【技术实现步骤摘要】
本专利技术涉及玻璃材料领域，具体涉及一种基于可解释的高维空间预测模型的氧化物玻璃性能预测方法。
技术介绍
1、玻璃是现代生活中不可或缺的一种材料，组分与性能关系的定量化预测一直是玻璃领域的难点和热点。理论上，只要冷却速率足够快，元素周期表中几乎所有元素都可以形成玻璃，可能的组分多达1052种，同时，玻璃的非晶态特性使其在化学组成上不需要遵循化学计量的要求，导致玻璃新材料的开发可以搜索的组分空间十分巨大。此外，玻璃的非平衡和非遍历特性又使得玻璃结构难以用平衡热力学或者统计力学的方法来描述，这对传统的试错型和经验型开发方式提出了严峻挑战，亟待引入更快速、更高效的方法。
2、随着近年“材料基因组计划”的实施，以机器学习(machine learning)为代表的数据驱动型建模技术快速发展，并逐渐渗透进玻璃领域。材料基因工程通过采用高通量并行迭代方法替代传统试错法中的多次顺序迭代方法，逐步由“经验指导实验”向“理论预测和实验验证相结合”的材料研究新模式转变，以提高新材料的研发效率。
3、机器学习技术依赖于算法和数据，然而...
【技术保护点】
1.一种基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，所述的性能数据包括密度、线热膨胀系数、硬度、杨氏模量、玻璃转变温度或玻璃应变点温度。
3.根据权利要求1所述的基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，步骤2的数据清洗包括如下步骤：
4.根据权利要求1所述的基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，具体的，步骤3中以模型中的决策树量、每颗决策树的训练样本数和...
【技术特征摘要】
1.一种基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，所述的性能数据包括密度、线热膨胀系数、硬度、杨氏模量、玻璃转变温度或玻璃应变点温度。
3.根据权利要求1所述的基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，步骤2的数据清洗包括如下步骤：
4.根据权利要求1所述的基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，具体的，步骤3中以模型中的决策树量、每颗决策树的训练样本数和特征集尺寸为超参数，设定每个超参数的搜索空间，穷举出各个超参数所有可能的组合结果生成“网格”，并依次基于k-fold交叉验证技术进行评估，在综合考虑模型的偏差和方差的情况下选择出最优的超参数组合。
5.根据权利要求4所述的基于可解释的高维空间预测模型的氧化物玻璃性能预测方法，其特征在于，k-fold交叉验证技术将初始训练集划分为k个...
【专利技术属性】
技术研发人员：韩高荣，田静，李苑，刘涌，郑际杰，陈家睿，
申请(专利权)人：浙江大学，
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。