《基于机器学习快速预测三元金合金电阻率的方法.pdf》由会员分享，可在线阅读，更多相关《基于机器学习快速预测三元金合金电阻率的方法.pdf（11页珍藏版）》请在专利查询网上搜索。
1、(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 (43)申请公布日 (21)申请号 202010845652.0 (22)申请日 2020.08.20 (71)申请人 上海大学 地址 200444 上海市宝山区上大路99号 (72)发明人 王向东陆文聪 (74)专利代理机构 上海上大专利事务所(普通 合伙) 31205 代理人 何文欣 (51)Int.Cl. G06K 9/62(2006.01) G16C 20/30(2019.01) G16C 20/70(2019.01) G01N 27/04(2006.01) (54)发明名称 一种基于机器学习快速预测三元金。
2、合金电 阻率的方法 (57)摘要 本发明公开了一种基于机器学习快速预测 三元金合金电阻率的方法， 操作步骤如下： 从数 据库中收集三元金合金的化学式和对应在常温 下的电阻率数值作为数据集样本； 将三元金合金 化学式转换为新的化学式， 根据新化学式生成对 应的描述符； 将数据集随机分为训练集和测试 集； 用皮尔逊相关系数、 遗传算法结合支持向量 机算法和方程对自变量数据进行筛选和转换； 利 用支持向量机回归算法和筛选转换好的自变量， 建立三元金合金电阻率的快速预报模型； 根据建 立好的模型预报测试集样本的电阻率。 本发明方 法通过来源于数据库中的样本数据， 建立了高效 快捷的预报模型， 具有快速。
3、方便、 低成本、 绿色环 保的优点， 同时避免实验 “试错法” 的盲目性。 权利要求书1页 说明书7页 附图2页 CN 112132182 A 2020.12.25 CN 112132182 A 1.一种基于机器学习快速预测三元金合金电阻率的方法， 其特征在于， 包括如下步骤： 1)利用计算机系统， 从数据库中收集三元金合金的化学式和对应在常温下的电阻率数 值作为数据集样本； 2)利用已收集到的数据， 对三元金合金化学式ABC各元素进行处理使金都在A位且比例 都化为1， 同时得到 “B” 、“C” 的比例系数， 然后对 “B” 、“C” 位元素进行排序， 先按电负性从小 到大进行排序， 然后再。
4、按化合价由低到高进行排序， 得到三元金合金化学式， 根据三元金合 金化学式生成对应的原子参数和比例系数作为描述符， 并在描述符生成过程中， 对缺损数 值的样本进行删除处理； 3)利用欧式距离判定方法， 将数据集样本划分为训练集和测试集； 4)以所述步骤1)中三元金合金的电阻率为目标变量， 以所述步骤2)中生成的原子参数 和比例系数为自变量； 使用皮尔逊相关系数0.95去甄别具有高线性相关性的自变量， 然后 用遗传算法结合支持向量机算法， 对训练集进行自变量筛选， 然后采用方程对自变量数据 进行转换， 得到建模最优的自变量子集； 5)利用支持向量机回归算法和步骤4)中筛选出的自变量， 建立三元金。
5、合金电阻率的快 速预报模型； 6)根据在所述步骤5)中建立的三元金合金电阻率的预报模型， 预报测试集中样本的电 阻率， 并以模型得到的均方根误差和相关系数作为评价指标。 2.根据权利要求1所述基于机器学习快速预测三元金合金电阻率的方法， 其特征在于， 在所述步骤3)中， 利用欧式距离判定方法将数据集样本按9:1的比例随机划分为训练集和 测试集。 权利要求书 1/1 页 2 CN 112132182 A 2 一种基于机器学习快速预测三元金合金电阻率的方法 技术领域 0001 本发明涉及三元金合金的电学性能领域， 是一种基于机器学习快速预测三元金合 金电阻率的方法。 背景技术 0002 金合金具有。
6、优良的化学和电学性能， 接触电阻低、 导电性和导热性良好， 低噪音电 平以及良好的抗有机气氛污染能力。 因此金合金在电接触材料方面具有很好的应用前景， 尤其在轻负荷、 小接触压力条件下使用更能显示其优良的特性。 在弱电流、 小功率接触材料 中大多采用金合金。 0003 电阻率是表示材料电阻特性的物理量， 由构成导体材料的性质决定。 在相同几何 条件下， 材料的电阻率越低导电性能越好。 在电接触材料领域中， 电阻率是其重要特性之 一。 因此研究电阻率具有非常重要的意义。 0004 遗传算法是自变量筛选的一种较经典方法， 原理简单但非常有效。 遗传算法是仿 照生物进化和遗传的规律， 利用选择、 交。
7、叉、 变异等操作， 使优胜者繁殖， 劣败者消失， 一代 一代地重复同样的操作， 最终找出最优解。 0005 支持向量机(support vector machine， 简称SVM)是数学家Vladimir N.Vapnik等 建立在统计学习理论(statistical learning theory， 简称SLT)基础上的机器学习新方 法， 包括支持向量分类(support vector classification， 简称SVC)算法和支持向量回归 (support vector regression， 简称SVR)算法。 SVM是一种解决非线性分类和回归问题的有 效方法， 也是一种监督学习。
8、算法。 它考虑了经验风险与预期风险之间的平衡， 使计算模型具 有良好的预测和推广性能， 已经广泛应用于各个领域。 本工作应用支持向量回归方法进行 建模。 发明内容 0006 本发明的目的在于克服实验 “试错法” 的盲目性， 提供一种基于机器学习快速预测 三元金合金电阻率的方法。 通过遗传算法结合支持向量机算法， 预报三元金合金电阻率， 仅 需数秒就可以得到计算结果， 操作简单快捷。 0007 本发明的目的通过以下技术方案来实现： 0008 一种基于机器学习快速预测三元金合金电阻率的方法， 包括如下步骤： 0009 1)利用计算机系统， 从数据库中收集三元金合金的化学式和对应在常温下的电阻 率数。
9、值作为数据集样本； 0010 2)利用已收集到的数据， 对三元金合金化学式ABC各元素进行处理使金都在A位且 比例都化为1， 同时得到 “B” 、“C” 的比例系数， 然后对 “B” 、“C” 位元素进行排序， 先按电负性 从小到大进行排序， 然后再按化合价由低到高进行排序， 得到三元金合金化学式， 根据三元 金合金化学式生成对应的原子参数和比例系数作为描述符， 并在描述符生成过程中， 对缺 损数值的样本进行删除处理； 说明书 1/7 页 3 CN 112132182 A 3 0011 3)利用欧式距离判定方法， 将数据集样本划分为训练集和测试集； 0012 4)以所述步骤1)中三元金合金的电。
10、阻率为目标变量， 以所述步骤2)中生成的原子 参数和比例系数为自变量； 使用皮尔逊相关系数0.95去甄别具有高线性相关性的自变量， 然后用遗传算法结合支持向量机算法， 对训练集进行自变量筛选， 然后采用方程对自变量 数据进行转换， 得到建模最优的自变量子集； 0013 5)利用支持向量机回归算法和步骤4)中筛选出的自变量， 建立三元金合金电阻率 的快速预报模型； 0014 6)根据在所述步骤5)中建立的三元金合金电阻率的预报模型， 预报测试集中样本 的电阻率， 并以模型得到的均方根误差和相关系数作为评价指标。 0015 基于机器学习快速预测三元金合金电阻率的方法， 其特征在于， 在所述步骤3)。
11、中， 利用欧式距离判定方法将数据集样本按9:1的比例随机划分为训练集和测试集。 0016 本发明与现有技术相比较， 具有如下显而易见的实质性特点和显著优点： 0017 1.本发明方法克服传统 “试错法” 的不足， 节约资源和时间， 基于机器学习建立三 元金合金电阻率的快速预报模型； 将数据导入模型， 仅需数秒就可以得到计算结果， 方便快 捷； 0018 2.本发明方法在整个过程中不涉及实验和不使用化学用品， 不产生化学污染， 符 合绿色环保理念； 且操作简单， 成本低， 易于实现， 适合推广应用； 0019 3.本发明方法通过模型预报可以提前预测三元金合金电阻率， 挑选符合要求的样 本进行实验。
12、验证， 可以节约实验时间和资源， 提高实验的效率， 起指导作用， 避免盲目性。 0020 附图说明 0021 图1为本发明三元金合金电阻率的支持向量机回归模型建模结果图。 0022 图2为本发明三元金合金电阻率的支持向量机回归模型留一法交叉验证结果图。 0023 图3为本发明三元金合金电阻率的支持向量机回归模型独立测试集结果图。 具体实施方式 0024 下面结合附图和具体实施例对本发明进行详细说明。 0025 实施例一： 0026 一种基于机器学习快速预测三元金合金电阻率的方法， 包括如下步骤： 0027 1)利用计算机系统， 从数据库中收集三元金合金的化学式和对应在常温下的电阻 率数值作为数。
13、据集样本； 0028 2)利用已收集到的数据， 对三元金合金化学式ABC各元素进行处理使金都在A位且 比例都化为1， 同时得到 “B” 、“C” 的比例系数， 然后对 “B” 、“C” 位元素进行排序， 先按电负性 从小到大进行排序， 然后再按化合价由低到高进行排序， 得到三元金合金化学式， 根据三元 金合金化学式生成对应的原子参数和比例系数作为描述符， 并在描述符生成过程中， 对缺 损数值的样本进行删除处理； 0029 3)利用欧式距离判定方法， 将数据集样本划分为训练集和测试集； 0030 4)以所述步骤1)中三元金合金的电阻率为目标变量， 以所述步骤2)中生成的原子 说明书 2/7 页 。
14、4 CN 112132182 A 4 参数和比例系数为自变量； 使用皮尔逊相关系数0.95去甄别具有高线性相关性的自变量， 然后用遗传算法结合支持向量机算法， 对训练集进行自变量筛选， 然后采用方程对自变量 数据进行转换， 得到建模最优的自变量子集； 0031 5)利用支持向量机回归算法和步骤4)中筛选出的自变量， 建立三元金合金电阻率 的快速预报模型； 0032 6)根据在所述步骤5)中建立的三元金合金电阻率的预报模型， 预报测试集中样本 的电阻率， 并以模型得到的均方根误差和相关系数作为评价指标。 0033 本实施例方法克服传统 “试错法” 的不足， 节约资源和时间， 基于机器学习建立三 。
15、元金合金电阻率的快速预报模型； 将数据导入模型， 仅需数秒就可以得到计算结果， 方便快 捷。 本实施例方法通过模型预报可以提前预测三元金合金电阻率， 挑选符合要求的样本进 行实验验证， 可以节约实验时间和资源， 提高实验的效率， 起指导作用， 避免盲目性。 0034 实施例二： 0035 本步骤与上述实施例基本相同， 特别之处在于： 0036 在本实施例中， 一种基于机器学习快速预测三元金合金电阻率的方法， 包括如下 步骤： 0037 1)从数据库中收集三元金合金的化学式和对应在常温条件下的电阻率数值， 作为 数据集样本； 其中电阻率范围为2.0810-7m110-4m,因此对其进行负对数处 。
16、理， 得到电阻率的范围为46.8。 部分三元金合金的电阻率数值如表1所示： 0038 表1.部分三元金合金化学式及电阻率数值的数据样本集 0039 化学式 负对数处理后电阻率的值 电阻率的值(m) AgAuTe44.92 1.210-5 BaAu0.5Pt0.54.82 1.510-5 BaAuAs 3.28 5.210-4 CaAu4.09Bi0.915.62 2.3810-6 CaAu0.5Pt0.54.41 3.9310-5 CaAuBi 5.42 3.7910-6 CaAuIn26.60 2.510-7 Au2CdGd24.68 2.110-5 Au2CeGe26.30 510-7 A。
17、u2CeIn 6.31 4.9410-7 AuCeAs25.19 6.4810-6 AuCeGe 4.72 1.910-5 AuCeIn 5.85 1.410-6 Au2Ce2In 5.72 1.910-6 Au3Eu2In46.12 7.510-7 AuEuGe 5.32 4.7810-6 0040 2)利用已收集到的数据， 对三元金合金化学式(ABC)各元素进行处理使金都在A位 且比例都化为1， 同时得到 “B” , “C” 的比例系数， 之后对 “B” , “C” 位元素进行排序， 先按 (Pauling)电负性从小到大进行排序， 然后再按化合价由低到高进行排序， 最后得到新的三 说明书。
18、 3/7 页 5 CN 112132182 A 5 元金合金化学式， 部分新的化学式如表2所示。 根据新的化学式生成对应的原子参数和比例 系数作为描述符， 并在描述符生成过程中， 对缺损数值的样本进行删除处理， 最终得到的样 本数为51个， 收集到的描述符为64个。 其中描述符如表3所示： 0041 表2.部分化学式列表 0042 三元金合金化学式 新的三元金合金化学式 Au2LuIn AuLu0.5In0.5 Au2Eu2Sn5 AuEuSn2.5 AuGdSn AuGdSn Au2La0.5Ce0.5 AuLa0.25Ce0.25 Au2LaIn AuLa0.5In0.5 AuLaAl A。
19、uLaAl Au2Ce2In AuCeIn0.5 Au2YbIn AuYb0.5In0.5 Au2PrIn AuPr0.5In0.5 0043 表3.描述符列表 0044 描述符 描述符简写 ratio_B RB ratio_C RC B-site and C-site atomic weight AWB,AWC B-site and C-site mass attenuation coefficient for MoKalpha MAB,MAC B-site and C-site atomic electron scattering factor at0.5 AEB,AEC B-site a。
20、nd C-site electronegativity(Martynov&Batsanov) ENB,ENC B-site and C-site energy ionization first EIFB,EIFC B-site and C-site energy ionization second EISB,EISC B-site and C-site energy ionization third EITB,EITC B-site and C-site wor kfunction WFB,WFC B-site and C-site nuclear charge effective Slate。
21、r NCB,NCC B-site and C-site charge nuclear effective(Clementi) CNB,CNC B-site and C-site valence electron number VENB,VENC B-site and C-site temperature melting TMB,TMC B-site and C-site temperature boiling TBB,TBC B-site and C-site enthalpy vaporization EVB,EVC B-site and C-site enthalpy melting EM。
22、B,EMC B-site and C-site enthalpy atomization EAB,EAC B-site and C-site energy cohesive Brewer ECB,ECC B-site and C-site modulus compression MCB,MCC B-site and C-site Mendeleev Number MNB,MNC B-site and C-site Mendeleev Pettifor MPB,MPC B-site and C-site Mendeleev Pettifor regular MPRB,MPRC B-site an。
23、d C-site Mendeleev chemists sequence MCSB,MCSC B-site and C-site Mendeleev t-d start left MSB,MSC 说明书 4/7 页 6 CN 112132182 A 6 B-site and C-site Mendeleev H,Li,Na,Be,Mg as block t-d start left MBSB,MBSC B-site and C-site Mendeleev H,Be,Mg t-d start left MSLB,MSLC B-site and C-site Mendeleev H,Li,Na,。
24、Be,Mg t-d start left MTB,MTC B-site and C-site radii pseudo-potential(Zunger) RPB,RPC B-site and C-site distance valence electron(Schubert) DVB,DVC B-site and C-site distance core electron(Schubert) DCB,DVC B-site and C-site volume atom(Villars,Dams) VAB,VAC B-site and C-site atomic environment numb。
25、er(Villars,Dams) AENB,AENC 0045 3)利用欧式距离判定方法将51个数据集样本按9:1的比例随机划分为训练集和测 试集， 训练集与测试集样本量分别为46和5。 0046 4)以在所述步骤1)中收集到的电阻率为目标变量和在所述步骤2)中的生成的原 子参数和比例系数为自变量； 我们首先使用皮尔逊相关系数(0.95)去甄别具有高线性相 关性的自变量， 然后用遗传算法结合支持向量算法， 对训练集进行自变量筛选， 选出9个自 变量， 遗传算法筛选后的部分自变量数据如表4所示。 最后采用方程对自变量数据进行转 换， 得到 6个自变量， 作为建模的最优自变量子集， 转换方程如表5。
26、所示。 转换后部分数据如 表6所示。 在本步骤中， 删除噪声大且重复性较高的变量， 选出建模的最优变量子集， 减少了 数据噪音， 提高了建模精度。 0047 表4.遗传算法筛选后的部分自变量数据集 0048 ratio_B ratio_C EISBEABECBENCEIFCTMCVAC 2 1 965 180 1.9 1.91 868.4 2045 1.511 0.244 0.222 1145 178.2 1.84 2.14 703.3 544 3.538 1 1 1145 178.2 1.84 2.14 703.3 544 3.538 0.5 0.5 1047 423 4.32 1.63 5。
27、58.3 430 2.617 1 1 1047 423 4.32 1.99 762.1 1211 2.264 1 1 1047 423 4.32 1.63 558.3 430 2.617 1 0.5 1047 423 4.32 1.63 558.3 430 2.617 0049 表5.数据转换方程 0050 0051 表6.方程转换降维后的部分自变量数据集 说明书 5/7 页 7 CN 112132182 A 7 0052 0053 0054 5)利用支持向量机算法和在所述步骤4)中筛选好的自变量， 建立三元金合金电阻 率的快速预报模型。 0055 6)根据在所述步骤5)中建立的三元金合金电阻。
28、率的预报模型， 预报在所述步骤3) 中得到的测试集样本的电阻率。 0056 本实施例方法通过模型预报可以提前预测三元金合金电阻率， 挑选符合要求的样 本进行实验验证， 可以节约实验时间和资源， 提高实验的效率， 起指导作用， 避免盲目性。 本 实施例方法克服传统 “试错法” 的不足， 节约资源和时间， 基于机器学习建立三元金合金电 阻率的快速预报模型； 将数据导入模型， 仅需数秒就可以得到计算结果， 方便快捷。 本实施 例方法在整个过程中不涉及实验和不使用化学用品， 不产生化学污染， 符合绿色环保理念； 且操作简单， 成本低， 易于实现， 适合推广应用。 0057 实施例三： 0058 本步骤。
29、与上述实施例基本相同， 特别之处在于： 0059 在本实施例中， 基于46个三元金合金样本结合支持向量机建立的电阻率定量预报 模型的建模结果， 如图1所示。 0060 本实施例利用支持向量机回归算法对46个三元金合金样本数据进行回归建模， 建 立三元金合金电阻率的支持向量机回归定量模型。 三元金合金电阻率模型预报值和数据库 中的实验值的相关系数(R)为0.956， 均方根误差(RSME)为0.172。 本实施例方法通过来源于 数据库中的实验样本数据， 建立了高效快捷的预报模型， 具有简单快捷、 低成本、 绿色环保 的优点。 0061 实施例四： 0062 本步骤与上述实施例基本相同， 特别之处。
30、在于： 0063 在本实施例中， 将训练集中的46个样本进行编号A1， A2A46。 第一步以A1， A2 A45为训练集， 采用与实施例一相同的最优自变量子集， 建立模型1并运用模型1预报A46的电 阻率。 第二步以A1， A2A44， A46为训练集， 采用与实施例一相同的最优自变量子集， 建立模 型2并运用模型2预报A45的带隙。 以此类推， 建立46个模型后， 通过预报值与实验值的误差判 说明书 6/7 页 8 CN 112132182 A 8 断数据建模方法的稳定性和可靠性。 0064 本实施例基于46个三元金合金样本结合支持向量机建立的三元金合金电阻率定 量预报模型的留一法内部交叉。
31、验证结果， 如图2所示。 0065 本实施例方法采用留一法对46个样本数据建立的三元金合金电阻率的支持向量 机定量预报模型进行留一法内部交叉验证， 留一法中金合金电阻率的模型预报值和数据库 中实验值的相关系数(R)为0.81， 均方根误差(RSME)为0.378。 本实施例方法通过来源于数 据库中的实验样本数据， 建立了训练集留一法交叉验证的预报模型， 可以对数据建模方法 的稳定性和可靠性做出评估。 0066 实施例五： 0067 本实施例方法利用建立的三元金合金电阻率的支持向量机定量预报模型对独立 测试集中的5个样本进行预报， 得到了较好的结果。 金合金电阻率的模型预报值和文献实验 值的相关。
32、系数(R)为0.848， 均方根误差(RSME)为0.365。 独立测试集预报结果， 如图3所示。 0068 综上所述， 上述实施例基于机器学习快速预测三元金合金电阻率的方法， 利用计 算机系统， 从数据库中收集三元金合金的化学式和对应在常温下的电阻率数值作为数据集 样本； 将三元金合金化学式转换为新的化学式， 根据新化学式生成对应的描述符； 将数据集 随机分为训练集和测试集； 用皮尔逊相关系数、 遗传算法结合支持向量机算法和方程对自 变量数据进行筛选和转换； 利用支持向量机回归算法和筛选转换好的自变量， 建立三元金 合金电阻率的快速预报模型； 根据建立好的模型预报测试集样本的电阻率。 上述实。
33、施例方 法通过来源于数据库中的样本数据， 建立了高效快捷的预报模型， 具有快速方便、 低成本、 绿色环保的优点， 同时避免实验 “试错法” 的盲目性。 0069 上面对本发明实施例结合附图进行了说明， 但本发明不限于上述实施例， 还可以 根据本发明的发明创造的目的做出多种变化， 凡依据本发明技术方案的精神实质和原理下 做的改变、 修饰、 替代、 组合或简化， 均应为等效的置换方式， 只要符合本发明的发明目的， 只要不背离本发明一种基于机器学习快速预测三元金合金电阻率的方法的技术原理和发 明构思， 都属于本发明的保护范围。 说明书 7/7 页 9 CN 112132182 A 9 图1 图2 说明书附图 1/2 页 10 CN 112132182 A 10 图3 说明书附图 2/2 页 11 CN 112132182 A 11 。