技术领域
本发明涉及一种基于分子动力学和弹性网络回归模型的弹性模量预测方法，属于玻璃性能预测领域。
背景技术
弹性模量是工程材料重要的性能参数，从宏观角度来说，弹性模量是衡量物体抵抗弹性变形能力大小的尺度，从微观角度来说，则是原子、离子或分子之间键合强度的反映。凡影响键合强度的因素均能影响材料的弹性模量，如键合方式、晶体结构、化学成分、微观组织、温度等。弹性模量可视为衡量材料产生弹性变形难易程度的指标，其值越大，使材料发生一定弹性变形的应力也越大，即材料刚度越大，亦即在一定应力作用下，发生弹性变形越小。
材料的弹性模量在工程设计中非常重要，如在风电叶片的使用中，随着叶片长度的增加，叶片质量也在显著增加。质量的大幅度增加会给叶片的设计带来很多难题：如主梁帽与蒙皮之间分层的风险大幅度提高、叶片的固有频率与旋转频率更加接近、叶片的运输与吊装难度大幅度增加、机组需要承受更大的载荷等。因此，当前的研究热点集中于提高风电叶片主梁帽的结构刚性技术上，具体反应在原材料上，在于提高所使用的玻璃纤维的拉伸模量。
由于大数据的出现，当前出现很多基于机器学习算法预测材料性能的方法，这些方法基于神经网络或支持向量机建立预测模型，并进行训练验证以获得最优参数下的模型，但是这些方法都是将材料组分的百分比作为输入进行预测，导致预测准确度不高，且目前没有运用分子动力学计算出的描述符作为机器学习学习算法的输入进行预测玻璃性能的方法，更没有针对弹性模量的影响因子提出的一种适用于分子动力学的机器学习算法进行弹性模量精准预测的方法，基于此提出一种预测模量的方法是目前亟待解决的关键问题。
发明内容
为了解决现有技术无法直观快速且准确的预测玻璃弹性模量的问题，本发明提供了一种基于分子动力学和弹性网络回归模型的弹性模量预测方法，所述方法包括：
步骤1，采集组分构成不同的氧化物玻璃材料的弹性模量数据，构建弹性模量数据库，所述弹性模量数据库中包括一一映射的玻璃成分和其对应的弹性模量；
步骤2，基于分子动力学构造氧化物玻璃材料中具有不同对称性的氧化物晶体的 原子结构模型，并以每单位阳离子
步骤3，基于步骤1构建得到的弹性模量数据库和步骤2构造的描述符，构建训练集、验证集和测试集；
步骤4，基于弹性网络回归模型构建弹性模量预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的弹性模量预测模型进行训练，得到训练好的弹性模量预测模型；
步骤5，针对待预测的玻璃材料，根据其组分构成获得其包含“材料基因”的描述符；并利用训练好的弹性模量预测模型预测所述待预测的玻璃材料的弹性模量。
可选的，所述步骤2包括：
步骤2-1构造具有不同对称性的氧化物晶体的原子结构模型，作为分子动力学计算的晶胞；
步骤2-2对于步骤2-1中构造得到的每一种晶胞结构，进行分子动力学计算，获得 晶胞能量
步骤2-3，对于步骤2-1中构造得到的每一种晶胞结构，通过进一步的计算获得其 性能参数集合，构造用于机器学习的描述符
式中，
可选的，所述每单位阳离子
利用步骤2-2获得的晶胞能量
式中，
可选的，所述步骤2-1构造具有不同对称性的氧化物晶体的原子结构模型，作为分子动力学计算的晶胞，包括：
（1）对于+1价阳离子，按照CaF
（2）对于+2价阳离子，按照NaCl结构构造晶体，阳离子组成面心立方结构，氧离子在面心立方的六面体间隙；
（3）对于+3价阳离子，按照α-Al
（4）对于+4价阳离子，按照CaF
可选的，所述步骤1中构建弹性模量数据库时，还包括，对采集到的组分构成不同的氧化物玻璃材料的弹性模量数据进行预处理：
针对两两玻璃成分，判断以下两个条件是否同时成立：
条件1：玻璃成分中，每种氧化物组元的成分的摩尔比差值小于等于第一预设阈值，单位为百分比；
条件2：两种玻璃的弹性模量的差值大于第二预设阈值，单位为百分比；
若同时成立，则将对应的两种玻璃成分和相应的弹性模量数据从弹性模量数据库中剔除。
可选的，所述第一预设阈值为2%，第二预设阈值为20%。
可选的，所述弹性网络回归模型中，预测弹性模量
其中，
弹性网络回归模型的损失函数为：
其中，
本申请还提供一种基于分子动力学和弹性网络回归算法的弹性模量预测系统，所述系统包括：
弹性模量数据库构建模块，用于采集组分构成不同的玻璃材料的弹性模量数据，构建弹性模量数据库，该弹性模量数据库中包括一一映射的玻璃成分和其对应的弹性模量；
描述符构建模块，用于基于分子动力学构造氧化物玻璃材料弹性模量的包含“材料基因”的描述符；
训练数据构建模块，用于基于弹性模量数据库构建模块构建得到的弹性模量数据库和描述符构建模块构造的描述符，构建训练集、验证集和测试集；
模型构建训练模块，用于基于弹性网络回归模型树构建弹性模量预测模型，根据训练数据构建模块构造的训练集、验证集和测试集对所构建的弹性模量预测模型进行训练，得到训练好的弹性模量预测模型；
预测模块，用于针对待预测的玻璃材料，利用所述模型构建训练模块训练好的弹性模量预测模型预测该玻璃材料的弹性模量。
可选的，所述描述符构建模块构造氧化物玻璃材料弹性模量的包含“材料基因”的描述符，包括
构造具有不同对称性的氧化物晶体的原子结构模型，作为分子动力学计算的晶胞；
对于构造得到的每一种晶胞结构，进行分子动力学计算，获得晶胞能量
对于构造得到的每一种晶胞结构，通过进一步的计算获得其性能参数集合，构造 用于机器学习的描述符
式中，
本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明有益效果是：
1）建立了玻璃内部氧化物的晶体和非晶体结构，考虑了玻璃的长程无序和短程有序性，更加符合实际玻璃的规律，计算结果准确。
2）基于分子动力学计算描述符，基于牛顿定律，体系构造简单，不需要考虑每个电子的行为，而是将体系的电子机构等效为原子内部的势能函数，大大简化了计算过程，节约了计算时间。
3）采用弹性网络回归模型，对于样本特征较多，特征之间有复杂非线性关系的样本，不需要考虑全局线性回归，弹性网络回归模型将样本特征划分为若干个分段线性回归，树的可解释性更强，而且该算法的训练模型时间短。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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例，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他的附图。
图1为一个实施例中基于分子动力学的玻璃模量预测方法的流程图。
图2为一个实施例中基于分子动力学构造描述符的流程图。
图3为CaF
图4为NaCl型晶体结构图。
图5为α-Al
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一：
本实施例提供一种基于分子动力学和弹性网络回归算法的弹性模量预测方法，参见图1，所述方法包括：
步骤1，采集组分构成不同的玻璃材料的弹性模量数据，构建弹性模量数据库，该弹性模量数据库中包括一一映射的玻璃成分和其对应的弹性模量；
步骤2，基于分子动力学构造氧化物玻璃材料弹性模量的包含“材料基因”的描述符，参见图2；
2-1构造具有不同对称性的氧化物晶体的原子结构模型，作为分子动力学计算的晶胞；
2-2对于步骤2-1中构造得到的每一种晶胞结构，进行分子动力学计算，获得优化 后的晶胞能量
2-3针对上述通过分子动力学计算优化好的包含各种对称性的晶体的结构；再通 过进一步的计算获得其性能参数集合，构造用于机器学习的描述符
式中，
性能参数集合包括以下性能参数：
（1）每种晶体的每单位阳离子
结合能的计算通过使用优化好的晶胞能量
式中，
（2）含有阳离子A的立方晶体的每种晶胞的弹性张量常数
（3）含有阳离子A的立方晶体的每种晶胞的体模量
步骤3，基于步骤1构建得到的弹性模量数据库和步骤2构造的描述符，构建训练集、验证集和测试集；
步骤4，基于弹性网络回归模型构建弹性模量预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的弹性模量预测模型进行训练，得到训练好的弹性模量预测模型；
步骤5，针对待预测的玻璃材料，利用训练好的弹性模量预测模型预测该玻璃材料的弹性模量。
实施例二：
本实施例提供一种基于分子动力学和弹性网络回归算法的弹性模量预测方法，所述方法包括：
步骤1，采集组分构成不同的玻璃材料的弹性模量数据，构建弹性模量数据库，该弹性模量数据库中包括一一映射的玻璃成分和其对应的弹性模量；
对于采集的弹性模量数据，在实际应用中，还包括对其进行预处理，所述预处理包括：
针对两两玻璃成分，判断以下两个条件是否同时成立：
条件1：玻璃成分中，每种氧化物组元的成分的摩尔比差值小于等于第一预设阈值，单位为百分比；
条件2：两种玻璃的弹性模量的差值大于第二预设阈值，单位为百分比；
若同时成立，则将对应的两种玻璃成分和相应的弹性模量数据从数据库中剔除。
其中，上述两个条件中的第一预设阈值和第二预设阈值可由本领域技术人员根据先验知识确定，本申请中，第一预设阈值为2%，第二预设阈值为20%
步骤2，基于分子动力学构造氧化物玻璃材料弹性模量的包含“材料基因”的描述符；
2-1构造具有不同对称性的氧化物晶体的原子结构模型，作为分子动力学计算的晶胞；
具体的：
（1）对于+1价阳离子，按照CaF
（2）对于+2价阳离子，按照NaCl结构构造晶体，阳离子组成面心立方结构，氧离子在面心立方的六面体间隙，如图4所示；
（3）对于+3价阳离子，按照α-Al
（4）对于+4价阳离子，按照CaF
2-2对于步骤2-1中构造得到的每一种晶胞结构，进行分子动力学计算，获得优化 后的晶胞能量
具体可采用分子动力学计算的软件LAMMPS实现，并按以下步骤，获得优化后的晶 胞能量
（a）选取体系的势函数为Morse势：
不同的氧化物元素采用的参数如下表所示：
表1：Morse势采用的参数
（b）确定初始条件，给定初始构型和粒子的初始速度（一个合理的初始构型可以加快系统趋于平衡），根据玻尔兹曼分布，赋予各个原子的初始速度（v）：
（c）采用微正则系综（NEV），在模拟过程中控制系统的能量守恒。温度和压力最终达到平衡。
（d）模拟采用的时间步长为1fs，模拟时间为30ps，截断半径为10
（e）体系达到平衡后，通过沿相空间的轨迹（r，F）求解体系的构型积分，然后以构 型积分的结果为基础进一步计算晶胞的能量
（f）通过Lammps 软件的compute ke/atom 和compute pe/atom命令语句计算出单 个阳离子
2-3针对上述通过分子动力学计算优化好的包含各种对称性的晶体的结构；再通 过进一步的计算获得其性能参数集合，构造用于机器学习的描述符
式中，
在本申请预测弹性模量时，阳离子
（1）每种晶体的每单位阳离子
结合能的计算通过使用优化好的晶胞能量
式中，
（2）含有阳离子A的立方晶体的每种晶胞的弹性张量常数
（3）含有阳离子A的立方晶体的每种晶胞的体模量
可通过Quantum Espresso自带的工具软件ElaStic，算得六方晶体弹性张量常数
以数据库中一组数据为例，介绍本申请构造用于机器学习的描述符
从数据库中收集到的一组数据如下：一种玻璃结构含有A mol SiO
经计算，总离子数为（3A+ 5B+ 3C）mol ，其中Si
Al
Na
预测弹性模量时，对于每一种阳离子
n=1情况如下：
n=2情况如下:
以此类推，可以构造其余
步骤3，基于步骤1构建得到的弹性模量数据库和步骤2构造的描述符，构建训练集、验证集和测试集；
具体包括：
步骤3-1，从弹性模量数据库中按照总数据量N的
步骤3-2，对于剩下的
步骤3-3，对于除测试子集{T
步骤3-4，将以上三部分测试子集合并，构成模型的测试集{T}={T
步骤3-4中所述其余的数据作为模型的训练集与验证集，具体划分过程包括：
采用k折交叉验证的方法构造训练集{D}和验证集{V}，具体包括以下步骤：
步骤3-4-1，将数据库中剩余的90%*N的数据按照弹性模量值进行升序排列，之后将这些数据平均划分为k个不相交的子集{S
步骤3-4-2，每次取其中的1个子集{S
步骤4，基于弹性网络回归模型构建弹性模量预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的弹性模量预测模型进行训练，得到训练好的弹性模量预测模型；
步骤4-1，建立弹性网络回归模型，设预测弹性模量y和描述符
其中
步骤4-2，按照以下公式建立弹性网络回归模型的损失函数：
其中，
步骤4-3，针对一组调节超参数
具体过程包括：
步骤4-3-1，在
式中，
步骤4-3-2，计算在
步骤4-3-3，调整弹性网络回归的模型参数
步骤4-3-4，选取最小的
步骤4-4，取数据库中所有训练集{D
步骤4-5，基于步骤4-1中的弹性网络回归模型，经训练集{S
步骤5，针对待预测的玻璃材料，利用训练好的弹性模量预测模型预测该玻璃材料的弹性模量，具体过程包括：
步骤5-1，依据步骤2的过程，构造待预测玻璃材料的描述符
步骤5-2，将所述描述符
为验证本申请方法的有效性，采用本发明的方法对10组已知弹性模量值的玻璃材料进行预测，预测结果如下表2所示。
表2：采用本申请方法预测玻璃弹性模量的预测值与真实值的比较
由上表2可知，采用本发明提供的方法预测出的玻璃弹性模量值与真实值的最大误差仅为5.4%，相对于现有方法，本发明方法能够相对准确的预测出弹性模量值，验证了本方法的有效性。而且，采用本发明方法对未知弹性模量的玻璃进行弹性模量预测，可以较快的估计出不同成分配比的玻璃的弹性模量，对降低玻璃研发的试错成本可以大大降低，对于一些对玻璃弹性模量有严格要求的研发目标意义重大。
实施例三：
本实施例提供一种基于分子动力学和弹性网络回归算法的弹性模量预测系统，所述系统包括：
弹性模量数据库构建模块，用于采集组分构成不同的玻璃材料的弹性模量数据，构建弹性模量数据库，该弹性模量数据库中包括一一映射的玻璃成分和其对应的弹性模量；
描述符构建模块，用于基于分子动力学构造氧化物玻璃材料弹性模量的包含“材料基因”的描述符；
训练数据构建模块，用于基于弹性模量数据库构建模块构建得到的弹性模量数据库和描述符构建模块构造的描述符，构建训练集、验证集和测试集；
模型构建训练模块，用于基于弹性网络回归模型构建弹性模量预测模型，根据训练数据构建模块构造的训练集、验证集和测试集对所构建的弹性模量预测模型进行训练，得到训练好的弹性模量预测模型；
预测模块，用于针对待预测的玻璃材料，利用所述模型构建训练模块训练好的弹性模量预测模型预测该玻璃材料的弹性模量。
关于基于分子动力学的弹性模量预测系统的具体限定可以参见上文中对于基于分子动力学的弹性模量预测方法的限定，在此不再赘述。
上述基于分子动力学的弹性模量预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。
上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例四：
本实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤1，采集玻璃材料的弹性模量数据，构建弹性模量数据库，该库中包括一一映射的玻璃成分和其对应的弹性模量；
步骤2，基于分子动力学构造氧化物玻璃材料弹性模量的包含“材料基因”的描述符；
步骤3，基于弹性模量数据库和步骤2构造的描述符，构建训练集、验证集和测试集；
步骤4，基于弹性网络回归模型构建弹性模量预测模型；
步骤5，针对待预测的玻璃材料，利用所述弹性模量预测模型预测该玻璃材料的弹性模量。
关于每一步的具体限定可以参见上文中对于基于分子动力学的弹性模量预测方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
步骤1，采集玻璃材料的弹性模量数据，构建弹性模量数据库，该库中包括一一映射的玻璃成分和其对应的弹性模量；
步骤2，基于分子动力学构造氧化物玻璃材料弹性模量的包含“材料基因”的描述符；
步骤3，基于弹性模量数据库和步骤2构造的描述符，构建训练集、验证集和测试集；
步骤4，基弹性网络回归模型构建弹性模量预测模型；
步骤5，针对待预测的玻璃材料，利用所述弹性模量预测模型预测该玻璃材料的弹性模量。
关于每一步的具体限定可以参见上文中对于基于分子动力学的弹性模量预测方法的限定，在此不再赘述。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
机译： 超引强弹性模量的超细共晶合金基于组合弹性变形机构的超高强度弹性模量和超高弹性
机译： 基于非线性回归模型的软件故障时间预测方法及其计算机可读介质
机译： 基于非线性回归模型的软件故障时间预测方法及其计算机可读介质
