一种材料配方设计及性能预测方法

1.本发明涉及材料设计技术领域，具体涉及一种材料配方设计及性能预测方法。


背景技术：

2.对于橡胶材料的评价需要综合考虑多个性能指标，例如硬度、拉伸强度、韧性、耐磨性、耐老化等的平衡性。由于很多性能指标，例如拉伸强度和韧性是一对互斥性的指标，即提高拉伸强度会牺牲韧性。因此，在通过配方设计一个橡胶材料时，需要均衡的考虑各个性能指标，在使一个性能满足要求时，不能过于牺牲其他性能。传统的配方设计方法，主要以橡胶配方设计人员以从课本获得的和之前实践的先验知识为基础，通过试错法不断寻找满足目标性能的配方。此方法依赖经验传承的积累并且存在成本巨大，耗时严重，效果不佳且严重依赖于配方设计人员水平等一系列问题，通常仅能在短时间内优化面向低端市场的橡胶制品。由于材料的配方组分和性能之间存在复杂的非线性关系，试错法通常难以设计高质量、高水平的橡胶制品，也难以实现配方的最佳优化。
3.人工智能方法借助机器学习实现了对经验的快速总结，对目标的快速响应，在多个行业展现其优势。材料基因组是以材料的筛选及制备、表征技术等实验手段获得的数据为基础，通过高通量计算结合适配的机器学习及其优化算法的手段，建立的大规模材料性能数据库，试图通过学习大量材料底层的物理特性(“基因”)，例如电子结构、磁性和稳定性，解析材料的性质演变规律。目前华东理工大学的林嘉平教授已经建立了较为完整的材料基因组方法，并实现了高性能聚合物树脂的设计与制备。需要注意的是，高分子相对于金属和陶瓷材料最大的特点是高分子体系存在多尺度结构，在动态过程中存在不同时间尺度的弛豫时间。通过调控加工过程，高分子体系可以被锁定在特定的非平衡状态，展现出优异的性能。例如我们常见的一次性罐装水水瓶和衣服纤维可以是同一种材料(聚对苯二甲酸乙二醇酯)。
4.因此，对于以橡胶材料为代表的高分子材料而言，材料加工过程将会严重影响材料性能；即使对于同一配方，不同的加工过程会改变最终制品的性能。目前虽然我国高分子材料基因组已经取得了很大进展，但仍然不能预测在特定加工工艺过程中配方与性能的关系，快速获得满足目标性能的配方仍然是橡胶材料行业的重要技术难题。


技术实现要素：

5.本发明的目的是解决现有技术中基于试错法确定的橡胶材料配方依赖经验传承的积累并且存在成本巨大，耗时严重，效果不佳且严重依赖于配方设计人员水平等一系列问题，提供一种材料配方设计及性能预测方法。
6.本发明解决上述技术问题采取的技术方案如下。
7.本发明的材料配方设计及性能预测方法，包括以下步骤：
8.步骤一：构建数据训练集，训练数据包括材料的若干配方数据和每个配方数据对应的若干性能数据；
9.步骤二：针对某一性能指标确定符号回归的参数设定，包括最大迭代数、种群数、终止条件、交叉概率、变异概率和公式复杂度，初始化符号回归的种群，随机生成设定种群数量的个体；
10.步骤三：依次选择种群的个体，计算性能预测值，根据性能预测值和数据训练集中对应的性能数据的差异，计算个体适应度值，并根据个体适应值的大小对个体顺序进行重排；
11.步骤四：判断是否满足终止条件，终止条件为完成迭代次数或为最优个体；结果为是执行步骤八，结果为否执行步骤五；
12.步骤五：对各个体进行遗传操作，使用选择、交叉和变异手段；
13.步骤六：完成全部个体的遗传操作，生成新种群；
14.步骤七：返回步骤三；
15.步骤八：输出材料的配方和对应性能的最优数学关系式；
16.步骤九：判断是否完成所有性能的回归计算，结果为否返回步骤二，结果为是，记录材料的配方和对应各性能的最优数学关系式；
17.步骤十：根据材料的配方和对应各性能的最优数学关系式进行材料的性能预测或材料的配方设计。
18.进一步的，所述步骤九之前还包括，利用贝叶斯优化算法产出若干材料的配方，然后进行实验，获得每个配方数据的若干性能数据，并将若干配方数据和每个配方数据对应的若干性能数据加入步骤一的数据训练集，返回步骤二重新开始计算。
19.进一步的，所述步骤一中，若干配方数据和每个配方数据对应的性能数据经正交实验获取。
20.进一步的，所述步骤一中，每个配方数据对应的性能数据经实验测试获得。
21.进一步的，所述步骤二中，最大迭代数500，种群数3000，终止条件fitness《0.1，交叉概率0.9，变异概率0.1，公式复杂度10。
22.进一步的，所述步骤三中，使用平均相对误差来代表个体适应度值。
23.进一步的，所述步骤三中，适应度值yi′
为性能预测值，yi为数据训练集中对应的性能数据，y＝yi，n为数据训练集中的数据的数量。
24.进一步的，所述步骤五中，使用锦标赛选择法进行遗传操作。
25.进一步的，所述步骤九中，数学关系式被单独保存。
26.本发明的原理为：本发明的材料配方设计及性能预测方法以人工智能算法模仿人类经验进行配方设计，并定量预测配方结果，该方法以少量数据为学习样本，利用遗传算法逼近学习样本的最适配性能演变数学规律，实现利用少量数据(少于50次实验)即可完成对于材料多个性能的同时、准确和定量预测。还可以，以预测结果为依据，通过贝叶斯优化方法有选择的挑选下一步实验，然后结合新数据进一步训练符号回归模型，使之实现对材料性能在给定材料配方范围内的精准预测，加速材料设计。
27.与现有技术相比，本发明的有益效果为：
28.1.本发明的材料配方设计及性能预测方法，利用训练得到的材料的配方和对应性能的数学关系式，可得到给定材料配方组分的各性质数据结果，也可实现要求性质下的材
料的配方的反向设计，即面对给定的性能指标，通过遍历筛选搜寻得到满足所有条件的配方组分数据。
29.2.本发明的材料配方设计及性能预测方法，相比起传统经验试错法，具有预测成本低，预测周期短的优点。
30.3.本发明的材料配方设计及性能预测方法为非黑箱模型，具有直观的配方和性能间的数学表达式，方便不重复训练模型，独立使用预测模块。
31.4.本发明的材料配方设计及性能预测方法，需要更少的数据，通常少于50组实验数据即可实现对于目标性能的预测，准确率约90％。
32.5.本发明的材料配方设计及性能预测方法，在多参数、多目标维度的情况下，有更高的精确度。
附图说明
33.为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
34.图1为本发明的材料配方设计及性能预测方法的流程图。
具体实施方式
35.为了进一步理解本发明，下面对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
36.如图1所示，本发明的材料配方设计及性能预测方法，包括以下步骤：
37.步骤一：构建数据训练集，数据训练集内的训练数据包括材料的若干配方数据和每个配方数据对应的若干性能数据；
38.步骤二：针对某一性能指标确定符号回归的参数设定，包括最大迭代数、种群数、终止条件、交叉概率、变异概率和公式复杂度，初始化符号回归的种群，随机生成设定种群数量的个体(数学关系式)；
39.步骤三：依次选择种群的个体，计算性能预测值，根据性能预测值和数据训练集中对应的性能数据的差异，计算个体适应度值，并根据个体适应值的大小对个体顺序进行重排；
40.步骤四：判断是否满足终止条件，终止条件为完成迭代次数或为最优个体(满足其一即为满足终止条件)；结果为是执行步骤八，结果为否执行步骤五；
41.步骤五：对各个体进行遗传操作，使用选择、交叉和变异手段；
42.步骤六：完成全部个体的遗传操作，生成新种群；
43.步骤七：返回步骤三；
44.步骤八：输出材料的配方和对应性能的最优数学关系式；
45.步骤九：判断是否完成所有性能的回归计算，结果为否返回步骤二，结果为是，记录材料的配方和对应各性能的最优数学关系式；
46.步骤十：根据材料的配方和对应各性能的最优数学关系式进行材料的性能预测或
材料的配方设计，即当预测数据为配方组分时，借助获得的最优数学关系式，通过计算得到各性能结果；当预测数据为性能指标数据时，通过遍历法实现配方的反向设计，依次搜寻得到适合的配方组分，输出满足全部指标的交集数据，实现配方的反向预测。
47.上述技术方案，最优个体为无法通过迭代继续降低的适应度值时的材料的配方和对应性能的数学关系式。
48.通常数据训练集中的数据量越多结果也越准确，本领域技术人员可以根据需求选择是否补充实验，若补充：则利用贝叶斯优化算法产出若干材料的配方，然后进行实验，获得每个配方数据的若干性能数据，并将若干配方数据和每个配方数据对应的若干性能数据加入步骤一的数据训练集，返回步骤二重新开始计算。
49.上述技术方案，步骤一中，若干配方数据和每个配方数据对应的性能数据优选经正交实验获取。
50.上述技术方案，步骤一中，每个配方数据对应的性能数据经实验测试获得。
51.上述技术方案，步骤二中，通常最大迭代数500，种群数3000，终止条件fitness《0.1，交叉概率0.9，变异概率0.1，公式复杂度10。
52.上述技术方案，步骤三中，优选使用平均相对误差来代表个体适应度值。
53.上述技术方案，步骤三中，优选适应度值yi′
为性能预测值，yi为数据训练集中对应的性能数据，y＝yi，n为数据训练集中的数据的数量。
54.上述技术方案，步骤五中，优选使用锦标赛选择法进行遗传操作。
55.上述技术方案，步骤九中，优选数学关系式被单独保存。
56.在本发明中所使用的术语，一般具有本领域普通技术人员通常理解的含义，除非另有说明。为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合实施例对本发明作进一步的详细介绍。
57.在以下实施例中，未详细描述的各种过程和方法是本领域中公知的常规方法。下述实施例中所用的材料、试剂、装置、仪器、设备等，如无特殊说明，均可从商业途径获得。
58.以下结合实施例进一步说明本发明。
59.实施例1
60.设配方数据为a
10
，a
20
，a
30
，a
40
，a
50
，设对应性能参数为y1，y2，y3，y4，设待预测的性能参数y
10
，y
20
，y
30
，y
40
，设待预测配方组分a1，a2，a3，a4，a5。
61.步骤一、构建数据训练集，包括配方数据a
10
，a
20
，a
30
，a
40
，a
50
及性能指标y1，y2，y3，y4。
62.步骤二、使用默认模型参数，包括最大迭代数(500)，种群数(3000)，终止条件(fitness《0.1)，交叉概率(0.9)，变异概率(0.1)，公式复杂度(10)，分别选择性能指标y1，y2，y3，y4，建立初始化种群，随机生成数量为3000的个体。
63.步骤三：依次选择种群的个体，带入数据训练集计算预测值yi′
，并结合数据训练集中对应的性能指标yi，计算个体适应度值式中，y＝yi，n为数据训练集中的数据的数量，并根据个体适应值大小对个体顺序进行重排。
64.步骤四：判断是否满足终止条件，终止条件为完成迭代次数或为最优个体；结果为
是执行步骤八，结果为否执行步骤五；
65.步骤五：对各个体进行遗传操作，使用选择、交叉和变异手段；
66.步骤六：完成全部个体的遗传操作，生成新种群；
67.步骤七：返回步骤三；
68.步骤八：输出材料的配方和对应性能的最优数学关系式；
69.步骤九：判断是否完成所有性能的回归计算，结果为否返回步骤二，结果为是，记录材料的配方和对应各性能的最优数学关系式；
70.步骤十：对步骤九获得的最优数学关系式的准确性进行验证；
71.完成预测后，得到预测满足性能要求为：试底温升(y1)小于30摄氏度；300％定伸应力(y2)大于7mpa；老化前帘线抽出力(y3)大于170n；断伸变化率(y4)大于-25％；
72.得到预测配方(单位：份)为：a
10
＝30，a
20
＝3，a
30
＝1，a
40
＝9，a
50
＝2.7；
73.得到预测的性能为：试底温升(y1)26.9摄氏度；300％定伸应力(y2)7.7mpa；老化前帘线抽出力(y3)172.3n；断伸变化率(y4)-15.6％；
74.对预测配方的相应性能进行检测，检测方式为：试底温升：压缩生热试验机恒温室温度55℃，冲程5.71mm，预应力1.0mpa条件进行测试；300％定伸：z005型zwick拉力机光学引伸计对样品进行拉伸测试，测试样条为i型样条，标距25mm，拉伸速度500mm/min；老化前帘线抽出力：岛津拉力机，帘线埋入长度10mm，测试速度100mm/min；断伸变化率：z005型zwick拉力机光学引伸计对样品进行拉伸测试，测试样条为i型样条，标距25mm，拉伸速度500mm/min测试老化前后断裂伸长率，后进行计算(老化后断裂伸长率-老化前断裂伸长率)/老化前断裂伸长率*100；
75.得到的检测结果：试底温升(y1)28.2摄氏度；300％定伸应力(y2)7.8mpa；老化前帘线抽出力(y3)171.8n；断伸变化率(y4)-16.7％；
76.可以看出，与预测结果偏差很小，证明了本发明方法的有效性。
77.显然，上述实施方式仅仅是为清楚地说明所作的举例，而并非对实施例的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有实施例予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.材料配方设计及性能预测方法，其特征在于，步骤如下：步骤一：构建数据训练集，训练数据包括材料的若干配方数据和每个配方数据对应的若干性能数据；步骤二：针对某一性能指标确定符号回归的参数设定，包括最大迭代数、种群数、终止条件、交叉概率、变异概率和公式复杂度，初始化符号回归的种群，随机生成设定种群数量的个体；步骤三：依次选择种群的个体，计算性能预测值，根据性能预测值和数据训练集中对应的性能数据的差异，计算个体适应度值，并根据个体适应值的大小对个体顺序进行重排；步骤四：判断是否满足终止条件，终止条件为完成迭代次数或为最优个体；结果为是执行步骤八，结果为否执行步骤五；步骤五：对各个体进行遗传操作，使用选择、交叉和变异手段；步骤六：完成全部个体的遗传操作，生成新种群；步骤七：返回步骤三；步骤八：输出材料的配方和对应性能的最优数学关系式；步骤九：判断是否完成所有性能的回归计算，结果为否返回步骤二，结果为是，记录材料的配方和对应各性能的最优数学关系式；步骤十：根据材料的配方和对应各性能的最优数学关系式进行材料的性能预测或材料的配方设计。2.根据权利要求1所述的材料配方设计及性能预测方法，其特征在于，所述步骤九之前还包括，利用贝叶斯优化算法产出若干材料的配方，然后进行实验，获得每个配方数据的若干性能数据，并将若干配方数据和每个配方数据对应的若干性能数据加入步骤一的数据训练集，返回步骤二重新开始计算。3.根据权利要求1或2所述的材料配方设计及性能预测方法，其特征在于，所述步骤一中，若干配方数据和每个配方数据对应的性能数据经正交实验获取。4.根据权利要求1或2所述的材料配方设计及性能预测方法，其特征在于，所述步骤一中，每个配方数据对应的性能数据经实验测试获得。5.根据权利要求1或2所述的材料配方设计及性能预测方法，其特征在于，所述步骤二中，最大迭代数500，种群数3000，终止条件fitness<0.1，交叉概率0.9，变异概率0.1，公式复杂度10。6.根据权利要求1或2所述的材料配方设计及性能预测方法，其特征在于，所述步骤三中，使用平均相对误差来代表个体适应度值。7.根据权利要求1或2所述的材料配方设计及性能预测方法，其特征在于，所述步骤三中，适应度值y
i
′
为性能预测值，y
i
为数据训练集中对应的性能数据，y＝y
i
，n为数据训练集中的数据的数量。8.根据权利要求1或2所述的材料配方设计及性能预测方法，其特征在于，所述步骤五中，使用锦标赛选择法进行遗传操作。9.根据权利要求1或2所述的材料配方设计及性能预测方法，其特征在于，所述步骤九中，数学关系式被单独保存。

技术总结
本发明涉及一种材料配方设计及性能预测方法，属于材料设计技术领域。本发明的方法，包括以下步骤：首先构建包含若干配方数据和每个配方对应的若干性能数据的训练集；利用符号回归进行训练，依次获得材料配方与各性能间的数学关系式；利用遗传算法修改数学关系式，经过迭代得到不能再有效的降低其适应度值的数学关系式；利用贝叶斯优化方法挑选下一步实验，并将实验数据注入训练集，再次执行训练，得到适应度函数值更低的数学模型；重复上述步骤，得到最优数学关系式。依据数学关系式根据材料配方直接预测其性能，也可以根据需要的性能反向设计材料的配方。该方法降低了材料配方设计的成本，缩短了材料的研发周期，加快了材料研发的过程。发的过程。发的过程。


技术研发人员：王大鹏 刘立军 邓伟 郑雅芳
受保护的技术使用者：中国科学院长春应用化学研究所
技术研发日：2023.03.28
技术公布日：2023/7/17