[发明专利]核反应堆包壳材料辐照肿胀的集成学习预测方法

说明书

本发明提供一种核反应堆包壳材料辐照肿胀的集成学习预测方法，涉及组合多个弱监督模型结果的集成学习材料预测技术领域。本发明采用堆叠的多层异态回归器模型，其为两层架构，第一层包括四个不同的基学习器，分别为人工神经网络、支持向量机、梯度提升和随机森林，并且第一层采用5折交叉验证训练，第二层通过XGBoost建立。本发明能够降低偏差和方差，提高模型的泛化能力，使材料特性的预测结果更加准确。

技术领域

本发明涉及组合多个弱监督模型结果的集成学习材料预测技术领域，特别是指一种堆叠的多层异态回归器的核反应堆包壳材料辐照肿胀的集成学习预测方法。

背景技术

机器学习(Machine Learning)方法已逐步应用于材料建模来更准确地预测材料特性，其关键是针对一类问题找到一个将输入空间投影到输出空间的映射模型，利用这个学习好的模型来预测实际的数据。材料设计及特性预测中常用的机器学习方法有人工神经网络(Artificial Neural Network)、支持向量机(Support Vector Machine)、决策树(Decision Tree)等，这些方法为解决数值堆材料的成分优化、热处理工艺研究、性能研究、辐照后性能研究提供了先进的科学有效的手段。

虽然在材料领域存在着很多机器学习方法，但是某一种单一的方法不能在所有领域所有特征集合下取得最好的预测结果，并且在实际的材料预测过程中，单一的机器学习方法存在模型过拟合、泛化能力差的瓶颈，难以保证材料预测结果的准确性等问题。文献1(Xue D,Balachandran P V,Hogden J,et al.Accelerated search for materials withtargeted properties by adaptive design[J].Nature communications,2016,7:11241.)提出了一种机器学习基础上的数据驱动的材料设计框架，利用不确定性迭代指导实验的进行来推动新材料的发现，文献2(David H.Wolpert.Stacked generalization.InNeural Networks,volume 5,pages 241-259,1992.)以ML算法为基础开发了同源集成的堆叠集成学习的通用技术框架，通过实验验证了这种框架可以取得比单个分类器更好的性能。堆叠集成器在对新的实例进行分类之前，先把若干个单个分类器集成起来，这些集成分类器包括了N个单一的人工神经网络分类器，对于同样的输入，N个人工神经网络分别给出各自的输出，最终这些输出通过某种组合以后得到集成分类器整体的输出结果作为最终的分类。

发明人在研究过程中发现，上述堆叠集成学习框架的特点是，训练的基本分类器是同源的，即人工神经网络，不仅会造成过拟合，还会使输出的时间过长导致算法效率大大降低。而目前材料预测领域，树模型一般取得的学习精度和效果要比其他模型要好，因此这种框架最终产生的分类结果虽然会比单个的人工神经网络分类器要好，但不一定会比单一的其他模型好。并且，堆叠框架具有很大的灵活性和不确定性，一方面，在对初始数据集的划分上，采用多折交叉验证可以有效防止过拟合(over fitting)，另一方面，从训练模型的选择和使用上，元分类器就应该替换为多个回归模型，尽可能使每个模型的精度比较高。此外，要想我们的材料预测模型性能最佳，还要通过初始阶段的数据预处理及特征工程来尽可能的从原始数据中获取更多的信息。

针对现有包壳材料辐照肿胀领域难以通过实验观测肿胀孕育期和转变期到线性变化期的肿胀机理，急需提供一种新的材料预测方法，以降低偏差(Bias)和方差(Variance)，提高模型的泛化能力，使材料特性的预测结果更加准确。

发明内容

本发明要解决的技术问题是提供一种核反应堆包壳材料辐照肿胀的集成学习预测方法，以降低偏差和方差，提高模型的泛化能力，使材料特性的预测结果更加准确。

为解决上述技术问题，本发明实施例提供一种核反应堆包壳材料辐照肿胀的集成学习预测方法，包括：

步骤A：获取包壳辐照肿胀相关的原始数据集，原始数据集中的数据一部分作为训练集，另一部分作为预测集；