【技术实现步骤摘要】
本专利技术涉及人工智能材料预测，具体为基于人工智能的材料性能预测与标准化方法及系统。
技术介绍
1、材料科学是现代工业和科技发展的重要基础，尤其在航空航天、能源、电子、制造等领域，材料性能的预测和优化对于推动技术进步至关重要。随着新材料的不断出现和复杂性能需求的增加，传统的实验和理论计算方法已无法满足对材料性能快速且准确预测的需求。过去，材料性能的预测主要依赖于经验公式、实验数据和物理建模，但这些方法存在诸多局限。
2、现有的材料性能预测方法主要包括基于实验数据的经验模型和基于计算材料学的模拟方法。在传统的基于实验的数据驱动方法中，研究人员通过反复实验来确定材料的各种性能指标。然而，实验数据获取的周期长、成本高，且难以涵盖所有材料的特性，这使得预测结果的广泛适用性受到限制。计算材料学则通过模拟分子动力学(md)和密度泛函理论(dft)等方法，从微观层面预测材料的性能。
3、然而现有的材料性能预测依赖单一的实验数据或物理模型进行预测时，常常受到数据量不足和模拟精度不高的限制。传统实验方法需要大量的时间和资源，且仅能...
【技术保护点】
1.基于人工智能的材料性能预测与标准化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述标准化处理包括以下步骤：
3.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述偏微分方程约束的物理模型包括：
4.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述物理约束损失函数包括：
5.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述深度神经网络采用多层全连接网络结构，用于学习材料的非...
【技术特征摘要】
1.基于人工智能的材料性能预测与标准化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述标准化处理包括以下步骤：
3.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述偏微分方程约束的物理模型包括：
4.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述物理约束损失函数包括：
5.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述深度神经网络采用多层全连接网络结构，用于学习材料的非线性性能关系，所述图神经网络用于学习材料的晶体结构特性，捕捉材料结构与性能之间的映射关系。
6.根据权利要求1所述的基于人工智能的材料性能预测与标准化方法，其特征在于，所述变分推断方法采用变分贝叶斯优化策略，引入散度...
【专利技术属性】
技术研发人员：陈丽群，周江，戴佩璇，赵波，
申请(专利权)人：义乌市标准化研究院，
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。