国产伦精品一区二区三区网站_91久久久精品免费观看国产_国产茄子在线观看视频_国产单亲乱视频_偷国产乱人伦偷精品视

Materialsdata validation and imputation with an artificial neural

network

P.C. Verpoort , P.MacDonald, G.J. Conduit

ComputationalMaterials Science. 2018, 147

DOI:10.1016/j.commatsci.2018.02.002

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)來模擬和驗證材料性能。在訓(xùn)練和預(yù)測中神經(jīng)網(wǎng)絡(luò)算法具有獨特的處理不完整數(shù)據(jù)集的能力，因此可將性能作為輸入，研究成分-性能和性能-性能關(guān)系來提高預(yù)測的質(zhì)量，也可以作為單一實體的圖形數(shù)據(jù)處理。使用多種驗證方案對該框架進(jìn)行測試，然后將其應(yīng)用于合金和聚合物的材料實例研究。通過與數(shù)據(jù)源對比確認(rèn)，該算法在商業(yè)材料數(shù)據(jù)庫中發(fā)現(xiàn)了二十個錯誤。 

材料數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)，合金，聚合物

我們開發(fā)了一種人工智能算法，并將其擴展到處理不完整數(shù)據(jù)，功能數(shù)據(jù)，并量化數(shù)據(jù)的準(zhǔn)確性。我們驗證了數(shù)據(jù)模型的性能，以確認(rèn)該框架在錯誤預(yù)測、不完整數(shù)據(jù)和繪圖能力的測試中提供預(yù)期結(jié)果的能力。最終我們將該框架應(yīng)用到現(xiàn)實中的MaterialUniverse和ProspectorPlastics數(shù)據(jù)庫，展示了該方法帶來的顯著效果。

值得一提的是，我們能夠提出和驗證錯誤的輸入數(shù)據(jù)；給出未知因素預(yù)測的外推改進(jìn)，這些未知因素是因為材料成分和制造中的數(shù)據(jù)缺失產(chǎn)生的；并通過識別不同應(yīng)用中的非顯形描述符來幫助表征材料的性能。因此，我們能夠展示人工智能算法如何為工業(yè)應(yīng)用中的研究、設(shè)計和選擇材料方面做出重大貢獻(xiàn)。

圖1 人工神經(jīng)網(wǎng)絡(luò)（ANN）用于插值材料性能數(shù)據(jù)集。圖片展示了如何從所有輸入的xi計算得到輸出的y1（上）和y2（下）。對于所有其他yj，可以繪制1~2個類似的圖來計算所有的預(yù)測性質(zhì)。給定性能（紅色）的線性組合（左邊的灰色線）是由隱藏節(jié)點（藍(lán)色）確定的，應(yīng)用非線性tanh操作，線性組合（右邊的灰色線）作為預(yù)測性能返回（綠色）。

圖2：如果我們需要使用存在一些性能數(shù)據(jù)丟失的數(shù)據(jù)點x來評估ANN，采用如下圖的過程進(jìn)行描述。

圖3 toy模型的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練（a）余弦函數(shù)，（b）具有不均勻分布數(shù)據(jù)的對數(shù)函數(shù)，（c）高斯噪聲下的二次函數(shù)，（d）二次函數(shù)，測試具有不同數(shù)目的隱藏節(jié)點的性能，并計算和繪制RMS（Eq.5）、降低RMS（Eq.6）和交叉驗證RMS。

圖4：藍(lán)虛線：生成數(shù)據(jù)的二次曲線。 紅色/綠色點：由藍(lán)色噪聲產(chǎn)生的數(shù)據(jù)點，高斯噪聲有/沒有被識別為錯誤。黑線：具有不確定性的模型的修正。生成的數(shù)據(jù)的高斯噪聲與toy模型函數(shù)的值成比例。觀察到在曲線的右端有少量點被識別為錯誤，因為人工神經(jīng)網(wǎng)絡(luò)的確定性在該區(qū)域較低。

圖5 不同x值的訓(xùn)練數(shù)據(jù)、真實函數(shù)和神經(jīng)網(wǎng)絡(luò)預(yù)測函數(shù)

圖6：玻璃纖維填料（藍(lán)色）和礦物填料（紅色）的聚合物拉伸模量vs密度圖。，輸入信息不僅包括填料類型，還包括填料量（重量%）。