一种基于多目标优化的材料智能优化设计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114239404A(43)申请公布日2022.03.25(21)申请号202111553331.4(22)申请日2021.12.17(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人胡旺章语(74)专利代理机构电子科技大学专利中心51203代理人周刘英(51)Int.Cl.G06F30/27(2020.01)G06F111/06(2020.01)权利要求书2页说明书5页附图3页(54)发明名称一种基于多目标优化的材料智能优化设计方法(57)摘要本发明公开了一种基于多目标优化的材料智能优化设计方法，属于材料设计领域。本发明包括：收集包含材料成分和性能的数据样本；构建能映射材料成分到性能的预测模型，构建能映射材料成分和性能分布的评估模型，融合预测模型和评估模型得到多目标代理模型；求解该多目标代理模型的帕累托阈值前沿；在帕累托阈值前沿中根据两级最优决策方案和需求目标选择兴趣解集，再根据实验得到新样本，若新样本性能达到需求则停止，否则基于新样本进行迭代优化。本发明通过采用机器学习和多目标进化方法同步优化多个材料的性能指标，可以大大减少材料优化设计过程中的试错成本，提高材料优化设计过程的可靠性和可操作性。CN114239404ACN114239404A权利要求书1/2页1.一种基于多目标优化的材料智能优化设计方法，其特征在于，包括下列步骤：步骤1、收集包含材料成分和性能的数据样本；步骤2、采用机器学习法构建能映射材料成分到性能的预测模型；步骤3、采用机器学习法构建能映射材料成分和性能分布的分布模型；步骤4、将分布模型与预测模型的输出并入至少一个全连接层，得到多目标代理模型；步骤5、求解所述多目标代理模型的帕累托阈值前沿，并在帕累托阈值前沿中根据两级最优决策法选择与目标需求匹配的候选解集；步骤6、在候选解集上通过实验得到新的材料样本，若所述新的材料样本的指定性能达到设计的期望目标性能值则停止实验，否则以新的材料样本作为数据样本并输入匹配的信息到多目标代理模型，继续执行步骤5至6。2.如权利要求1所述的方法，其特征在于，步骤1中，根据文献资料或历史实验收集包含材料成分和性能的数据样本。3.如权利要求1所述的方法，其特征在于，所述多目标代理模型的输入为材料的多个成分或工艺参数，输出为材料的多个材料性能指标。4.如权利要求3所述的方法，其特征在于，所述帕累托阈值前沿是由一组互不占优的材料性能指标值所组成，并通过多目标优化方法，对多目标代理模型进行优化求解而得到。5.如权利要求4所述的方法，其特征在于，所述多目标优化方法为数据优化方法或多目标进化优化方法。6.如权利要求1所述的方法，其特征在于，所述多目标代理模型的构建包括：使用全连接网络拟合步骤1采集的数据样本，并按照指定比例将所述数据样本划分训练数据和测试数据；基于训练数据对多目标代理模型的网络参数进行学习训练时，采用损失函数和正则化项作为双目标优化问题中的两个目标；并采用多目标优化方法获取对应的预测模型训练误差的帕累托阈值前沿，随后采用两级最优决策法在预测模型训练误差的阈值前沿中选出指定数量的候选解集，并根据候选集在预测数据上的最终性能来确定预测模型的网络参数；根据不同的解集对应的多目标代理模型在测试数据上的性能，最终选择一组性能最好的网络参数，得到训练好的预测模型；配置能表征原始数据样本分布的对抗生成网络，并基于训练数据进行网络参数训练，当满足预置的训练结束条件时，将对抗生产网络中的对抗网络作为分布模型；再将该分布模型与训练好的预测模型的输出并入至少一个全连接层，得到多目标代理模型。7.如权利要求1所述的方法，其特征在于，步骤1中收集的数据样本与步骤5中的帕累托阈值前沿具有相同的物理指标。8.如权利要求1所述的方法，其特征在于，步骤5中，采用占优判别比较求解所述多目标代理模型的帕累托阈值前沿。9.如权利要求1所述的方法，其特征在于，步骤6中，得到新的材料样本的实验方法为正交实验方法或均匀设计方法。10.如权利要求1所述的方法，其特征在于，步骤1中，收集的数据样本通过真实实验获2CN114239404A权利要求书2/2页取，并对收集的数据样本的性能进行滤波去噪处理。3CN114239404A说明书1/5页一种基于多目标优化的材料智能优化设计方法技术领域[0001]本发明属于材料设计领域，具体涉及一种基于多目标优化的材料智能优化设计方法。背景技术[0002]新材料研发是一门以实践为主的学科，其理论的发展往往落后于实践。在化学、物理学等传统学科基础上发展起来的材料科学与工程，主要研究材料成分、结构、加工工艺及其性能和应用，这是一个涉及多学科交叉的非常复杂而又极其实用的