[发明专利]一种特定物理性能的玻璃材料的制备方法

说明书

本发明公开一种特定物理性能的玻璃材料的制备方法。所述方法包括如下步骤：构成玻璃成分‑物理性能数据库；构建成分智能设计模型；将玻璃成分‑物理性能数据库划分为训练数据集和测试数据集，分别用于训练和测试成分智能设计模型，得到训练好的成分智能设计模型；输入所需的目标性能，通过成分智能设计模型逆向计算筛选出满足目标性能的玻璃配方；按照筛选得到的玻璃配方，制备具有特定物理性能的玻璃。本发明是一种高效、低成本的玻璃材料制备手段，极大地加快了高性能玻璃材料研发的速度。

技术领域

本发明属于玻璃材料研究领域，具体涉及一种特定物理性能的玻璃材料的制备方法。

背景技术

在整个人类历史中，玻璃是所有材料中最重要和最具影响力的材料之一，而且玻璃的重要性与日俱增。玻璃的一个明显特征是其非晶态结构，不需要满足与晶体化学相同的化学计量要求。因此，元素周期表中每一种元素都可以加入到玻璃中，从而存在无限数量的潜在玻璃材料，这使得特定性能玻璃材料的研发面临很多困难。玻璃材料未来的应用需要精准高效设计其组成及其性能，以满足不同应用领域下的功能需求。然而，目前玻璃材料的研发主要靠实验试错法，其存在研发周期长、效率低、和成本高等问题。

2011年，美国提出“材料基因组计划(MGI)”。材料基因组的概念类似于生物基因组，但应用于材料科学和工程领域，目标是基于其基础化学组成对材料特性进行定量准确的预测。在材料基因方法研究理念下，玻璃基因组的研究也受到关注。结合玻璃材料的物理模型和经验模型来理解玻璃性能的起源，解码“玻璃基因”，可以加快玻璃材料研发的步伐，设计出具有优异性能的玻璃，以应对当今以及未来世界面临的许多重大挑战。

当代人工智能方法的出现有可能改变和增强计算机在科学和工程中的作用。大数据和人工智能的结合被称为“科学的第四范式”和“第四次工业革命”。最近，人们越来越关注人工智能解决材料科学中的问题，运用人工智能通过足够数据的学习，可以准确预测材料性能。本发明创新性地提出了结合神经网络算法去解析并掌握玻璃材料高度复杂和非线性的组成-性质关系，通过成分智能设计模型逆向计算能准确筛选出满足目标性能的玻璃材料成分，并根据筛选出的玻璃成分制备特定性能的玻璃。极大地加快了玻璃材料制备的速度。而且，本发明还创新性地将玻璃的元素属性(电负性、离子半径)作为输入变量引入成分智能设计模型中，将材料理论与统计算法结合，一方面极大地增强了成分智能设计模型的泛化能力。另一方面，通过成分智能设计模型能更加清晰理解组成玻璃的元素属性与玻璃性能的关系，加快玻璃理论研究以及破解“玻璃基因”的步伐。

发明内容

针对传统实验试错法研发周期长、成本高、效率低等问题，本发明提供一种特定物理性能的玻璃材料的制备方法。结合神经网络算法构建成分智能设计模型去训练足量的玻璃数据，解析并掌握玻璃材料高度复杂和非线性的组成-性质关系，通过训练好的模型逆向计算筛选出满足目标性能的玻璃材料成分，并按照筛选出的玻璃材料成分制备玻璃。这种新的研发方式使玻璃材料的研发速度极大提高。

本发明的目的至少通过以下技术方案之一实现。

一种特定物理性能的玻璃材料的制备方法，包括如下步骤：

S1、获取同一个玻璃体系的玻璃材料配方数据及相应性能数据，构成玻璃成分-物理性能数据库；

S2、以玻璃网络修饰体和网络中间体氧化物的阳离子元素性质(电负性、离子半径)与含量乘积作为输入层变量，玻璃性能作为输出变量，结合神经网络算法构建成分智能设计模型；

S3、将玻璃成分-物理性能数据库划分为训练数据集和测试数据集，分别用于训练和测试成分智能设计模型，得到训练好的成分智能设计模型；

S4、输入所需的目标性能，通过成分智能设计模型逆向计算筛选出满足目标性能的玻璃配方；

S5、按照筛选得到的玻璃配方，制备具有特定物理性能的玻璃。