[发明专利]大数据、人工智能、超算协同的材料性能预测方法

说明书

本发明提供一种大数据、人工智能、超算协同的材料性能预测方法，涉及材料性能预测技术领域，所述方法包括：获取原始数据集并进行预处理；创建多个不同的贝叶斯深度网络模型；构造权重的高斯先验分布；构造似然函数；根据贝叶斯准则计算权重的后验概率分布函数；然后利用高斯近似方法在超级计算机上并行求解每个模型的参数后验，直至参数后验收敛；之后利用预测集通过每个网络模型得到预测输出，计算每个贝叶斯深度网络模型的占所有网络的权重比；最后根据训练好的贝叶斯深度网络模型对预测集进行预测，得到最终预测值和预测值的误差条，至此，整个网络模型构建完毕。本发明的方法能够提高材料性能预测的质量和效率。

技术领域

本发明涉及材料性能预测技术领域，特别是指一种大数据、人工智能、超算协同的材料性能预测方法。

背景技术

材料的性能预测分析可以得到不同成分含量、环境与性能之间的关系，从而可以改进工艺加快设计出适合核材料领域抗辐照性能好的最佳材料。目前在材料领域常见的性能预测方法有：人工神经网络(Artificial Neural Network，ANN)、支持向量机(SupportVector Machine，SVM)、遗传算法(Genetic Algorithm，GA)等。

材料的性能受多种因素(包括成分含量、加工工艺、环境条件等)的影响，且各因素之间存在非线性关系，因此机器学习的智能化方法很适合处理材料性能预测问题。人工神经网络是由神经元互相连接而形成的复杂网络结构，可以用于对材料成分含量的预测、力学性能预测、控制参数的预测等；支持向量机是通过核方法将问题由非线性空间映射到线性空间进行求解，可以用于材料领域的小样本预测，如材料热处理领域；遗传算法主要对人工神经网络进行优化，从而构建出更加准确的材料性能影响因子与材料性能的非线性映射预测模型。

核反应堆压力容器材料的性能数据主要来源于实验测试和模拟计算，不仅有上述多因素及非线性不确定的特点，还具有长周期、强关联、多依赖性的特征，对这种典型材料大数据的研究向传统的机器学习方法提出了挑战，为此需要新的智能化计算方法和满足海量数据存储及并行处理的超级计算机来处理这种材料大数据，从而保证材料性能预测的质量和效率。

发明内容

本发明要解决的技术问题是提供一种大数据、人工智能、超算协同的材料性能预测方法，以提高材料性能预测的质量和效率。

为解决上述技术问题，本发明实施例提供一种大数据、人工智能、超算协同的材料性能预测方法，包括：

步骤1：获取原始数据集并进行预处理；

步骤2：创建多个不同的贝叶斯深度网络模型，给予每个贝叶斯深度网络模型赋予一组随机化的权重初始值；

步骤3：针对每个贝叶斯深度网络模型中每两个神经元之间的权重w，引入正则化项，构造权重w的高斯先验分布；

步骤4：针对所述权重w，构造似然函数；

步骤5：根据贝叶斯准则得到所述权重w的后验概率分布函数；

步骤6：利用高斯近似方法在超级计算机上GPU+CPU并行求解每个贝叶斯深度网络模型的参数后验p(w|D)，对于其中任意一个贝叶斯深度网络模型来说，如果计算得到的p(w|D)不收敛，则回到步骤3继续更新w；若收敛，则继续下一步骤，从而得到比较好的一组w，其他的贝叶斯深度网络模型经过的步骤相同，最后，每个贝叶斯深度网络模型构建完毕；

步骤7：利用预测集通过每个贝叶斯深度网络模型得到预测输出，然后根据预测输出的准确度，计算每个贝叶斯深度网络模型的占所有网络的权重比；

步骤8：根据上述所有训练好的贝叶斯深度网络模型对预测集进行预测，并根据所述权重比加权得到最终预测值和预测值的误差条，至此，整个网络模型构建完毕。

进一步的，所述步骤1中预处理为标准差标准化，计算公式如下：