[发明专利]一种铁基合金吉布斯自由能预测方法和系统

说明书

本发明涉及一种铁基合金吉布斯自由能预测方法和系统。所述铁基合金吉布斯自由能预测方法，通过采用预处理后的铁基合金材料的热力学实验数据对基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi‑LSTM的融合模型(即初始吉布斯自由能预测模型)进行训练后，得到训练后的吉布斯自由能预测模型，然后再采用该训练好的基于因子分解机、按位自注意力机制和双向长短记忆神经网络网络Bi‑LSTM的融合模型对待预测铁基合金材料数据的吉布斯自由能进行快速、准确和全面的预测，进而在提高铁基合金材料吉布斯自由能的预测效率的同时，降低预测吉布斯自由能的资源消耗。

技术领域

本发明涉及合金材料检测领域，特别是涉及一种铁基合金吉布斯自由能预测方法和系统。

背景技术

在热力学性质中，吉布斯自由能对于理解铁基合金材料的成相至关重要。在所有工作温度下吉布斯自由能变化的负值符号证实了成相过程的可行性，其值的大小也代表了该反应要达到平衡状态能对外做的有效功(轴功)极限。同时，吉布斯自由能也是热力学领域计算的中心量，根据温度和合金成分对吉布斯自由能进行精确描述，是可靠描述铁基合金材料及其性能的关键。但是，缺乏足够的热力学数据，已被认为是合金开发领域的一大挑战。对于铁基合金材料，通过传统实验测量方法获取热力学数据是非常困难的，因为实验费用是昂贵的，同时由于铁基合金材料中可能含有放射性物质或稀有成分，使用传统实验方法测量热力学数据是很难实现的。

目前合金的吉布斯自由能主要利用理论/经验方法估算获得。王振等采用作用浓度模型计算硅铁活度，同时依据已有的活度数据拟合得到硅铁金属间化合物的生成吉布斯自由能。肖赛君等采用稀溶液模型建立了微分溶解焓与标准溶解吉布斯自由能的互算方法，并分别利用铁液和镍液对这两种性质的互算方法进行验证。还有文献应用弗洛里模型计算了二元合金(锂-铅，钾-汞和镁-锡)混合时的自由能。Odusote Y A等采用准化学近似模型(QCAM)研究了六种金基二元合金在不同工作温度下的混合自由能和金的活度。以上几种方法既耗时又复杂，另外进行估算的原始数据也需要通过实验测试获得。

随着机器学习的不断发展，逐渐有人使用机器学习的方法进行吉布斯自由能的预测。利用人工神经网络在较宽的温度范围(0～6000K)内预测了一元材料体系不同相的热容、熵、焓和吉布斯自由能。Desgranges C等使用神经网络预测了配分函数，并因此预测了在宽广的温度和压力范围内原子和分子流体的吉布斯自由能、亥姆霍兹自由能和熵。SunX等使用支持向量算法与密度泛函理论(DFT)计算相结合的方法，从各种裸原子和单原子掺杂的硼化物MBenes材料中准确地预测氢吸附的吉布斯自由能的值。Gabriela B F等利用8种不同的回归模型，根据涉及蛋白质和活性配体复合物的晶体结构预测两种复合物相结合的吉布斯自由能。但是，上述采用的机器学习相关方法只考虑了数据中的低阶和浅层特征，同时存在大量人工干预且特征提取复杂的问题。

将浅层学习和深度学习相结合进行预测的方法越来越多。Cheng H T等通过联合训练一个线性模型组件和一个深度神经网络组件，设计了一种融合浅层模型和深层模型进行联合训练的框架，得到WideDeep模型。吕海灿等在已有的长短期记忆网络(LSTM)模型和WideDeep模型的基础上，建立了基于WideDeep-LSTM的深度学习的短期负荷预测模型，并在此基础上进行了一日内变压器台区负荷数据的预测。Guo Hui-feng等提出了DeepFM模型，通过结合用于推荐的因子分解机和用于特征学习的深度学习神经网络模型，有效避免了WideDeep模型中复杂的特征提取工作。罗朗等将DeepFM模型应用到科技资源推荐中，用来预测用户对某个科技资源的点击概率。Yu Yong-zhao等利用历史捕鱼数据，采用DeepFM模型预测捕鱼结果，得到了较好的预测效果。分析发现，以上使用WideDeep模型及其变体的技术，在综合考虑低阶和高阶特征的基础上进行预测工作时，数据处理需要面对复杂的特征提取工作。综合考虑了低阶和高阶特征的技术，虽然能够避免WideDeep模型带来的复杂的特征提取工作，但是DeepFM模型只是利用传统的DNN进行高阶特征的提取，考虑的特征并不全面。