一种基于迁移学习的稀土钽酸盐材料筛选方法及应用技术

本发明专利技术涉及钽酸盐热障涂层技术领域，具体涉及一种基于迁移学习的稀土钽酸盐材料筛选方法及应用，本发明专利技术利用迁移学习技术建立了高精度稀土钽酸盐材料热导率预测模型，实现了多组元RETaO<subgt;4</subgt;的热导率快速预测，在上百万候选材料中成功找到了具有低热导率的多组元稀土钽酸盐材料，包括：Sm<subgt;0.20</subgt;Eu<subgt;0.10</subgt;Ho<subgt;0.10</subgt;Y<subgt;0.20</subgt;Yb<subgt;0.40</subgt;TaO<subgt;4</subgt;、Sm<subgt;0.10</subgt;Eu<subgt;0.10</subgt;Y<subgt;0.20</subgt;Yb<subgt;0.40</subgt;Ce<subgt;0.10</subgt;Lu<subgt;0.10</subgt;TaO<subgt;4</subgt;，并且进行了实验验证。本发明专利技术利用具有共性的不同体系数据集构建了预测热导率的大数据集，解决了复杂成分空间与稀疏小样本之间的矛盾，为多组元稀土钽酸盐材料的设计提供了新的思路。

【技术实现步骤摘要】

本专利技术涉及钽酸盐热障涂层，具体涉及一种基于迁移学习的稀土钽酸盐材料筛选方法及应用。

技术介绍

1、热障涂层(tbcs)材料是航空发动机、燃气轮机的重要防护材料，主要由合金基体、粘结层、热生长氧化物层(tgo)、顶部陶瓷层组成。具有耐高温腐蚀、抗氧化性等优点，近年来成为提高热端部件工作温度，延长服役寿命的重要方法。

2、然而，稀土钽酸盐(retao4)热障涂层材料涉及的元素种类众多，且不同元素种类及配比组合构成了一个复杂高维的搜索空间，采用传统的试错法效率低下，基于slack方程进行材料筛选过于简单，而第一性原理计算的计算成分非常昂贵，亟需开发更加高效快速的方法加速材料设计。

3、近年来，人工智能和材料信息学的发展取得了卓越的成果，数据驱动下的机器学习技术被认为是材料设计领域的一种可行的方法。机器学习方法可以实现热导率的快速预测，但目前没有针对稀土钽酸盐(retao4)热导率的材料数据库，且文献中涉及的元素种类少而集中，迁移学习技术在材料领域中的应用为解决热障涂层陶瓷材料面临的稀疏小样本问题提供了新的思路。p>

本文档来自技高网...

【技术保护点】

1.一种基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于：所述步骤S1中稀土钽酸盐数据集RE位包含至少一条两种元素至十种元素组合的稀土钽酸盐热导率数据；

3.如权利要求1所述的基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于：所述步骤S3中元素属性包括但不限于：原子序数、原子质量、周期、族、密度、熔点、体积模量、质量无序参数、Pauling电负性、AR电负性、MB电负性、第一电离能、电子亲和势、Clementi有效核电荷数、Slater有效核电荷数、电荷半径比、离子键强度、RE...

【技术特征摘要】

1.一种基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于：所述步骤s1中稀土钽酸盐数据集re位包含至少一条两种元素至十种元素组合的稀土钽酸盐热导率数据；

3.如权利要求1所述的基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于：所述步骤s3中元素属性包括但不限于：原子序数、原子质量、周期、族、密度、熔点、体积模量、质量无序参数、pauling电负性、ar电负性、mb电负性、第一电离能、电子亲和势、clementi有效核电荷数、slater有效核电荷数、电荷半径比、离子键强度、re位与ta离子半径之比、半径无序参数与共价半径。

4.如权利要求1所述的基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于：所述步骤s4中相关性计算方式如下：

5.如权利要求1所述的基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于：所述步骤s5中特征递归消除的方法包括：首先，使用全部初始特征训练模型；其次，评估各特征对模型预测能力的影响，这一步骤通常依赖于模型提供的特征重要性评分；然后，基于这些评分，每次识别并移除最不重要的特征；最后，重复以上过程，直至达到预定的特征数量或者模型性能不再显著提高；从第一次到最后一次特征删除的顺序为：1、第一电离能，2、体积模量，3、熔点，4、离子半径比，5、质量无序参数，6、半径无序参数，最终保留的特征为：离子键强度、温度、clementi有效核电荷数。

6.如权利要求1所述的基于迁移学习的稀土钽酸盐材料筛选方法，其特征在于：所述步骤s6中神经网络基模型通过读取excel加载数据并作为输入特征，且使用minmaxscaler对数据进行归一化处理，并保存归一化模型以供后续使用，神经网络模型包括四层结构：第一层全连接层，输入维度为3，输出维度为128；第二层全连接层，输入维度为128，输出维度为64；第三层全连接层，输入维度为64，输...

【专利技术属性】
技术研发人员：何京津，魏毅炜，种晓宇，冯晶，干梦迪，杨超，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：