【技术实现步骤摘要】
本专利技术属于多孔陶瓷材料领域，涉及一种多孔陶瓷材料有效导热系数预测方法及相关装置。
技术介绍
1、多孔陶瓷材料的孔隙结构赋予了其轻质、高强度及导热性能可调的优异性能，在吸声、隔热、过滤、催化及生物医学等领域有着广泛的应用。有效导热系数作为多孔陶瓷材料最为重要的热物理性能之一，对于其在热学和工程应用中的性能至关重要。在多孔陶瓷材料的设计和应用中，精准预测和控制其有效导热系数是实现所需热学性能的关键。然而，由于多孔陶瓷材料微观结构的复杂性和多样性，导致研究微观结构与其有效导热系数之间的精确映射关系十分困难，这极大的限制了具有先进性能的多孔陶瓷材料在隔热领域的广泛应用。
2、近几年，由于卷积神经网络(convolutional neural network，cnn)可以自动提取蕴含在输入信息中的许多超越人类先验知识的特征，相关学者在使用cnn模型建立多孔介质微观结构与宏观性能的数值映射方面做了大量研究。结果显示cnn已经成为了一种强力并且有发展潜力的方法来自动表征多孔介质的复杂微观特征对其宏观性能的影响。然而，由于卷积操作的固有局部性，传统cnn模型的长程建模能力即不同像素之间或者不同通道之间的联系较差；与此同时，传统cnn模型在不断地下采样过程中会丢失大量的准确的空间信息，如孔隙大小和孔隙形貌等；并且传统cnn模型仅基于最后一个卷积层提取的多孔陶瓷材料的孔隙特征来预测其有效热导率，这会导致模型预测精度和适用范围的下降。
3、此外，面对孔隙分布呈梯度的更复杂多孔陶瓷材料，传统cnn模型由于卷积核尺寸的局限性使
技术实现思路
1、本专利技术的目的在于克服上述现有技术的缺点，提供一种多孔陶瓷材料有效导热系数预测方法及相关装置。
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、本专利技术第一方面，提供一种多孔陶瓷材料有效导热系数预测方法，包括：
4、获取多孔陶瓷材料的微观结构图；
5、根据多孔陶瓷材料的微观结构图，调用预训练多孔陶瓷材料有效导热系数预测模型，得到多孔陶瓷材料的有效导热系数预测值；
6、其中，多孔陶瓷材料有效导热系数预测模型通过初始卷积层和最大值池化层对微观结构图做预处理，将预处理结果输送至主通道卷积模块和短路通道卷积模块分别提取多孔陶瓷材料的不同深度结构特征，将提取到的不同深度结构特征做平均池化后展平，将展平结果输送至全连接层建立与有效导热系数预测值的映射；
7、其中，主通道卷积模块分为四个卷积层；短路通道卷积模块分为两个卷积层；主通道卷积模块的前两层卷积层和短路通道卷积模块的第一层卷积层均结合qkv自注意力机制模块；qkv自注意力机制模块以及主通道卷积模块和短路通道卷积模块的卷积层均内嵌残差连接。
8、可选的，所述预训练多孔陶瓷材料有效导热系数预测模型的训练过程如下：
9、获取具有不同孔隙尺寸、孔隙形貌以及孔隙率呈梯度分布的多孔陶瓷材料的微观结构图，得到训练数据集；
10、获取训练数据集中各多孔陶瓷材料的有效导热系数计算值；
11、将训练数据集中各多孔陶瓷材料的有效导热系数计算值作为标签，根据训练数据集训练预构建的多孔陶瓷材料有效导热系数预测模型。
12、可选的，所述多孔陶瓷材料有效导热系数预测模型包括：输入层、初始卷积层、最大值池化层、主通道卷积模块、短路通道卷积模块、全连接层以及输出层；
13、输入层依次连接初始卷积层和最大值池化层，主通道卷积模块和短路通道卷积模块的输入均与最大值池化层的输出连接，主通道卷积模块和短路通道卷积模块的输出均与全连接层的输入连接，全连接层的输出连接输出层；
14、主通道卷积模块包括依次连接的四个卷积层，且其中第一层卷积层和第二层卷积层的后端均设置一qkv自注意力机制模块；短路通道卷积模块依次连接的两个卷积层，且其中第一层卷积层的后端设置一qkv自注意力机制模块。
15、可选的，所述获取具有不同孔隙尺寸、孔隙形貌以及孔隙率呈梯度分布的多孔陶瓷材料的微观结构图包括：
16、采用梯度qsgs算法生成具有不同孔隙尺寸、孔隙形貌以及孔隙率呈梯度分布的多孔陶瓷材料的微观结构图。
17、可选的，所述获取训练数据集中各多孔陶瓷材料的有效导热系数计算值包括：
18、应用有限元法求解训练数据集中各多孔陶瓷材料的有效导热系数计算值。
19、可选的，所述应用有限元法求解训练数据集中各多孔陶瓷材料的有效导热系数计算值包括：采用下式求解训练数据集中各多孔陶瓷材料的有效导热系数计算值etc：
20、
21、其中，q为多孔陶瓷材料的微观结构图的各节点垂直热通量；w为多孔陶瓷材料的微观结构图的宽度；δt为多孔陶瓷材料的微观结构图的上下边界温差；h为多孔陶瓷材料的微观结构图的高度。
22、本专利技术第二方面，提供一种多孔陶瓷材料有效导热系数预测系统，包括：
23、数据获取模块，用于获取多孔陶瓷材料的微观结构图；
24、有效导热系数预测模块，用于根据多孔陶瓷材料的微观结构图，调用预训练多孔陶瓷材料有效导热系数预测模型，得到多孔陶瓷材料的有效导热系数预测值；
25、其中，多孔陶瓷材料有效导热系数预测模型通过初始卷积层和最大值池化层对微观结构图做预处理，将预处理结果输送至主通道卷积模块和短路通道卷积模块分别提取多孔陶瓷材料的不同深度结构特征，将提取到的不同深度结构特征做平均池化后展平，将展平结果输送至全连接层建立与有效导热系数预测值的映射；
26、其中，主通道卷积模块分为四个卷积层；短路通道卷积模块分为两个卷积层；主通道卷积模块的前两层卷积层和短路通道卷积模块的第一层卷积层均结合qkv自注意力机制模块；qkv自注意力机制模块以及主通道卷积模块和短路通道卷积模块的卷积层均内嵌残差连接。
27、可选的，所述预训练多孔陶瓷材料有效导热系数预测模型的训练过程如下：
28、采用梯度qsgs算法生成具有不同孔隙尺寸、孔隙形貌以及孔隙率呈梯度分布的多孔陶瓷材料的微观结构图，得到训练数据集；
29、获取训练数据集中各多孔陶瓷材料的有效导热系数计算值；
30、将训练数据集中各多孔陶瓷材料的有效导热系数计算值作为标签，根据训练数据集训练预构建的多孔陶瓷材料有效导热系数预测模型。
31、本专利技术第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述多孔陶瓷材料有效导热系数预测方法的步骤。
32、本专利技术第四方面，提供一种计算机可读存储介本文档来自技高网...
【技术保护点】
1.一种多孔陶瓷材料有效导热系数预测方法，其特征在于，包括：
2.根据权利要求1所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述预训练多孔陶瓷材料有效导热系数预测模型的训练过程如下：
3.根据权利要求2所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述多孔陶瓷材料有效导热系数预测模型包括：输入层、初始卷积层、最大值池化层、主通道卷积模块、短路通道卷积模块、全连接层以及输出层；
4.根据权利要求2所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述获取具有不同孔隙尺寸、孔隙形貌以及孔隙率呈梯度分布的多孔陶瓷材料的微观结构图包括：
5.根据权利要求2所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述获取训练数据集中各多孔陶瓷材料的有效导热系数计算值包括：
6.根据权利要求5所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述应用有限元法求解训练数据集中各多孔陶瓷材料的有效导热系数计算值包括：采用下式求解训练数据集中各多孔陶瓷材料的有效导热系数计算值ETC：
7.一种多孔陶瓷材料有效导热
8.根据权利要求7所述的多孔陶瓷材料有效导热系数预测系统，其特征在于，所述预训练多孔陶瓷材料有效导热系数预测模型的训练过程如下：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述多孔陶瓷材料有效导热系数预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述多孔陶瓷材料有效导热系数预测方法的步骤。
...【技术特征摘要】
1.一种多孔陶瓷材料有效导热系数预测方法，其特征在于，包括：
2.根据权利要求1所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述预训练多孔陶瓷材料有效导热系数预测模型的训练过程如下：
3.根据权利要求2所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述多孔陶瓷材料有效导热系数预测模型包括：输入层、初始卷积层、最大值池化层、主通道卷积模块、短路通道卷积模块、全连接层以及输出层；
4.根据权利要求2所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述获取具有不同孔隙尺寸、孔隙形貌以及孔隙率呈梯度分布的多孔陶瓷材料的微观结构图包括：
5.根据权利要求2所述的多孔陶瓷材料有效导热系数预测方法，其特征在于，所述获取训练数据集中各多孔陶瓷材料的有效导热系数计算值包括：
6.根据权利要求5所述的多孔陶瓷材料有效导热系数...
【专利技术属性】
技术研发人员：刘攀，宋岩，韩泽林，赵玉娟，柴孟瑜，
申请(专利权)人：西安交通大学，
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。