【技术实现步骤摘要】
本专利技术属于机器学习方法智能应用领域，特别涉及一种数据驱动的性能预测和材料逆向设计方法及系统。
技术介绍
1、超材料是一种由特定排列的结构元素组成的人造结构，超材料的故事始于科学家努力设计出具有超出自然界定义的极限的特殊性能的建筑材料。多孔吸声超结构是用来操纵声波传播的超结构材料之一。这些精心设计的结构与先进的制造技术相结合，使优异的性能在振动和噪音抑制、能量收集、定向波传播和隐身等方面发挥了作用。特别地，这些特殊的性能主要源于精心设计的几何结构。而超材料设计过程中的关键问题是系统地建立结构与性能之间的双向关系。
2、传统上，能够准确预测给定结构的性质的理论解和计算模拟一直指导着新性质的发现和超材料的设计。然而，在大多数情况下，这些方法的计算代价很高，缺乏推广到新目标的能力，并且总是需要具有先前领域知识的有经验的设计人员进行手动干预。此外，对于逆向设计来说，使用这些方法找到一个能够实现按需性能的最优结构是具有挑战性的，因为这更多地是一个计算成本较高的全局优化问题。早期的许多研究都是基于直观的方法和系统的微调来解决逆设计问题。此类方法计算量大，计算过程复杂且存在收敛性问题，在吸声材料性能预测上的非线性关系表达方面也有局限性。另外，在材料数据机器学习中常见的一类问题是由期望的材料性能反推成分配比，期望的性能可能有多个，且多个性能直接可能存在矛盾，而且材料结构设计参数之间也会相互耦合，且通常还存在若干种元素掺杂，每种元素含量不定但总量固定。因此，属于带线性约束的多目标优化问题。对于带线性约束的多目标优化问题，常用的是罚函
3、如何克服现有的机器学习法中的搜索空间无法穷尽所有的可能和多目标求解过程中惩罚因子的引入造成设计结果不精确的技术缺陷，提高材料反向设计的全面性和精确性成为一个亟待解决的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的缺陷，提出一种基于机器学习的多孔吸声超结构性能预测及逆向设计方法。该方法基于高级的算法和声学仿真软件相结合，寻求一种解决方法，以最小化目标距离，直接聚焦于目标从而解决设计问题。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、基于机器学习的多孔吸声超结构性能预测方法，所述方法包括如下步骤：
4、步骤a.1)，获取已成型材料样本的材料数据库；所述材料数据库包括性能参数和及其对应的结构设计参数；
5、步骤a.2)，对材料数据库中性能参数及其对应的结构设计参数进行预处理，得到处理后的数据集；
6、步骤a.3)，将预处理后的数据集划分为训练集和测试集；
7、步骤a.4)，对训练集、测试集中的数据特征进行降维处理；
8、步骤a.5)，建立神经网络模型，基于降维分析处理后的训练集训练神经网络模型，基于降维分析处理后的测试集测试训练好的神经网络模型，得到多孔吸声超结构性能预测模型；
9、步骤a.6)，将待进行性能预测的多孔吸声超结构的结构设计参数输入多孔吸声超结构性能预测模型，得到多孔吸声超结构性能参数。
10、作为本专利技术一种基于机器学习的多孔吸声超结构性能预测方法进一步的优化方案，步骤a.2)的详细步骤如下：
11、步骤a.2.1)，对材料数据库中性能参数及其对应的结构设计参数进行数据中心化；
12、步骤a.2.2)，对数据中心化后性能参数及其对应的结构设计参数进行数据归一化。
13、作为本专利技术一种基于机器学习的多孔吸声超结构性能预测方法进一步的优化方案，步骤a.3)训练集和测试集的划分比例采用以下任意一种：6:4、7:3、8:2、9:1。
14、作为本专利技术一种基于机器学习的多孔吸声超结构性能预测方法进一步的优化方案，步骤a.4)的具体步骤如下：
15、步骤a.4.1)，将划分后的训练集投入随机森林算法,采用随机森林算法对训练集中每个特征计算其加入随机噪声前的均方误差，计算公式如下：
16、
17、其中，q＝1，2…m，m为训练集的特征总数量，erroob1q表示训练集中第q个特征加入随机噪声前的均方误差，yq表示第q个特征的真值，y′q表示第q个特征的预测值，n表示输入数据的总量；
18、步骤a.4.2)，采用随机森林算法对训练集中每个特征计算其加入随机噪声后的均方误差，计算公式如下：
19、
20、erroob2q表示训练集中第q个特征加入随机噪声后计算的均方误差，y″q表示加入噪声后第q个特征的预测值；
21、步骤a.4.3)，对于训练集中每个特征,根据其加入随机噪声前后计算得到的均方误差值，计算其特征重要性，计算公式如下：
22、
23、其中，tq表示第q个特征的特征重要性，ntree表示选择的随机森林中决策树的数量；
24、步骤a.4.4)，根据训练集数据中各个特征的特征重要性的计算值计算每个特征的比重，计算公式如下：
25、
26、其中，pq为第q个特征所占的比重；
27、步骤a.4.5)，保留特征比重大于预设的百分比阈值的特征，将保留的特征转换为降维后的数据。
28、作为本专利技术一种基于机器学习的多孔吸声超结构性能预测方法进一步的优化方案，步骤a.5)中所述神经网络模型的公式写为：
29、out＝f(input)＝afo(w(o)·afh(w(h)input+b(h))+b(o))
30、其中out、input分别表示输出矩阵、输入矩阵，out＝[y1,y2,…,yi]t，input＝[x1,x2,…,xj]t，y1,y2,…,yi表示性能参数的维度1、维度2…维度i，x1,x2,…,xj表示结构设计参数的维度1、维度2…维度j；w(o)表示输出层的权重矩阵，w(h)表示隐含层的权重矩阵；b(o)则代表输出层的阈值矩阵，b(h)代表隐含层的阈值矩阵；afo(·)、afh(·)则分别表示网络所使用的输出层激活函数、隐含层激活函数，输出层激活函数为线形激活函数，隐含层激活函数为sigmoid函数，
31、本专利技术还公开了一种基于该基于机器学习的多孔吸声超结构性能预测方法的多孔吸声超结构逆向设计方法，包括如下步骤：
32、步骤b.1)，冻结多孔吸声超结构性能预测模型；
33、步骤b.2)，按照冻结后的多孔吸声超结构性能预测模型的输入矩阵到输出矩阵的正方向提取权重和阈值矩阵，根据神经网络构造原理重组成神经网络函数；
34、步骤b.3)，设定多孔吸声超结构中结构设本文档来自技高网...
【技术保护点】
1.基于机器学习的多孔吸声超结构性能预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的基于机器学习的多孔吸声超结构性能预测方法，其特征在于，步骤A.2)的详细步骤如下：
3.如权利要求1所述的基于机器学习的多孔吸声超结构性能预测方法，其特征在于，步骤A.3)训练集和测试集的划分比例采用以下任意一种：6:4、7:3、8:2、9:1。
4.如权利要求1所述的基于机器学习的多孔吸声超结构性能预测方法，其特征在于，步骤A.4)的具体步骤如下：
5.如权利要求1所述的基于机器学习的多孔吸声超结构性能预测方法，其特征在于，步骤A.5)中所述神经网络模型的公式写为：
6.基于权利要求1所述的基于机器学习的多孔吸声超结构性能预测方法的多孔吸声超结构逆向设计方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.基于机器学习的多孔吸声超结构性能预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的基于机器学习的多孔吸声超结构性能预测方法，其特征在于，步骤a.2)的详细步骤如下：
3.如权利要求1所述的基于机器学习的多孔吸声超结构性能预测方法，其特征在于，步骤a.3)训练集和测试集的划分比例采用以下任意一种：6:4、7:3、8:2、9:1。
【专利技术属性】
技术研发人员：李超亮，王源隆，陈雄杰，金琦，张晨龙，赵万忠，周冠，王春燕，
申请(专利权)人：南京航空航天大学，
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。