[发明专利]一种用于高热性能多孔材料结构的预测网络的构建方法

说明书

本发明公开了一种用于高热性能多孔材料结构的预测网络的构建方法包括：利用四参数随机生长法生成10000个不同多孔结构，并生成10000张灰度图；将所述灰度图作为数据集，对所述数据集进行预处理，并将所述灰度图作为输入向量y_i输入自动编码器进行迭代，获得最终隐向量z和训练后的解码器；计算所述10000个不同多孔结构的热导率；将所述多孔结构的结构参数及所述热导率作为输入向量放入一个全连接神经网络中以所述最终隐向量z为目标向量进行迭代，获得训练后的全连接神经网络；将所述训练后的解码器和所述训练后的全连接神经网络进行连接，形成新的预测神经网络。本发明在实际中有极高的精度，同时提高预测速度，节省时间和成本，提高相关逆向设计的效率。

技术领域

本发明涉及计算机辅助多孔材料设计技术领域，具体为一种用于高热性能多孔材料结构的预测网络的构建方法。

背景技术

结构-热性能相关性的定量描述一直是设计具有优良热性能的功能材料的一个具有挑战性的瓶颈。发现和设计具有优良热性能的材料在许多技术应用中具有至关重要的意义。例如，电子器件的规模已经迅速接近10纳米的范围，对材料的选择提出了前所未有的要求。光电子工业面临的挑战是，芯片上的散热高度不均匀，因为芯片的最大热流通常在功能区域，可能是周围区域的数倍，因此迫切需要高导热材料作为热扩散器，以消除局部热点。另一方面，低导热材料在应用方面也有很大的需求，如热电材料、热障涂层和建筑围护结构。

近十年来，利用传统密度泛函理论和玻尔兹曼输运方程建立声子性质的第一性原理模型已成为预测新材料热导率的普遍做法。但是热性能的第一性原理计算对于高通量材料筛选和多尺度结构设计过于昂贵。尤其是当准粒子“声子”模型崩溃时，它无法用于建模复杂晶体和无序固体。因此设计高热性能多孔材料结构，在节省时间和成本的同时保证预测的精确度成了亟需解决的重要问题。

发明内容

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：热性能的第一性原理计算对于高通量材料筛选和多尺度结构设计过于昂贵，尤其是当准粒子“声子”模型崩溃时，它无法用于建模复杂晶体和无序固体。因此预测高热性能多孔材料结构，在节省时间和成本的同时保证预测的精确度成了亟需解决的重要问题。

为解决上述技术问题，本发明提供如下技术方案：一种用于高热性能多孔材料结构的预测网络的构建方法，包括：

利用四参数随机生长法生成10000个不同多孔结构，并生成10000张灰度图；

将所述灰度图作为数据集，对所述数据集进行预处理，并将所述灰度图作为输入向量y_i输入自动编码器进行迭代，获得最终隐向量z和训练后的解码器；

计算所述10000个不同多孔结构的热导率；

将所述多孔结构的结构参数及所述热导率作为输入向量放入一个全连接神经网络中以所述最终隐向量z为目标向量进行迭代，获得训练后的全连接神经网络；

将所述训练后的解码器和所述训练后的全连接神经网络进行连接，形成新的预测神经网络。

作为本发明所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：所述热导率通过格子玻尔兹曼方法计算，表示为：

其中，L表示距离，T表示温差，dA表示介质截面面积，q表示通过介质截面面积dA的稳态热流密度。

作为本发明所述的用于高热性能多孔材料结构的预测网络的构建方法的一种优选方案，其中：

所述预处理包括归一化和标准化，表示为：