【技术实现步骤摘要】
本专利技术涉及材料科学与计算物理，特别是涉及耐高温软磁材料的高通量筛选方法、系统、设备及介质。
技术介绍
1、稀土-铁基软磁材料因其优异的磁性能和工业应用价值而受到广泛关注。材料的结构性质对其物理和化学性能有重要影响，高温下的磁性和相稳定性是这类材料的关键性能指标。传统的实验筛选方法依赖实验和简单计算，效率低且成本高、费时费力，难以快速发现具有优异磁性和相稳定性的新材料。随着计算科学的发展，第一性原理计算提供了一种高效的理论预测方法。然而，第一性原理计算通常计算量大、耗时长，限制了其在高通量筛选中的应用。因此，如何有效结合第一性原理计算和机器学习进行高效的材料筛选，已成为当前材料科学研究的一个重要课题。目前，国内已有多篇专利(cn108319807b、cn109300510a、cn111177915a、cn113722922a)介绍高通量筛选方法，但是这些方法仅停留在高通量方法的设计和执行层面，并没有形成一套自洽的“理论-实验-纠正理论”方法。
技术实现思路
1、本专利技术的目的是提供一套自洽的“理论-实验-纠正理论”的高通量材料筛选方法。为了实现上述目的，本专利技术提供了一种耐高温软磁材料的高通量筛选方法、系统、设备及介质。
2、第一方面，本专利技术实施例提供了一种耐高温软磁材料的高通量筛选方法，包括：
3、获取软磁材料的本征结构数据，并对所述本征结构数据进行掺杂处理，得到批量文件包；所述批量文件包对应的本征结构数据至少包括软磁材料高温磁稳定性数据和软磁材
4、对所述批量文件包进行第一性原理计算，得到结果文件包；所述结果文件包对应的软磁材料结构特征至少包括掺杂元素、掺杂位置和缺陷形成能；
5、根据所述结果文件包对初始机器学习模型进行训练和调整，得到目标机器学习模型，并将所述结果文件包对应的软磁材料结构特征作为所述目标机器学习模型的输入数据，将所述批量文件包对应的软磁材料高温磁稳定性数据和软磁材料高温相稳定性数据作为所述目标机器学习模型的输出数据，以构建材料构效关系模型；
6、根据所述材料构效关系模型对待筛选软磁材料进行预测，并根据预测结果选择耐高温软磁材料；所述预测结果包括待筛选软磁材料高温磁稳定性预测值和待筛选软磁材料高温相稳定性预测值。
7、优选地，在所述根据所述材料构效关系模型对待筛选软磁材料进行预测，并根据预测结果选择耐高温软磁材料之后，还包括：
8、对待筛选软磁材料进行实验验证，并将实验结果和所述预测结果进行对比，以根据对比结果评估所述材料构效关系模型的预测效果；
9、根据所述实验结果对所述材料构效关系模型进行迭代优化，以调整所述材料构效关系模型。
10、优选地，所述获取软磁材料的本征结构数据，并对所述本征结构数据进行掺杂处理，得到批量文件包，包括：
11、接入材料科学数据库，并从所述材料科学数据库中检索得到软磁材料的本征结构数据；所述材料科学数据库至少包括aflowlib和oqmd；
12、对所述本征结构数据进行第一预处理，并将第一预处理后的本征结构数据导出保存为csv文件包；所述第一预处理至少包括数据清洗和去除缺失值；
13、对所述csv文件包进行掺杂处理，得到批量文件包。
14、优选地，所述对所述csv文件包进行掺杂处理，得到批量文件包，包括：
15、读取所述csv文件包的晶体结构，并将预设掺杂元素遍历所述晶体结构中的占位，得到多个掺杂的本征结构数据文件。
16、优选地，所述对所述批量文件包进行第一性原理计算，得到结果文件包，包括：
17、采用vasp对所述批量文件包进行第一性原理计算，得到结果文件包。
18、优选地，所述根据所述结果文件包对初始机器学习模型进行训练和调整，得到目标机器学习模型，包括：
19、对所述结果文件包进行第二预处理，得到所述结果文件包对应的软磁材料结构特征，并将所述软磁材料结构特征整理为特征数据集；所述第二预处理至少包括特征选择和归一化；
20、将所述特征数据集划分为训练集和测试集；
21、基于随机森林构建初始机器学习模型，并根据所述训练集对所述初始机器学习模型进行训练，得到中间机器学习模型；
22、根据所述测试集对所述中间机器学习模型进行调整，得到目标机器学习模型。
23、优选地，所述根据所述测试集对所述中间机器学习模型进行调整，得到目标机器学习模型，包括：
24、利用所述中间机器学习模型对所述测试集进行预测，得到所述测试集的缺陷形成能预测值；
25、对所述缺陷形成能预测值进行第一性原理计算得到所述测试集的缺陷形成能计算值；
26、计算所述缺陷形成能预测值和所述缺陷形成能计算值的方差，并根据所述方差对所述中间机器学习模型进行调整，得到目标机器学习模型；所述调整至少包括调整超参数、重新选择特征和扩充训练集。
27、第二方面，本专利技术实施例提供了一种耐高温软磁材料的高通量筛选系统，包括：
28、数据收集和处理模块，用于获取软磁材料的本征结构数据，并对所述本征结构数据进行掺杂处理，得到批量文件包；所述批量文件包对应的本征结构数据至少包括软磁材料高温磁稳定性数据和软磁材料高温相稳定性数据；
29、第一性原理计算模块，用于对所述批量文件包进行第一性原理计算，得到结果文件包；所述结果文件包对应的软磁材料结构特征至少包括掺杂元素、掺杂位置和缺陷形成能；
30、机器学习训练模块，用于根据所述结果文件包对初始机器学习模型进行训练和调整，得到目标机器学习模型，并将所述结果文件包对应的软磁材料结构特征作为所述目标机器学习模型的输入数据，将所述批量文件包对应的软磁材料高温磁稳定性数据和软磁材料高温相稳定性数据作为所述目标机器学习模型的输出数据，以构建材料构效关系模型；
31、高通量筛选模块，用于根据所述材料构效关系模型对待筛选软磁材料进行预测，并根据预测结果选择耐高温软磁材料；所述预测结果包括待筛选软磁材料高温磁稳定性预测值和待筛选软磁材料高温相稳定性预测值。
32、第三方面，本专利技术实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的高通量筛选方法。
33、第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的高通量筛选方法。
34、本专利技术实施例一种耐高温软磁材料的高通量筛选方法、系统、设备及介质与现有技术相比，其有益效果在于：形成了具体的高效筛选耐高温软磁材料的理论模型，并配备实验验证环节来纠正理论模型，提高了材料筛选的效率和准确性，拓展了材料设计空间，并且可以预测未知材料的性能及优化本文档来自技高网...
【技术保护点】
1.一种耐高温软磁材料的高通量筛选方法，其特征在于，包括：
2.根据权利要求1所述的高通量筛选方法，其特征在于，在所述根据所述材料构效关系模型对待筛选软磁材料进行预测，并根据预测结果选择耐高温软磁材料之后，还包括：
3.根据权利要求1所述的高通量筛选方法，其特征在于，所述获取软磁材料的本征结构数据，并对所述本征结构数据进行掺杂处理，得到批量文件包，包括：
4.根据权利要求3所述的高通量筛选方法，其特征在于，所述对所述CSV文件包进行掺杂处理，得到批量文件包，包括：
5.根据权利要求1所述的高通量筛选方法，其特征在于，所述对所述批量文件包进行第一性原理计算，得到结果文件包，包括：
6.根据权利要求1所述的高通量筛选方法，其特征在于，所述根据所述结果文件包对初始机器学习模型进行训练和调整，得到目标机器学习模型，包括：
7.根据权利要求6所述的高通量筛选方法，其特征在于，所述根据所述测试集对所述中间机器学习模型进行调整，得到目标机器学习模型，包括：
8.一种耐高温软磁材料的高通量筛选系统，其特征在于，包
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的高通量筛选方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任一项所述的高通量筛选方法。
...【技术特征摘要】
1.一种耐高温软磁材料的高通量筛选方法，其特征在于，包括：
2.根据权利要求1所述的高通量筛选方法，其特征在于，在所述根据所述材料构效关系模型对待筛选软磁材料进行预测，并根据预测结果选择耐高温软磁材料之后，还包括：
3.根据权利要求1所述的高通量筛选方法，其特征在于，所述获取软磁材料的本征结构数据，并对所述本征结构数据进行掺杂处理，得到批量文件包，包括：
4.根据权利要求3所述的高通量筛选方法，其特征在于，所述对所述csv文件包进行掺杂处理，得到批量文件包，包括：
5.根据权利要求1所述的高通量筛选方法，其特征在于，所述对所述批量文件包进行第一性原理计算，得到结果文件包，包括：
6.根据权利要求1所述的高通量筛选方法，其特征在于，所述根据所...
【专利技术属性】
技术研发人员：谭果果，胡嘉珣，王涵，张伟，满其奎，
申请(专利权)人：中国科学院赣江创新研究院，
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。