一种基于材料知识图谱的石墨性能预测与工艺优化方法与流程
本发明涉及材料信息学,尤其涉及一种基于材料知识图谱的石墨性能预测与工艺优化方法。
背景技术:
1、石墨材料具有优异的耐高温性、导电性、导热性、化学稳定性和机械性能,被广泛应用于冶金、化工、电子、新能源、核能、航空航天等领域。基于耐高温、抗辐照、高纯度特性,高端等静压石墨材料已成为核能、半导体等战略性产业的重要基础材料,该领域应用的产品也是技术壁垒最高的石墨材料之一。
2、石墨材料的宏观性能取决于其微观结构,而微观结构与制备工艺密切相关。石墨材料的典型制备工艺包括原料选择、配料、磨粉、混捏、成型、焙烧、浸渍、石墨化等多个工序,各工序的工艺参数均会对最终产品的微观结构和宏观性能产生影响。
3、石墨材料的传统研发主要依赖经验试错法、单因素实验设计法、正交试验等统计建模法以及单一工序的有限元数值模拟法。经验试错法通过调整工艺参数进行大量实验逐步逼近目标性能,研发周期长达数月乃至数年;单因素实验设计法与统计建模法仅能刻画单一参数与单一性能之间或变量间的线性、简单非线性关系,难以处理多参数耦合效应;有限元数值模拟法主要针对单一工序的物理场模拟,无法建立从工艺到性能的全链路映射。
4、近年来,人工智能技术被引入石墨材料的制备环节。公开号为cn121409005a的中国发明专利申请公开了一种模糊和强化学习协同的石墨化炉调控方法及系统,该方法持续获取石墨化炉的工况参数,计算工况参数实际值与预设标准值之间的偏差值,并根据偏差值是否满足预设异常条件,选择基于模糊化推理的调控方法或基于强化学习模型的调控方法生成调节信号,以增强石墨化炉加工程序运行的稳定性。公开号为cn121523054a的中国发明专利申请公开了一种石墨成型工艺参数优化方法及系统,该方法获取模压参数时序数据并构建速率映射结构,通过提取参数速率极值、计算极值时间偏移识别参数间的联动组合,再经扰动测试筛选反馈最小路径,生成优选工艺路径集,以提升石墨成型工艺调控的系统性与稳健性。公开号为cn118247253a的中国发明专利申请公开了一种碳素制品浸渍效果分析方法和系统,该方法获取碳素制品的浸渍对照样本并生成样本图组,从样本图组中提取微观特征,结合热导率数组、孔隙率数组和密度数组生成对照数据集,利用预设的效果权重生成浸渍效果值,以提高碳素制品浸渍效果分析的准确性。上述方案的共同点在于以某一单一工序为对象,围绕该工序的控制、参数优化或质量分析展开:cn121409005a针对石墨化炉的炉况调控,cn121523054a针对成型工序的模压参数,cn118247253a针对浸渍工序的效果评价,均未建立覆盖“原料-磨粉-混捏-成型-焙烧-浸渍-石墨化”全工序链条的映射关系,也未给出从工艺参数出发预测最终宏观性能的手段。
5、在材料性能预测方面,图神经网络等深度学习方法已有应用。公开号为cn116665809b的中国发明专利公开了一种基于图神经网络的材料性质预测方法、系统及设备,该方法获取材料的晶体结构,对晶体结构进行编码初始化与标准化处理得到对应原子的图网络,构建结构特征预测模型并进行训练与优化,将待预测材料数据输入训练后的模型输出材料性质预测结果。公开号为cn120108607a的中国发明专利申请公开了一种基于图神经网络的智能材料性质预测系统,该系统包括结构图构建模块、张量图编码模块与非对称传播模块,用于解析材料结构数据构建三阶张量图,通过多尺度张量图神经网络模型生成高维张量节点嵌入表示,进而实现材料性质的预测。此类方案的输入起点为材料的结构表征数据,输出为材料性质,属于“结构→性能”的单段映射;其未涉及制备工艺参数对微观结构的决定作用,无法回答“给定工艺条件下材料将呈现何种结构与性能”的问题,也不支持由目标性能反向求解工艺参数的逆向设计。
6、在知识图谱方面,公开号为cn121599068a的中国发明专利申请公开了一种基于大模型的多层材料知识图谱构建方法及系统,该方法解析材料科技文献,提取文本、表格、图像等多模态信息并预处理为结构化数据,构建概念术语层、材料实体层、材料数据层三层语义框架,利用大模型分层抽取知识生成三元组,经多维度质量评估与动态阈值过滤,并采用语义嵌入与字面相似相结合的混合对齐方式实现实体融合,结合增量更新与版本管理维护图谱。该方案面向文献知识组织,所处理对象为公开发表的科技文献,未涉及企业生产过程中积累的工艺参数、微观结构表征与宏观性能等结构化制备检测数据的融合治理,也未在知识图谱之上构建性能预测与工艺优化模型。
7、与本发明技术领域较为接近的,是公开号为cn121745253a的中国发明专利申请,其公开了一种无取向硅钢生产工艺的智能推荐方法:基于无取向硅钢的厚度、成分、工艺与性能标准数据构建硅钢知识图谱;在输入目标厚度与目标铁损后,通过插值算法从知识图谱中获取基准成分与工艺路径;利用工业大数据训练机理模型与机器学习模型并融合得到预测模型;定义铁损寻优目标函数,采用梯度下降法对生产路径进行迭代优化,输出目标成分参数与工艺参数;再经工业试制并将实测结果反馈至模型进行持续更新。该方案将知识图谱、预测模型与逆向寻优相结合,但其针对无取向硅钢这一金属材料体系,其知识图谱由标准数据构成、作用限于基准路径的插值检索,未对样本数据开展实体关系层面的特征表示;其预测模型建立的是工艺参数到性能指标的扁平映射,未引入微观结构特征作为中间表征层,无法刻画“工艺-结构-性能”的级联耦合关系,模型物理可解释性不足。
8、综上,现有公开文献在石墨材料研发中的存在如下不足:(1)以单一工序或单一性能为对象,缺乏覆盖制备全流程的工艺-结构-性能耦合建模;(2)性能预测模型多跳过微观结构中间层,直接建立工艺到性能或结构到性能的映射,物理可解释性不足;(3)企业积累的多源异构工艺与检测数据分散、格式不统一、语义缺失,知识图谱技术与性能预测模型相互割裂,数据价值未被充分挖掘;(4)缺乏以目标性能为约束、兼顾设备能力与成本等工艺可行性约束、且能给出预测置信区间的逆向工艺设计手段。
9、因此,如何将石墨材料研发与生产过程中积累的多源异构数据组织为结构化、语义化、可关联的知识图谱,并在此基础上建立准确、可解释的工艺-结构-性能级联映射模型,进而实现性能预测与逆向工艺设计,是本领域亟待解决的技术问题。
技术实现思路
1、发明目的:本发明的目的在于提供一种基于材料知识图谱的石墨性能预测与工艺优化方法,旨在解决以下问题:针对传统研发依赖经验试错、周期长、成本高的问题,提供一种数据驱动的石墨材料性能预测与工艺优化方法;针对多工艺参数耦合效应难以解析的问题,构建能够捕捉高阶非线性耦合关系的映射模型;针对现有模型缺乏物理可解释性的问题,引入微观结构特征作为中间表征层,建立“工艺→结构→性能”的级联映射;针对工业数据分散、格式不统一、缺乏关联的问题,通过知识图谱实现多源异构数据的统一治理与语义化组织;针对无法逆向设计的问题,基于训练好的耦合模型与多目标优化算法,根据目标性能反向推荐满足可行性约束的最优工艺参数组合。
2、技术方案:一种基于材料知识图谱的石墨性能预测与工艺优化方法,包括以下步骤:
3、s1、获取石墨材料制备全流程的多源异构数据,并对所述多源异构数据进行清洗、标准化与归一化处理,得到标准化样本数据;其中,所述多源异构数据包括工艺参数数据、微观结构表征数据、宏观性能数据和工艺过程时序数据;
4、s2、对所述标准化样本数据进行实体抽取与关系抽取,构建石墨材料知识图谱;所述石墨材料知识图谱中的实体包括原料实体、工序实体、工艺参数实体、微观结构特征实体和宏观性能实体,实体之间的关系包括工艺参数实体与微观结构特征实体之间的第一映射关系、微观结构特征实体与宏观性能实体之间的第二映射关系;
5、s3、基于所述石墨材料知识图谱,对样本数据进行特征表示,生成输入特征向量;
6、s4、训练工艺-结构映射模型与结构-性能映射模型,并将二者级联,得到工艺-结构-性能耦合模型;其中,所述工艺-结构映射模型以工艺参数特征和原料特征为输入、以微观结构参数为输出,所述结构-性能映射模型以微观结构参数为输入、以宏观性能指标为输出;
7、s5、将待预测石墨材料的工艺参数与原料特征输入所述工艺-结构-性能耦合模型,获得该石墨材料的预测微观结构参数与预测宏观性能指标,完成石墨性能预测;
8、s6、基于所述工艺-结构-性能耦合模型进行逆向工艺优化:以目标性能指标为约束条件、以工艺参数为优化变量,采用多目标优化算法在工艺参数空间中搜索满足约束条件的候选工艺参数组合,并对候选工艺参数组合施加工艺可行性约束,输出目标工艺参数组合及其对应的预测微观结构参数、预测宏观性能指标与置信区间。
9、进一步的,所述步骤s2包括:构建石墨材料知识图谱的本体模型,定义实体类型与关系类型;所述实体类型包括原料、工序、工艺参数、微观结构特征与宏观性能,所述关系类型包括工序与工艺参数之间的从属关系、工艺参数与微观结构特征之间的第一映射关系、微观结构特征与宏观性能之间的第二映射关系,以及工艺参数之间的约束关系;
10、将所述标准化样本数据编码为“实体-关系-实体”三元组,并使每一批次样本通过样本标识符关联至同一条制备工艺链上的原料实体、工艺参数实体、微观结构特征实体与宏观性能实体,存储于图数据库中,得到所述石墨材料知识图谱。
11、进一步的,所述工艺-结构映射模型采用双分支融合架构,包括可解释性分支与深度学习分支;
12、所述可解释性分支采用集成学习模型,用于捕捉工艺参数与微观结构特征之间的显式非线性关系,输出第一预测结构向量;所述深度学习分支采用多层前馈神经网络,用于通过多层非线性变换捕捉工艺参数之间的高阶耦合效应,输出第二预测结构向量;所述可解释性分支与所述深度学习分支共享所述输入特征向量,二者的输出经输出层加权融合后得到预测微观结构参数。
13、进一步的,所述结构-性能映射模型采用基于微观结构图的图神经网络建模;
14、所述微观结构图以石墨材料的晶粒与孔隙为节点、以晶界与孔隙间连通关系为边;节点特征包括晶粒尺寸、晶粒取向与缺陷密度,边特征包括晶界强度与孔隙连通性;所述图神经网络沿微观结构图的边进行消息传递与特征更新,并对更新后的节点特征进行图级池化,输出预测宏观性能指标。
15、进一步的,所述步骤s4采用两阶段训练策略:
16、第一阶段,分别利用带有微观结构标注的样本数据,对工艺-结构映射模型与结构-性能映射模型进行预训练;
17、第二阶段,将预训练后的工艺-结构映射模型与结构-性能映射模型级联,以预测宏观性能指标与实测宏观性能之间的误差为目标函数进行端到端联合微调,使梯度在工艺-结构映射模型与结构-性能映射模型之间反向传播;
18、对于仅包含工艺参数数据与宏观性能数据、缺失微观结构表征数据的弱标签样本,采用基于结构一致性约束的半监督学习:将所述弱标签样本输入工艺-结构-性能耦合模型得到预测微观结构参数,再由结构-性能映射模型输出二次预测性能,以所述二次预测性能与实测宏观性能之间的误差作为结构一致性损失,并将所述结构一致性损失加权计入联合微调的总损失函数。
19、进一步的,还包括步骤s7:利用预留的测试数据集评估所述工艺-结构-性能耦合模型的预测误差;当所述预测误差超过预设阈值时,利用新增制备与检测数据,通过增量学习或模型微调方式更新所述工艺-结构-性能耦合模型,并将新增样本数据及其对应的实体与关系回写至所述石墨材料知识图谱。
20、进一步的,还包括可解释性分析步骤:基于工艺-结构映射模型的梯度敏感度或样本扰动,计算各工艺参数对各微观结构特征的第一贡献度;基于结构-性能映射模型的消息传递权重或梯度敏感度,计算各微观结构特征对各宏观性能指标的第二贡献度;
21、根据所述第一贡献度与所述第二贡献度,生成工艺-结构-性能影响路径图,并据此识别关键影响因子与耦合关系、提取工艺设计准则,以及将所述关键影响因子与耦合关系作为新的关系边回写至所述石墨材料知识图谱。
22、进一步的,所述多目标优化算法包括贝叶斯优化、遗传算法或粒子群优化算法中的任意一种;所述工艺可行性约束包括设备能力约束与成本约束;所述方法还包括:按照所述目标工艺参数组合开展制备实验,并将实测微观结构参数与实测宏观性能指标回写至所述石墨材料知识图谱和所述工艺-结构-性能耦合模型,形成逆向优化闭环。
23、本发明还提供一种基于材料知识图谱的石墨性能预测与工艺优化系统,包括:
24、数据治理模块,用于获取石墨材料制备全流程的多源异构数据,并对所述多源异构数据进行清洗、标准化与归一化处理,得到标准化样本数据;
25、知识图谱构建模块,用于对所述标准化样本数据进行实体抽取与关系抽取,构建石墨材料知识图谱;
26、模型训练模块,用于训练工艺-结构映射模型与结构-性能映射模型,并将二者级联,得到工艺-结构-性能耦合模型;
27、性能预测模块,用于将待预测石墨材料的工艺参数与原料特征输入所述工艺-结构-性能耦合模型,输出预测微观结构参数与预测宏观性能指标;
28、逆向工艺优化模块,用于以目标性能指标为约束条件、以工艺参数为优化变量,采用多目标优化算法搜索满足约束条件的候选工艺参数组合,并施加工艺可行性约束,输出目标工艺参数组合及其对应的预测微观结构参数、预测宏观性能指标与置信区间。
29、本发明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,使处理器实现上述的基于材料知识图谱的石墨性能预测与工艺优化方法。
30、有益效果:
31、(1)缩短研发周期、减少实验量:以数据驱动的预测-优化闭环替代部分试错实验,在新材料牌号开发中可缩短研发周期,减少实验批次,降低研发成本。
32、(2)预测精度高:通过微观结构中间层与级联模型结构,能够刻画工艺-结构-性能之间的高阶非线性耦合关系,主要性能指标的预测平均绝对百分比误差可控制在6%以内。
33、(3)模型具有物理可解释性:级联架构与两级贡献度分析能够揭示各工艺参数通过影响特定微观结构特征进而影响宏观性能的路径,为工艺优化与材料设计提供依据。
34、(4)数据利用率高:知识图谱将分散、异构的工艺数据、表征数据、性能数据与过程时序数据组织为结构化、语义化、可关联的知识资产。
35、(5)实现逆向工艺设计:以目标性能为约束、结合多目标优化与设备能力、成本等可行性约束,可直接输出附带预测值与置信区间的工艺参数组合,实现从“经验试错”到“目标导向设计”的转变。
36、(6)通用性强:该框架可迁移应用于高端等静压石墨不同应用领域等多种石墨材料,也可扩展到其他碳材料领域。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com