材料性能预测方法、材料性能预测系统及计算机存储介质与流程

本申请的实施例涉及计算机辅助设计领域，具体涉及一种材料性能预测方法、材料性能预测系统及计算机存储介质。

背景技术：

1、这里的陈述仅仅提供与本申请有关的背景信息，而不必然地构成现有技术。

2、材料的力学性能，是指材料在外力（载荷）作用下所表现出的变形、损伤及断裂行为特征，其决定了材料在特定服役环境下的承载极限与服役寿命。因此，在设计或优化材料时，通常需要对材料的力学性能进行预测。

3、然而，目前预测材料的力学性能的技术尚且存在诸多局限。

技术实现思路

1、在下文中给出了关于本申请的简要概述，以便提供关于本申请的某些方面的基本理解。应当理解，这个概述并不是关于本申请的穷举性概述。它并不是意图确定本申请的关键或重要部分，也不是意图限定本申请的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

2、针对上述问题，本申请的实施例提供一种材料性能预测方法、材料性能预测系统及计算机存储介质。

3、第一方面，本申请的实施例提供一种材料性能预测方法，其包括以下步骤：s10：采集材料的性能数据，性能数据包括材料成分数据、工艺参数以及对应的多种性能测试结果，多种性能测试结果包括强度性能和延伸率性能；s20：对性能数据进行预处理，以使处理后的性能数据能够输入神经网络模型；s30：构建神经网络模型，神经网络模型采用参数化驱动方式构建卷积层、全连接层以及输出分支，材料成分数据和工艺参数作为输入，输入到神经网络模型，经卷积层以及全连接层处理，从输出分支输出性能预测数据；s40：利用混合贝叶斯优化方法统一搜索神经网络模型的结构参数与训练超参数，使获得的结构参数和训练超参数与预测强度性能的任务以及预测延伸率性能的任务相匹配；s50：根据结构参数和训练超参数训练神经网络模型，获得训练后的神经网络模型；s60：利用训练后的神经网络模型对材料的多种性能进行预测。

4、本申请的实施例提供的预测方法通过采用参数化驱动方式构建神经网络模型的卷积层、全连接层以及输出分支，相较于相关技术中借助人工经验构建，能够减少构建神经网络模型过程中的人工参与，从而能够在减低构建神经网络模型时的人工成本；并且，相较于相关技术中的分别搜索训练超参数与结构参数的方式，本申请的实施例提供的预测方法利用混合贝叶斯优化方法统一搜索神经网络模型的结构参数与训练超参数，能够利用结构参数和训练超参数之间的复杂交互效应，不仅有利于降低在搜索结构参数和训练超参数时的维度和难度，还能够提高训练后的神经网络模型在预测不同材料性能时的适应性和泛化能力。

5、第二方面，本申请的实施例提供一种材料性能预测系统，其包括采集单元、预处理单元、神经网络模型构建单元、搜索单元、训练单元以及预测单元。采集单元用于采集材料的性能数据，性能数据包括材料成分数据、工艺参数以及对应的多种性能测试结构，多种性能测试结果包括强度性能和延伸率性能；预处理单元用于对采集单元采集的性能数据进行预处理，以使处理后的性能数据能够输入神经网络模型；神经网络模型构建单元用于构建神经网络模型，神经网络模型采用参数化驱动方式构建卷积层、全连接层以及输出分支，材料成分数据和工艺参数作为输入，输入到神经网络模型，经卷积层以及全连接层处理，从输出分支输出性能预测数据；搜索单元设置成利用混合贝叶斯优化方法统一搜索神经网络模型的结构参数与训练超参数，使获得的结构参数和训练超参数与预测强度性能的任务以及预测延伸率性能的任务相匹配；训练单元用于根据结构参数和训练超参数训练神经网络模型，获得训练后的神经网络模型；预测单元用于利用训练后的神经网络模型对材料的多种性能进行预测。

6、本申请的实施例提供的预测系统通过设置神经网络模型构建单元，使得能够采用参数化驱动方式构建神经网络模型的卷积层、全连接层以及输出分支，相较于相关技术中借助人工经验构建，能够减少构建神经网络模型过程中的人工参与，从而能够在减低构建神经网络模型时的人工成本；并且，相较于相关技术中的分别搜索训练超参数与结构参数的方式，本申请的实施例提供的预测系统通过设置搜索单元，使得能够利用混合贝叶斯优化方法统一搜索神经网络模型的结构参数与训练超参数，能够利用结构参数和训练超参数之间的复杂交互效应，不仅有利于降低在搜索结构参数和训练超参数时的维度和难度，还能够提高训练后的神经网络模型在预测不同材料性能时的适应性和泛化能力。

7、第三方面，本申请的实施例提供一种计算机存储介质，其存储有计算机程序，当计算机程序被执行时，实现执行本申请第一方面的实施例提供的预测方法。

1.一种材料性能预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的预测方法，其特征在于，在s30步骤中，所述神经网络模型的构建具体包括以下步骤：

3.根据权利要求2所述的预测方法，其特征在于，在s31步骤中，

4.根据权利要求1所述的预测方法，其特征在于，在s40步骤中，具体包括以下步骤：

5.根据权利要求4所述的预测方法，其特征在于，

6.一种材料性能预测系统，其特征在于，所述预测系统包括：

7.根据权利要求6所述的预测系统，其特征在于，

8.根据权利要求7所述的预测系统，其特征在于，

9.根据权利要求6所述的预测系统，其特征在于，

10.根据权利要求9所述的预测系统，其特征在于，

11.一种计算机存储介质，其特征在于，其存储有计算机程序，当所述计算机程序被执行时，实现执行权利要求1-5任一项所述的预测方法。