一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法

本发明涉及陶瓷材料性能预测，尤其涉及一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法。

背景技术：

1、压电陶瓷是一种功能性陶瓷材料，其能够将机械能转化为电能，故压电陶瓷在科学研究中具有重要地位。因此，在各种电子设备中广泛应用，如传感器、执行器和蜂鸣器。

2、其中，无铅压电陶瓷通常由碳酸钡、钛酸钠铋和铌酸钠钾等组分构成，由于其不含挥发性铅，具有更好的可持续性，故因其环保性备受关注。这使得基于无铅压电陶瓷的设备在临床治疗、超声技术和过滤系统等功能领域得到广泛应用。

3、在无铅压电陶瓷中，铌酸钾钠陶瓷以其卓越的电学性能而广受认可，这与其制造工艺密切相关。然而，在粉末合成阶段仍存在以下挑战：

4、1、形成软-硬团聚体等；

5、2、成形过程虽简单，但缺乏精度，需要二次加工；

6、3、烧结温度高且组分挥发性较高，需要进一步改进制备方法。

技术实现思路

1、为解决上述问题，本发明提供一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，通过训练数据构建替代模型，以预测具有目标性质的材料，实现高效且准确的新型材料研究技术，推动机器学习在交叉学科研究中的应用。

2、为实现上述目的，本发明提供了一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，包括以下步骤：

3、s1、数据收集：收集已完成实验的铌酸钾钠基陶瓷实验数据，并根据收集的铌酸钾钠基陶瓷实验数据制作数据集；

4、s2、将数据集按设定比例划分为训练集和验证集，并对训练集做预处理；

5、s3、搭建自动化机器学习平台；

6、s4、将训练集输入自动化机器学习模型进行训练，并保存训练后的自动化机器学习模型；

7、s5、模型评估：将验证集输入最佳自动化机器学习模型，判断评估指标是否达到设定要求，若达到设定要求，则输出最佳自动化机器学习模型，否则返回步骤s4；

8、s6、通过在h2o automl中调用strain()函数，并设置自动化机器学习模型的最大数量和随机种子，获得最佳自动化机器学习模型，利用最佳自动化机器学习模型进行预测，并将压电性能预测结果转换为numpy数组；

9、s7、将铌酸钾钠基陶瓷的新配方数据输入验证完毕的最佳自动化机器学习模型，进行压电性能预测，输出预测结果。

10、优选的，步骤s1所述的铌酸钾钠基陶瓷实验数据包括铌酸钾钠基陶瓷元素组成的综合信息，并基于铌酸钾钠陶瓷配方根据其摩尔占比进行分配计算：每一元素对应的系数与角标量相乘，得到每一元素摩尔占比量，并进行逐一收集，获得数据集。

11、优选的，在步骤s2中，设定比例为8：2。

12、优选的，步骤s5所述的评估指标包括均方根误差rmse和决定系数r2，且计算公式如下：

13、

14、

15、式中，m表示训练集中的样本数，yi表示测量值，为预测值，表示测量值的平均值。

16、优选的，在步骤s6中，输出最佳自动化机器学习模型的拟合曲线，根据决定系数r2大小判定数据后续预测的可行性若可行则利用最佳模型对测试数据进行预测，并将得到的预测结果转换为numpy数组，同时根据特征名称以及数据格式定义特征列名称。

17、优选的，步骤s7具体包括以下步骤：

18、s71、创建一个新的numpy数组作为预测数据；

19、s72、向新的numpy数组中输入所要预测铌酸钾钠基陶瓷的各元素配方数据，同时输入预测元素配比自变量x的占比；

20、s73、迭代10次的for循环，每次迭代中铌酸钾钠基陶瓷配比自变量x值增加0.01，且在该循环中，使用更新后的值x生成预测数据样本；

21、s74、利用最佳自动化机器学习模型对生成的预测数据样本进行预测，并输出预测结果。

22、本发明具有以下有益效果：

23、1、通过训练数据构建最佳机器学习模型(其为替代模型，替代模型是一种推理模型，通过对数据进行拟合，并通过交叉验证过程来优化参数，通过将该模型应用于未使用于模型构建的测试数据，对模型的性能进行评估，从而完成预测)，以预测具有目标性质的材料，实现高效且准确的新型材料研究技术，推动机器学习在交叉学科研究中的应用；

24、2、将高效的机器学习计算和预测能力应用于压电陶瓷的研究中，利用现有的研究结果和数据，从观察到的数据样本中识别模式，并利用这些模式来预测未来或不可观察到的数据，缩短了无铅钾钠铌酸压电陶瓷的开发周期；

25、3、从铌酸钾钠陶瓷配方中提取每一元素摩尔占比量的特征值，同时通过对输入配方的元素组合和系数占比等关系的设计，可以直接输出压电性能结果，从而实现对新材料的高效验证的效果。

26、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，其特征在于：步骤s1所述的铌酸钾钠基陶瓷实验数据包括铌酸钾钠基陶瓷元素组成的综合信息，并基于铌酸钾钠陶瓷配方根据其摩尔占比进行分配计算：每一元素对应的系数与角标量相乘，得到每一元素摩尔占比量，并进行逐一收集，获得数据集。

3.根据权利要求1所述的一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，其特征在于：在步骤s2中，设定比例为8：2。

4.根据权利要求2所述的一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，其特征在于：步骤s5所述的评估指标包括均方根误差rmse和决定系数r2，且计算公式如下：

5.根据权利要求4所述的一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，其特征在于：在步骤s6中，输出最佳自动化机器学习模型的拟合曲线，根据决定系数r2大小判定数据后续预测的可行性，若可行则利用最佳模型对测试数据进行预测，并将得到的预测结果转换为numpy数组，同时根据特征名称以及数据格式定义特征列名称。

6.根据权利要求5所述的一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，其特征在于：步骤s7具体包括以下步骤：

技术总结本发明公开了一种基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，属于陶瓷材料性能预测领域，包括以下步骤：S1、数据收集；S2、将数据集按设定比例划分为训练集和验证集；S3、搭建自动化机器学习模型；S4、将训练集输入自动化机器学习模型进行训练；S5、模型评估；S6、获得最佳自动化机器学习模型，利用最佳自动化机器学习模型进行预测；S7、将铌酸钾钠基陶瓷的新配方数据输入验证完毕的最佳自动化机器学习模型，进行压电性能预测。本发明采用上述基于机器学习的铌酸钾钠基陶瓷压电性能预测方法，通过训练数据构建替代模型，以预测具有目标性质的材料，实现高效且准确的新型材料研究技术，推动机器学习在交叉学科研究中的应用。技术研发人员：陶红,孙莹,胡彬彬,徐雍,尔古打机受保护的技术使用者：西南民族大学技术研发日：技术公布日：2024/8/20