【技术实现步骤摘要】
本专利技术涉及仿真模拟，尤其是涉及基于深度学习的原子尺度高剂量辐照损伤预测方法及系统。
技术介绍
1、核反应堆因其能量密度高、环境污染小、可大规模并网发电等优点而广受青睐。当今核反应堆技术已较为成熟，但是仍有一些问题尚未解决，其中核结构材料的选取是核反应堆使用寿命的关键因素；辐照环境在核反应堆中是普遍的，核结构材料保证能够在辐照环境中仍然具有材料的稳定性是解决核反应堆使用寿命和安全性的基础。在核反应堆的长期高温、高辐射剂量等极端情况下，核结构材料的使用寿命会大大降低，微结构会严重损伤；核反应堆中产生的中子和高能粒子作用于结构材料会使得结构材料微观上出现大量原子尺度的缺陷；在宏观上会产生如辐照硬化、辐照脆化、辐照疲劳、肿胀、元素偏析等辐照效应。
2、在研究新型结构材料中，因为通过实验手段研究辐照损伤难以对材料内部缺陷的形成和演变进行深入的研究，同时实验手段高昂的费用也使得其可行性降低。随着计算机科学和技术的发展，通过分子模拟来研究结构材料辐照损伤过程成为研究结构材料的主流方向，但通常核结构材料暴露于高通量的辐照损伤中，为了更好的与实验相对比，分子动力学通常是通过引入初级离位原子来模拟辐照损伤过程的，若要得到更好的结构往往需多次引入初级离位原子以实现辐照损伤的高通量模拟。这就需要分子动力学方法模拟千万甚至于数亿量级的原子体系，使用模拟技术计算上万次，这对于分子动力学方法带来了很大的挑战。因此优化高通量模拟的分子动力学方法显得尤为重要。
技术实现思路
1、本专利技术的目的是提
2、为实现上述目的，本专利技术提供了基于深度学习的原子尺度高剂量辐照损伤预测方法，包括以下步骤：
3、s1、获取数据，采集各种体系晶格类型以及不同体系辐照剂量下的多个辐照损伤模拟结果样本，并对采集到的数据进行预处理，再将预处理的数据按照4:1的比例分为训练数据集和测试数据集；
4、s2、构建基于深度学习的预测模型，包括基于深度学习的弗兰克尔缺陷对预测模型、基于深度学习的高剂量辐照损伤每原子位移趋势预测模型、基于深度学习的高剂量辐照损伤模拟结果有效性预测模型；
5、s3、测试预测模型，根据测试结果，通过不断迭代的方式对模型进行调整，直到模型预测精度达到需求；
6、s4、根据体系建立相关参数，建立并初始化原子体系，对原子体系进行弛豫操作，计算总原子数n，设nfi＝0，其中fi为弗兰克尔缺陷对插入，nfi为弗兰克尔缺陷对插入数；
7、s5、根据预测模型预测弗兰克尔缺陷对的数量和位置，根据预测模型选择一个位于晶格位点的原子，根据预测模型在模拟单元内选择一个间隙位置；将选定的原子放置在新位置；
8、s6、根据势函数迭代原子间作用力，更新原子位置，然后再迭代nfi数值、辐照损伤剂量；
9、s7、计算原子体系能量，分析原子体系的热力学性质信息、能量信息、缺陷信息，并进行可视化操作；
10、s8、根据高剂量辐照损伤模拟结果有效性预测模型判断当前运算结果的结果有效性和正确率，当前模拟结果出现异常情况时，自动调节原子体系模型至合适结构；
11、s9、重复步骤s5-s8，直到模拟结果达到所需的辐照损伤剂量。
12、优选的，步骤s2中，构建基于深度学习的预测模型，具体包括：
13、s21、定义模型结构，lstm模型由五个lstm层堆叠而成；
14、s22、利用xavier初始化数据，根据构建的模型来调整参数的初始范围，根据激活函数选用缩放因子；
15、s23、通过前向传播将输入数据传递到lstm模型中，lstm单元在每个时间步接收输入数据、前一时间步的输出和内部状态，并计算当前时间步的输出和更新后的内部状态；
16、s24、根据模型的输出和真实标签计算损失函数的值，采用绝对百分误差作为损失函数；
17、s25、使用随机梯度下降更新lstm模型的参数，进而最小化损失函数；
18、s26、重复步骤s21-s25，直到达到预定的停止条件。
19、优选的，步骤s3在测试预测模型的过程中，将平分绝对百分误差作为预测精度评价指标；
20、训练集为：dtrain＝{(x1,y1),(x2,y2),...,(xn,yn)}
21、测试集为：dtest＝{(x1,y1),(x2,y2),...,(xm,ym)}
22、式中，n为训练样本总数，m为测试样本总数，训练模型函数为f(x)时，模型的输出值为
23、平均绝对百分误差为：
24、优选的，步骤s5具体包括：
25、s51、采集原子体系参数和辐照损伤模拟仿真结果原子数据，并通过中心化和标准化的操作，对采集的数据进行处理，原子体系参数包括元素种类、晶格类型；
26、s52、使用弗兰克尔缺陷对预测模型和高剂量辐照损伤每原子位移趋势预测模型预测弗兰克尔缺陷对数量和位置，输出弗兰克尔缺陷对中空位的数量和位置以及间隙原子的数量和位置；
27、s53、在上述空位位置上选择相应的原子并放置在间隙原子位置中。
28、优选的，步骤s6中，采用两种方法更新原子位置，具体为：
29、s61、采用分子静力学方法模拟时，计算原子体系初始状态的能量和梯度初始化搜索方向，遍历得到原子体系在共轭方向上的能量最小值以及各原子的位移方向和数值，更新原子位置；
30、s62、检查能量和梯度的变化情况，当能量变化很小且梯度接近零时，则达到最小能量并结束迭代，在每次迭代中，记录原子位置的变化量；当满足能量最小化时，结束迭代步骤s61-s62；
31、s63、采用分子动力学方法模拟时，先进行能量最小化，更新原子位置，再利用npt系综，通过势函数计算原子间作用力并计算原子位移，根据原子位移更新原子位置；
32、s64、迭代原子位置并计算原子间作用力，重复步骤s63-s64，直到达到设定的步数。
33、优选的，步骤s6中：
34、采用eam势函数，公式为：
35、
36、其中，fi是嵌入能，ρh,i是嵌入原子不存在时在位置ri处的宿主电荷密度，φi,j是原子i和原子j之间的对势，ri,j为原子i和原子j之间的距离，对于宿主晶格i处的电子密度ρh,i，将其设为原子电子密度的现行叠加；
37、迭代nfi数值，计算nfi＝nfi+1；
38、更新体系辐照剂量cdpa值为其中n为体系原子总数。
39、本专利技术还提供了基于深度学习的原子尺度高剂量辐照损伤预测系统，包括由数据处理单元、训练单元和测试单元组组成的学习预测模块，由体系建立单元、弛豫模拟单元、分子静力学仿真单元、分子动力学本文档来自技高网...
【技术保护点】
1.基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，步骤S2中，构建基于深度学习的预测模型，具体包括：
3.根据权利要求2所述的基于深度学习的原子尺度高剂量辐照损伤预测方法及系统，其特征在于，步骤S3在测试预测模型的过程中，将平分绝对百分误差作为预测精度评价指标；
4.根据权利要求3所述的基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，步骤S5具体包括：
5.根据权利要求4所述的基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，步骤S6中，采用两种方法更新原子位置，具体为：
6.根据权利要求5所述的基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，步骤S6中：
7.基于深度学习的原子尺度高剂量辐照损伤预测系统，其特征在于：包括由数据处理单元、训练单元和测试单元组组成的学习预测模块，由体系建立单元、弛豫模拟单元、分子静力学仿真单元、分子动力学仿真单元和可视化单元组成的模拟仿真模块
8.根据权利要求7所述的基于深度学习的原子尺度高剂量辐照损伤预测系统，其特征在于：
9.根据权利要求8所述的基于深度学习的原子尺度高剂量辐照损伤预测系统，其特征在于：
10.根据权利要求9所述的基于深度学习的原子尺度高剂量辐照损伤预测系统，其特征在于：
...【技术特征摘要】
1.基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，步骤s2中，构建基于深度学习的预测模型，具体包括：
3.根据权利要求2所述的基于深度学习的原子尺度高剂量辐照损伤预测方法及系统，其特征在于，步骤s3在测试预测模型的过程中，将平分绝对百分误差作为预测精度评价指标；
4.根据权利要求3所述的基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，步骤s5具体包括：
5.根据权利要求4所述的基于深度学习的原子尺度高剂量辐照损伤预测方法，其特征在于，步骤s6中，采用两种方法更新原子位置，具体为：
6.根据权利要求...
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。