变化规律；根据所述变化规律，从所述历史实验数据中确定每一阶段的模型训练数据。
6、可选地，所述根据所述多个阶段的模型训练数据和第一初始模型，确定所述第一模型，包括：根据每一阶段的模型训练数据，对该阶段的第一初始模型进行训练，获得每一阶段对应的训练完成的第一初始模型；根据多个阶段分别对应的训练完成的第一初始模型，确定所述第一模型。
7、可选地，第一模型的优化方式包括以下至少一种：减少所述第一模型的目标输入特征数量，所述目标输入特征为对模型输出结果存在影响的特征；调整所述第一模型的种类；调整所述第一模型的结构和/或超参数；对所述第一模型的超参数进行训练；对所述第一模型进行交叉训练；调整所述第一模型的目标参数，所述目标参数对所述第一模型的输出结果存在影响。
8、可选地，第二模型包括评分模块和多个子模型，每一子模型用于根据该子模型对应的输入数据，确定材料成分比例，所述评分模块用于对多个子模型分别确定材料成分比例进行评分，所述材料成分比例的评分用于在所述真实实验中选择实验的材料成分。
9、可选地，所述评分模块用于根据材料成分比例与历史实验数据之间的高斯分布的马氏距离和材料成分比例与所述历史实验数据之间的多个归一化欧式距离，确定所述材料成分比例的评分。
10、可选地，所述多个子模型包括以下至少两种：基于专家分析的子模型；基于第一模型和贝叶斯优化算法的子模型；基于历史实验数据的子模型。
11、可选地，所述第二模型的优化方式包括以下至少一种：调整所述评分模块的评分算法；调整所述基于专家分析的子模型的分析策略；调整所述基于第一模型和贝叶斯优化算法的子模型中的所述第一模型和/或所述贝叶斯优化算法；调整至少一个子模型的输入数据。
12、根据本公开实施例的第二方面，提供一种基于仿真实验模型的材料成分预测装置，包括获取模块，被配置为获取优化的第一模型和优化的第二模型，所述优化的第一模型用于确定材料成分的性能，所述优化的第二模型用于确定多种材料成分的比例，所述优化的第一模型和所述优化的第二模型为经过仿真实验优化获得的模型；预测模块，被配置为根据所述优化的第一模型和所述优化的第二模型，对真实实验中的材料成分进行预测。
13、根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的基于仿真实验模型的材料成分预测方法的步骤。
14、根据本公开实施例的第四方面，提供一种基于仿真实验模型的材料成分预测装置，包括处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行本公开第一方面所提供的基于仿真实验模型的材料成分预测方法的步骤。
15、本公开的实施例提供的技术方案可以包括以下有益效果：通过用于确定材料成分的性能的模型和确定多种材料成分的比例的模型，辅助真实实验中的材料成分预测；并且，这两种模型是经过仿真实验优化获得的模型，这种优化方式不会影响到真实实验，也能够实现更全面和更高效的优化，优化的模型的准确性也更好。进而，在模型的优化效果更好的基础上，能够提高真实实验中材料成分的预测效果，从而加快新材料的研发效率。
16、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
本文档来自技高网...【技术保护点】
1.一种基于仿真实验模型的材料成分预测方法，其特征在于，包括：
2.根据权利要求1所述的材料成分预测方法，其特征在于，所述材料成分预测方法还包括：
3.根据权利要求2所述的材料成分预测方法，其特征在于，所述获取第一模型，包括：
4.根据权利要求3所述的材料成分预测方法，其特征在于，所述根据预设的仿真实验目标，将历史实验数据划分为多个阶段的模型训练数据，包括：
5.根据权利要求3所述的材料成分预测方法，其特征在于，所述根据所述多个阶段的模型训练数据和第一初始模型，确定所述第一模型，包括：
6.根据权利要求1-5任一所述的材料成分预测方法，其特征在于，第一模型的优化方式包括以下至少一种：
7.根据权利要求1-5任一所述的材料成分预测方法，其特征在于，第二模型包括评分模块和多个子模型，每一子模型用于根据该子模型对应的输入数据，确定材料成分比例，所述评分模块用于对多个子模型分别确定材料成分比例进行评分，所述材料成分比例的评分用于在所述真实实验中选择实验的材料成分。
8.根据权利要求7所述的材料成分预测方法
9.根据权利要求7所述的材料成分预测方法，其特征在于，所述多个子模型包括以下至少两种：
10.根据权利要求9所述的材料成分预测方法，其特征在于，所述第二模型的优化方式包括以下至少一种：
11.一种基于仿真实验模型的材料成分预测装置，其特征在于，包括：
12.一种基于仿真实验模型的材料成分预测装置，其特征在于，包括：
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-10中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于仿真实验模型的材料成分预测方法，其特征在于，包括：
2.根据权利要求1所述的材料成分预测方法，其特征在于，所述材料成分预测方法还包括：
3.根据权利要求2所述的材料成分预测方法，其特征在于，所述获取第一模型，包括：
4.根据权利要求3所述的材料成分预测方法，其特征在于，所述根据预设的仿真实验目标，将历史实验数据划分为多个阶段的模型训练数据，包括：
5.根据权利要求3所述的材料成分预测方法，其特征在于，所述根据所述多个阶段的模型训练数据和第一初始模型，确定所述第一模型，包括：
6.根据权利要求1-5任一所述的材料成分预测方法，其特征在于，第一模型的优化方式包括以下至少一种：
7.根据权利要求1-5任一所述的材料成分预测方法，其特征在于，第二模型包括评分模块和多个子模型，每一子模型用于根据该子模型对应的输入数据，确定材料成分比例，所述评分模块用于对多...
【专利技术属性】
技术研发人员：尹茸，吴新星，刘陆琛，王雪峰，杨栋，孟二利，姜大修，
申请(专利权)人：小米汽车科技有限公司，
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。