一种基于机器学习的材料生成预测方法

技术领域

本发明属于半导体技术和材料技术领域，特别设计材料生成建模和预测。

背景技术

众所周知，材料的模拟和生成是一个非常复杂的过程，其中涉及传热和传质、热化学相变以及高度非线性和时间相关的粘弹性应力等众多物理场因素。由于投入成本比较高、加工周期比较长，很多厂商希望通过材料生成的模拟来降低制造风险和总体生产成本。

其中比较常用的方法是使用有限元来进行仿真模拟，例如ABAQUS、ANSYS、COMPRO等，都可以用于模拟材料生成过程中的复杂物理过程。这种方法依赖于复杂3D有限元分析。该方法的缺点是：(1)选用专用软件进行模拟仿真，软件比较昂贵；(2)需要复杂的建模过程，只有非常专业的人员才能完成；(3)仿真时间非常长，甚至达数周和数月。

改进加速的方法用降阶有限元代替3D有限元。例如，对于有些材料的分析中，用1D有限元分析可以很好地近似于零件的3D响应，并且可以将复杂过程细化以执行多个1D有限元分析。该方法的缺点是：(1)选用专用软件进行模拟仿真，软件比较昂贵；(2)需要复杂的建模过程，只有非常专业的人员才能完成；(3)相对于3D有限元，执行时间有提升。然而，这种方法存在计算速度-准确度之间的矛盾权衡时，仍需要完成大量的3D有限元模拟。

本发明拟借助机器学习的方法模拟材料生成的过程，提取核心数据，摆脱专业限制，实现快速预测。

发明内容

本发明的目的是为了解决现有仿真模拟方法仿真速度慢问题，提出了一种基于机器学习的材料生成预测方法。

本发明的技术方案为：一种基于机器学习的材料生成预测方法，具体步骤如下：

S1.3D有限元建模仿真获得数据集

通过3D有限元建模仿真材料生成过程，通过各种仿真获得机器学习所需的数据集；

S2.对材料生成过程进行特征数据筛选

由于材料生成的过程非常复杂，难以直接通过机器学习进行模型，在本发明中采用选取关键特征进行建模，步骤S2对材料生成过程进行特征数据筛选；

S3.选择时间参量获得机器学习所需的训练集

材料的生成过程是一个基于选择时间参量t的过程中。步骤3通过选择合适的时间参量生成机器学习所需的训练集。

S4.建立机器学习模型

基于机器学习算法，搭建机器学习框架和模型设计；

S5.模型训练和优化

基于步骤S3所产生的训练集进行模型训练和优化；

S6.模型生成

基于步骤S5中得到材料生成预测模型。

本发明的有益效果：本发明的基于机器学习的材料生成预测方法基于机器学习模型和算法，通过3D有限元仿真所得数据集，进行机器学习，建模机器学习模型。该方法的优势表现在：(1)在后期的使用中不需要专业人员的参与；(2)基于建立好的机器学习模型，可以实现快速预测。。

附图说明

图1为本发明的建立流程图。

图2为本发明的材料生成预测模型的使用过程。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明。

本发明的技术方案为：一种基于机器学习的材料生成预测方法，具体步骤如下：

S1.3D有限元建模仿真获得数据集

通过3D有限元建模仿真材料生成过程，通过各种仿真获得获得机器学习所需的数据集；

S2.对材料生成过程进行特征数据筛选

由于材料生成的过程非常复杂，难以直接通过机器学习进行模型，在本发明中采用选取关键特征进行建模，步骤S2对材料生成过程进行特征数据筛选；

S3.选择时间参量获得机器学习所需的训练集

材料的生成过程是一个基于选择时间参量t的过程中。步骤3通过选择合适的时间参量生成机器学习所需的训练集。

S4.建立机器学习模型

基于机器学习算法，搭建机器学习框架和模型设计；

S5.模型训练和优化

基于步骤S3所产生的训练集进行模型训练和优化；

S6.模型生成

基于步骤S5中得到材料生成预测模型。

本发明的有益效果：本发明的基于机器学习的材料生成预测方法基于机器学习模型和算法，通过3D有限元仿真所得数据集，进行机器学习，建模机器学习模型。该方法的优势表现在：(1)在后期的使用中不需要复杂建模，不需要专业人员的参与；(2)基于建立好的机器学习模型，可以实现快速预测。

本发明的模型一旦建立好，就可以投入使用。在机器学习框架下，只需要输入相应的输入条件，即可以实现对关键特征数据的预测，可以实现快速评估，如图2所示。基于机器学习的材料生成预测模型，输入为材料生成输入条件，输出为材料生成关键特征数据输出。

基于所输出的材料生成关键特征数据，即可以实现材料生成的评估。该方法对于使用者来说简单高效，可以脱离专业限制，并实现快速评估。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。