一种跨域学习驱动航天器用多主元稀土硅酸盐的筛选方法
本发明属于材料基因组工程与智能计算交叉领域,具体为一种跨域学习驱动航天器用多主元稀土硅酸盐的筛选方法。
背景技术:
1、稀土硅酸盐具有优异的高温相稳定性、低热导率以及与陶瓷基复合材料相匹配的平均线热膨胀系数,适用于环境障涂层ebc材料,但是,传统单组元ebc材料无法满足高推重比航空发动机及高超声速飞行器热端部件对热防护材料的苛刻需求。为了在保持相稳定的基础上,进一步优化热学与力学性能,可以多元稀土元素组合形成多主元稀土硅酸盐。
2、但是,由于该体系涉及稀土元素的任意组合与配比,成分空间极为庞大,因此,采用传统“试错法”实验研发周期长、成本高,已经无法满足航天热防护材料快速迭代的工程需求。目前常见的解决方案可以采用第一性原理密度泛函理论计算,此类方法可以精确获取稀土硅酸盐的力学与热学性能,但是,基于此类方法存在每计算一个多主元体系需构建特殊准随机结构并进行弹性常数与声子计算,单次计算耗时数天至数周,难以支撑大规模高通量筛选的问题。
3、同时,由于在航天器环境障涂层材料的实际工程筛选与服役评估过程中,相关科研院所的计算设备普遍存在硬件配置陈旧、算力资源受限等客观约束,以及,于保密或网络隔离的原因,无法实时访问云端文献数据库或在线计算资源,导致材料筛选工作必须深度依赖内部积累的自主计算数据,并对算法的计算效率提出极高要求。
4、为了解决上述问题,加速材料研发进程,可以通过数据驱动的机器学习方法对材料性能进行预测。具体原理为,机器学习模型可以在建立成分-结构-性能之间的映射关系后,通过数秒内完成对新样本的性能预估,显著减少筛选周期。例如,现有文献1(albertoj. fernandez-carrion, mathieu allix, ana i. becerro, thermal expansion ofrare-earth pyrosilicates [j]. journal of the american ceramic society, 2013,96(7): 2298-2305.)通过构建稀土硅酸盐数据集并训练有监督机器学习模型,实现了对特定成分体热学性能的快速预测。但是,此类监督式学习模型的预测精度严重依赖于高质量有标签训练数据的数量与覆盖范围。对于多主元稀土硅酸盐体系,通过实验表征或第一性原理计算获得有标签样本的成本极高,可获得的有效样本通常仅为数十至百余组。在如此小样本条件下直接训练复杂神经网络模型,极易引发过拟合问题,导致模型泛化能力严重不足,即预测结果与实际结果的误差大到无法满足实际应用要求。
5、为了解决小样本条件下的跨体系性能预测问题,可以采用迁移学习方法对材料性能进行预测。具体原理为,借助源域单组元稀土硅酸盐中的大量现有知识,辅助数据稀缺的目标域多主元体系建立预测模型,以缓解目标域因标签不足而导致训练困难的问题。例如,现有文献2(hu jeffery, liu david, fu nihang, dong rongzhi, realistic materialproperty prediction using domain adaptation based machine learning [j].digital discovery, 2024, 3(2): 300-312.)评估了多种跨域学习方法在材料性能预测中的效果,结果表明特定跨域学习模型能够显著提升模型在分布外数据集上的预测性能,而标准机器学习模型及多数其他跨域学习技术则无法实现有效改进甚至导致性能退化。但是,多主元稀土硅酸盐的工程应用需要同时考虑力学性能和热学性能的多目标协同优化,而现有跨域学习方法通常针对单一输出任务设计,未考虑多目标服役性能之间的内在物理关联与相互制约关系,无法直接迁移应用于多目标连续回归预测场景。
6、为解决上述多目标协同预测问题,本发明发明人前期成果(现有文献3,fan y.,bai y., he x., liu b. et al., unlocking compositional design and mechanismfor mechanical–thermal properties of high-entropy rare-earth disilicates viaautoencoder-driven domain adaptation [j]. journal of the american ceramicsociety, 2026, 109(1), e70388)通过基于自编码器的多任务跨域学习方法实现多组元稀土双硅酸盐力学与热学性能的协同预测。但在,在后续应用于航天器环境障涂层实际筛选的验证中发现,直接采用该技术方案获得的预测与筛选结果无法满足航天服役要求,其原因体,即技术问题体现在以下3个方面:
7、1、直接采用该技术方案在协同预测后输出的候选材料中,同时包含γ相和β相两种晶体结构的多组元稀土双硅酸盐。但是,在实际航天器服役环境下,γ相的热力学稳定性显著低于β相,即在高温热循环及氧化气氛中,存在发生相变或分解,进而导致涂层开裂、剥落失效的问题。也就是说,该技术方案实际存在的技术问题为,预测筛选结果包含在实际服役条件下不稳定的γ相材料,不满足实用性要求;
8、2、直接采用该技术方案输出的候选材料的平均线热膨胀系数普遍超出航天器环境障涂层与基体匹配的工程筛选阈值,即平均线热膨胀系数过大或过小的材料在热循环过程中将产生过大的热失配应力,无法满足涂层服役可靠性要求;
9、3、该技术方案采用的训练数据全部来源于已公开发表的文献资料,航天院所在实际工程应用中,受限于网络隔离与保密管理制度,无法实时访问云端文献数据库以复现或扩充数据集,因此,无法直接应用该技术方案;同时,该技术方案在多目标筛选任务中,存在候选材料空间增大导致计算任务规模上升的问题,直接导致单次完整筛选流程的计算耗时急剧增加,无法匹配航天院所现有的有限算力条件下高效的材料筛选工作的目标,即无法满足在航天工程实践中的可落地性要求。
10、综上所述,现有技术方案既受限于实际航天院所的计算资源与数据获取条件,又未能解决筛选结果中γ相不稳定及平均线热膨胀系数失配的工程瓶颈,亟需一种兼顾计算效率、数据自给能力且满足航天服役筛选准则的改进型筛选方法。
11、因此,现有技术存在的技术问题可概括为,应用于航天器领域存在材料筛选结果与真实服役要求不匹配,无法满足航天器环境障涂层材料对相稳定性、隔热性能及热膨胀匹配性的综合筛选需求的问题。
12、目前存在的技术困难为,缺少能够在航天器用多主元稀土硅酸盐标签稀缺条件下,同时实现力学与热学多目标性能高精度协同筛选的方法,从而难以高效获取适用于航天器环境障涂层的高性能多主元稀土硅酸盐材料。
技术实现思路
1、本发明的目的是提供一种跨域学习驱动航天器用多主元稀土硅酸盐的筛选方法,以解决现有技术中多主元稀土硅酸盐标签数据稀缺导致监督学习模型泛化能力不足、源域与目标域之间存在显著特征分布偏移、现有跨域学习方法难以实现力学与热学多目标性能协同高精度预测、以及预测筛选结果包含γ相不稳定材料且热膨胀系数失配、无法满足航天院所有限算力与数据自给条件约束的技术问题;
2、本发明所涉及的基本原理为:以单组元稀土硅酸盐为源域,以经第一性原理dft物相筛选后的β相多主元稀土硅酸盐为目标域,利用一维卷积自编码器对源域和目标域的无标签输入特征进行联合重建预训练;
3、该自编码器通过双域联合重建学习,捕捉跨域共性的结构特征信息,从而在潜在特征空间初步对齐源域与目标域的数据分布,克服跨域分布偏移导致的预测偏差;
4、随后,将预训练得到的编码器参数迁移至多任务跨域学习预测网络的共享编码器,并接入力学性能解码分支和热学性能解码分支,通过双分支并行解码结构实现多目标性能的协同高精度预测,避免不同性能目标之间的梯度干扰;
5、在联合训练阶段,利用源域有标签数据的目标性能作为监督信号进行多任务回归,同时,利用源域和目标域的无标签数据继续进行重建约束,在跨域学习训练过程中进一步对齐源域与目标域的特征分布;
6、通过上述机制,最终实现目标域多主元材料力学性能和热学性能的协同高精度预测,各性能平均绝对相对误差mae%均小于5%,满足航天环境障涂层筛选精度要求。
7、本方法在物相筛选阶段前置dft计算,仅保留β相稳定存在的材料进入后续预测流程,从根源上排除γ相不稳定材料的干扰;在最终筛选中引入平均线热膨胀系数4~5×10-6/k及热导率小于1.25 w/(m·k)的多维度约束条件,确保筛选结果与航天器环境障涂层服役要求相匹配;同时,本发明不依赖外部文献数据,全程采用自主构建的标准化自建数据库及晶体学数据库进行模型推理,单次完整筛选流程耗时仅50秒,在低算力环境下仍保持高效推理,适用于航天院所保密隔离条件下的工程实际应用。
8、为实现上述发明目的,本发明采用的具体技术方案为:
9、一种跨域学习驱动航天器用多主元稀土硅酸盐的筛选方法,包括以下步骤:
10、步骤1,β相多主元稀土硅酸盐材料的成分确定,由于多主元稀土硅酸盐材料在航天器热防护系统中的实际服役环境,需在满足高温循环条件下保持相结构稳定的特征,并且,β相稀土硅酸盐在服役温度范围内无相变发生,即具有热稳定性;
11、通过第一性原理密度泛函理论计算多主元稀土硅酸盐材料的物相,
12、在此基础上,针对每种多主元稀土硅酸盐的β相晶体结构,通过第一性原理计算方法,计算其在给定温度与压力条件下的吉布斯自由能;
13、所述β相晶体结构是指具有单斜晶系对称性的稀土双硅酸盐晶体结构,结构特征为[sio4]四面体通过共顶点连接形成层状框架,稀土阳离子填充于层间八配位空隙中;
14、所述吉布斯自由能是指描述材料在给定温度、压力条件下热力学平衡状态的热力学势函数;
15、进一步,当所述吉布斯自由能小于0时,判定该β相材料在热力学上可稳定存在;
16、进一步,经第一性原理计算后,仅保留β相稳定存在的多主元稀土硅酸盐进入后续流程,引入物相约束,后续筛选流程均仅针对筛选后的β相多主元稀土硅酸盐材料进行;
17、所述β相多主元稀土硅酸盐材料是指具有β相晶体结构的多主元稀土硅酸盐材料;
18、步骤2,β相多主元稀土硅酸盐性能预测数据集的构建,
19、所述数据集由源域数据与目标域数据两部分组成;所述源域是指数据量充足且具备完整性能数据的材料体系,所述目标域是指数据量稀缺且性能标签缺失或不完整的材料体系;
20、所述数据样本类型分为2类,具体为有标签样本与无标签样本;
21、所述数据样本类型是指根据样本是否包含完整性能标签而划分的监督学习所需数据类别;
22、所述有标签样本是指同时包含完整输入特征及对应力学与热学性能标签的样本,通过第一性原理计算或实验表征获得的材料性能数值,作为监督学习中的目标输出值,用于模型训练过程中预测误差的量化与梯度更新;
23、所述无标签样本是指仅包含输入特征而缺少对应力学与热学性能标签的样本;
24、步骤3,数据的预处理,对步骤2的8个输入特征进行最小—最大归一化,归一化后所有输入特征映射至[0,1]区间,对步骤2的性能标签采用线性缩放策略独立归一化,使每个性能指标的训练标签映射至[0,1]区间,预测输出通过sigmoid激活函数约束在0~1,最终预测值通过逆向缩放恢复至原始量纲;
25、步骤4,自编码器的构建和预训练,自编码器由编码器和解码器两部分组成,
26、所述编码器为一维卷积层,
27、所述解码器由一维转置卷积层构成,
28、将步骤3中标准化后的源域样本的输入特征和目标域样本的输入特征同时输入自编码器进行预训练,预训练完成后,保存编码器各层权重参数;
29、步骤5,多任务跨域学习预测网络的构建,预测网络包含共享编码器、力学解码分支和热学解码分支,
30、所述共享编码器的结构与步骤4的编码器完全相同,并将预训练权重作为初始化参数;
31、所述力学解码分支和热学解码分支共享同一编码器提取的潜在特征,但是,各自保持独立的可训练参数,在后续训练中分别优化,
32、步骤6,联合训练与跨域学习优化,联合训练阶段同时优化3项任务,具体为,源域力学性能回归,源域热学性能回归和源域和目标域输入特征重建;
33、训练完成后,得到可对多主元稀土硅酸盐进行力/热学性能预测的基于跨域学习算法框架,
34、步骤7,模型预测精度的验证,为了验证模型的预测精度,将目标域中有标签的样本作为验证集,其余无标签样本不参与验证,
35、各预测性能平均绝对相对误差mae%,b小于4%,g小于1%,e小于1%,λmin小于2%,abcte小于4%,在所有模块均存在的情况下均小于5%,表明本发明方法在标签稀缺条件下实现了高精度跨域预测;
36、步骤8,目标材料的筛选,由于目标材料在航天器热防护系统中的实际服役环境,结合步骤一关注的相结构稳定的特征,目标材料筛选时,还需要引入多维度约束条件,具体筛选条件包括,
37、筛选条件1为,航天器热防护系统要求多主元稀土硅酸盐具备低导热的特征,具体为,多主元稀土硅酸盐的热导率小于1.25 w/(m·k);
38、筛选条件2为,多主元稀土硅酸盐与陶瓷基复合材料的平均线热膨胀系数匹配,具有界面热应力低的特征,具体为,多主元稀土硅酸盐的平均线热膨胀系数范围为4~5×10-6/k。
39、本发明与现有技术相比具有如下优点:
40、1、本发明通过一维卷积自编码器对源域与目标域无标签数据联合重建预训练,提取跨域共享潜在特征以缓解分布偏移,克服标签稀缺导致的泛化不足;联合训练中结合源域监督信号与双域重建约束,实现域间对齐,力学性能和热学性能预测误差均小5%,整体预测精度显著优于现有方法;
41、2、本发明设计了力学性能和热学性能双分支并行解码结构,在共享底层特征的同时保持任务特定的高层特征表达,能够实现体弹性模量、剪切模量、杨氏模量、高温极限热导率及平均线热膨胀系数的协同高精度预测,克服了现有跨域学习方法仅针对单一输出任务设计、无法兼顾多目标协同优化的技术问题;
42、3、本发明方法基于晶体学数据库及自建材料数据库训练,训练完成后可快速预测任意成分的多主元稀土硅酸盐的力学和热学性能,单次完整筛选流程耗时由现有方法的约10分钟缩短至50秒,计算效率提升约12倍,显著缩短材料研发周期,适用于航天院所有限算力条件下的航天器环境障涂层候选材料高通量筛选与理性设计。
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