基于结构熵的锡基材料配方预测方法及其应用

本技术涉及配方搭配，尤其涉及一种基于结构熵的锡基材料配方预测方法及其应用。

背景技术：

1、锡基材料配方通常由多种原料和工艺共同决定，不同原料之间存在协同或制约作用，工艺还会通过改变晶相、界面及组织结构进一步影响材料性能。随着原料种类、含量范围和工艺条件不断增加，可选配方数量快速增长，采用人工经验逐一调整原料及其比例，难以在较大的候选空间内快速获得满足综合性能要求的新配方。

2、相关技术方案中，为增强复杂特征和组分关系的提取能力，公知的基于深度学习和概率图模型的锡基材料配方预测方法，利用深度神经网络、贝叶斯网络或图注意力网络提取材料数据中的高阶特征、组分关联及成分—性能依赖关系，并据此预测候选组分、工艺或性能。例如，公开号cn118247262a的中国专利公开了一种基于xgboost-lstm混合模型的锡膏印刷质量预测系统及方法，利用长短期记忆网络提取锡膏印刷数据的时序特征，并结合xgboost预测印刷质量；公开号cn202511479055.x的中国专利公开了一种基于贝叶斯网的锡基材料成分性能推断方法。

3、上述方法虽然能够提取材料数据中的高阶特征并学习组分之间的依赖关系，但多采用共现频率、注意力权重或概率依赖强度衡量关联重要性，但缺乏能够定量区分对配方组成和性能形成具有稳定作用的关键关联与由数据稀疏、实验误差和偶然共现形成的噪声关联的关联评价手段——这会使得方法在根据目标性能反向生成新配方时，难以有效识别噪声关联并约束新配方的候选空间，导致候选配方搜索空间仍然过大。

4、鉴于此，本技术提出一种新的锡基材料配方预测方法，旨在对历史配方数据中原料、工艺与性能之间的复杂关联进行统一表征，并在此基础上缩小候选配方搜索空间，以实现可靠的锡基材料配方预测。

技术实现思路

1、本技术的主要目的在于提供一种基于结构熵的锡基材料配方预测方法，旨在解决如何缩小候选配方搜索空间，以实现可靠的锡基材料配方预测的问题。

2、为实现上述目的，本技术提供的一种基于结构熵的锡基材料配方预测方法，所述方法包括：

3、s10，对采集的历史配方数据中的原料、工艺及性能数据进行特征提取与实体对齐，并映射为各自对应的原料节点、工艺节点与性能节点，构成实体节点集合；

4、s20，将历史配方数据构建为有向的配方超边，基于所述配方超边和所述实体节点集合构建锡基材料超图；

5、s30，确定所述锡基材料超图与关联变化后锡基材料超图之间的结构熵差值，其中，所述关联变化后锡基材料超图为将所述锡基材料超图中的实体节点与配方超边之间的关联值进行减小或移除后得到；

6、s40，根据所述结构熵差值，确定所述锡基材料超图中实体节点与配方超边之间的关联强度，基于所述关联强度增强所述锡基材料超图中的配方超边表征，根据所述配方超边表征确定实体增强表征；

7、s50，根据所述实体增强表征确定符合预设性能条件的目标性能表征，根据所述目标性能表征与所述实体增强表征之间的关联得分，确定候选节点集合，将所述候选节点集合与所述预设性能条件关联的目标性能节点集合连接形成候选配方超边，计算所述候选配方超边与所述预设性能条件之间的连接得分；

8、s60，基于所述连接得分中大于预设得分阈值的目标配方超边进行锡基材料配方预测。

9、可选地，步骤s10中，对采集的历史配方数据中的原料、工艺及性能数据进行特征提取与实体对齐，包括：

10、对所述历史配方数据中候选实体的连续型属性进行归一化处理，提取候选实体的语义特征、类别特征和数值特征并融合归一化后的连续型属性，作为候选实体初始特征；

11、根据所述候选实体初始特征之间在语义、属性、类型和单位上的一致性计算实体对齐得分：

12、将实体对齐得分不低于预设实体对齐阈值且类型相同的候选实体对齐为同一标准实体节点，所述标准实体节点包含原料实体节点、工艺实体节点及性能实体节点；

13、以所述历史配方数据中各数据记录的可信度为权重，对同一所述标准实体节点中的候选实体的特征进行加权融合，得到所述标准实体节点的融合特征；

14、将各个融合特征按节点顺序构成节点特征矩阵，以完成实体对齐。

15、可选地，步骤s20，具体包括：

16、将历史配方数据中的原料节点、工艺节点作为输入节点，将性能节点作为输出节点，将每条历史配方构建为一条对应的有向配方超边：

17、

18、式中，表示配方类型，为超边权重；

19、基于每一所述配方超边构成的配方超边集合，以及实体节点集合，构建锡基材料超图：

20、

21、式中，分别表示用于描述原料及工艺对配方的参与程度输入关联矩阵、用于描述一条配方获得的性能水平的输出关联矩阵；

22、其中：

23、

24、

25、式中，，，表示原料节点j在第i条配方中的归一化含量，表示归一化工艺参数值，表示归一化性能测值。

26、可选地，步骤s30，具体包括：

27、将所述配方超边的预设权重分配至所述配方超边所包含的实体节点，得到各实体节点的度，并根据各实体节点的度计算结构占比；

28、根据各实体节点所述配方超边的参与度构建编码树，基于所述编码树对实体节点的层次划分计算多层结构熵：

29、

30、式中，表示编码树层数，表示编码树根节点，表示编码树中的非根节点，表示所对应实体节点的结构参与度之和，表示该实体节点与其他实体节点之间的配方超边权重之和，表示的父节点，表示全部实体节点结构参与度之和；

31、从候选编码树中选取所述多层结构熵最小的目标编码树，以所述目标编码树对应的多层结构熵作为所述锡基材料超图的结构熵；

32、将所述锡基材料超图中的实体节点与配方超边之间的关联值，调整至原值的ρ倍，得到关联变化后的锡基材料超图，并计算所述关联变化后的锡基材料超图的结构熵，其中，ρ∈[0,1]，当ρ=0表示移除关联；

33、将所述锡基材料超图的结构熵，与关联变化后锡基材料超图之间的结构熵的差值，作为所述结构熵差值。

34、可选地，步骤s40，具体包括：

35、将所述结构熵差值归一化后，计算关联强度：

36、

37、式中，，，和分别表示得到的输入关联值和输出关联值，表示关联调整系数，为归一化后的结构熵差值；

38、将所述关联强度归一化后，对配方超边中的实体特征进行加权汇聚，得到第i条配方超边表征：

39、

40、式中，为实体节点特征，d为特征维数；为归一化后的关联强度值；为实体节点；

41、根据所述配方超边表征确定实体增强表征：

42、

43、式中，表示包含实体节点的配方超边集合，为防止分母为零的正数。

44、可选地，步骤s50，具体包括：

45、将所述预设性能条件中各项性能的类型、目标测值和允许偏差进行归一化处理，与对应目标性能节点的实体增强表征融合，并按照各项性能的重要度加权汇聚得到目标性能表征：

46、

47、式中，表示实体节点的重要度，d表示表征维数；

48、将所述目标性能表征与所述实体增强表征之间的相似度，作为所述关联得分，将关联得分高于候选原料筛选阈值的原料节点确定为候选原料节点，将关联得分高于候选工艺筛选阈值的工艺节点确定为候选工艺节点：

49、

50、

51、将所述候选原料节点与所述候选工艺节点组成候选输入节点集合，将所述候选输入节点集合与所述目标性能节点集合连接形成所述候选配方超边；

52、采用得分函数计算所述候选配方超边与所述预设性能条件之间的连接得分。

53、可选地，步骤s60，具体包括：

54、确定所述目标配方超边中的实体节点，在满足预设约束条件下对应的可行域，其中，所述预设约束条件包括原料含量约束和工艺参数约束；

55、确定所述目标配方超边在所述可行域内的原料配比与工艺参数；

56、基于所述原料配比与所述工艺参数，预测满足所述预设性能条件的锡基材料配方。

57、此外，为实现上述目的，本技术还提供一种如上任一项所述的基于结构熵的锡基材料配方预测方法在锡基材料配方预测或配方设计中的应用。

58、此外，为实现上述目的，本技术还提供一种计算机系统，所述计算机系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上任一项所述的基于结构熵的锡基材料配方预测方法的步骤。

59、此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于结构熵的锡基材料配方预测方法的步骤。

60、本技术至少具备以下有益效果：

61、1、对原料、工艺及性能数据进行特征提取和实体对齐，将不同类型实体映射为节点，并以有向配方超边表征一条历史配方中的完整实体组合，构建锡基材料配方超图，以提高历史配方结构信息的统一表征与复用能力；

62、2、通过比较关联变化前后的结构熵差异评价不同关联的结构贡献，并依据结构熵贡献调整实体节点与配方超边之间的关联强度，增强对配方形成和性能变化具有重要作用的关联，抑制弱关联及噪声关联，从而压缩候选配方搜索空间，提高配方预测效率。