一种基于机器学习势函数的合金材料力热性质多尺度模拟方法

本发明涉及合金材料设计与计算，特别是一种基于机器学习势函数的合金材料力热性质多尺度模拟方法。

背景技术：

1、随着材料科学研究的深入和人工智能技术的发展，采用机器学习方法进行势函数的构建和拟合，已成为解决传统势函数拟合中试错低效问题的主要技术途径。

2、通过机器学习势函数，研究人员可以更精确地模拟合金材料的力热性质，为合金材料的设计和优化提供有力支持。

3、目前，尚未有完整的基于机器学习势函数的合金材料力热性质多尺度模拟方法，亟待填补这一空白。

技术实现思路

1、本发明采用的技术方案如下：

2、一种基于机器学习势函数的合金材料力热性质多尺度模拟方法，具体包括以下步骤：

3、s1数据准备：收集若干不同合金的结构信息、热性质数据，所述结构信息包括但不限于晶体结构、成分比例、晶格子排列、缺陷分布；所述热性质数据，包括热导电性、力学性质；

4、对所收集的数据进行预处理，所述预处理操作包括清洗、标准化、归一化，去除异常值、填补缺失值中的任意一种或多种组合，以确保数据质量；

5、将预处理后的数据构建为训练集，用于机器学习势函数的训练；训练集数据应当覆盖合金可能的相空间，以确保势函数的泛化能力；

6、s2势函数构建：采用机器学习算法，利用训练集进行学习，得到能准确描述合金原子间作用的机器学习势函数，反映原子间相互作用力的复杂依赖性；所述机器学习算法包括深度神经网络、支持向量机中的任意一种；

7、神经网络设计时，根据合金复杂性设计层次结构，包括隐藏层的数量、节点数目、激活函数的选择；

8、建立支持向量机模型时，支持向量机模型设计包括核函数、带宽、正则的选择；

9、s3多尺度模拟：利用步骤s2构建的机器学习势函数，结合多尺度模拟软件进行模拟；模拟考虑尺度从原子尺度到介观尺度；模拟力、热输运行动，具体包括原子间力、晶界面上的扩散、位错滑移位、晶格变形、热输运，介观的热流、相变；

10、s4结果分析：模拟完成后，分析模拟结果，提取力、热性质，包括力性质、热导性、力学响应、相变性、热膨胀、热导率。

11、优选地，所述步骤s4后，将模拟值与实验值对比，验证模拟的准确度；若模拟值与实验值相差超过设定阈值，则补充步骤s1中数据然后进行步骤s2，优化模拟方法。

12、优选地，所述步骤s4后，分析模拟的力热性质与温度、压力的关系，开展敏感性分析，因素对性能的影响，指导合金设计。

13、优选地，所述步骤s1中，通过实验或数据库收集合金的结构信息。

14、优选地，所述步骤s1中，训练集的数据要求包括：

15、a、成分与结构：训练集数据包括若干不同合金的化学成分比例，包括不同元素组成、浓度范围和元素配比；结构信息包括有序结构、无序结构，无序结构包括非晶格排列、缺陷结构，所述缺陷结构包括空位、错位、界面；

16、b、状态：训练集数据包括若干不同温度与压力条件下的状态数据；状态数据包括热力学响应、热导性、相变性，压力诱导的相变，以及高温高压下的晶格子结构变化数据；设定训练集模拟不同温度和压力范围，从室温至极端条件，以确保模型能预测合金在各种热力学、热性质的动态变化；

17、c、动态与缺陷效应：训练集数据引入动态因素数据，包括缺陷和动力学过程；具体动态与缺陷效应数据包括位错移动、扩散、晶格子跳跃、界面迁移，以及缺陷动力学行为数据；所述动态过程的模拟能增强模型在非平衡态下的表现。

18、优选地，所述步骤s1中，力学性质参数包括弹性模量、硬度、屈服点、热膨胀系数。

19、优选地，所述步骤s2中，训练过程中，采用梯度下降算法最小化损失函数；训练中，通过交叉验证集监控，防止过拟合。

20、优选地，所述步骤s3中，通过多尺度模拟软件进行模拟，包括vasp，lammps。

21、进一步地，所述步骤s3的模拟过程中，采用并行进化的算法优化模拟效率，并行进化算法包括时间步长算法。

22、优选地，所述步骤s3中，模拟包括如下内容：

23、a、力的作用：模拟原子间的直接相互作用，包括键合、排斥力，决定物质的稳定性；

24、b、界面上扩散：在晶界面上的原子扩散；这是材料生长、形核化过程的关键，如固态反应的重要环节；

25、c、晶格变形：材料受到载荷时的结构响应，体现塑性、弹性、韧性；

26、d、热输运行动：包括热传导、热流，研究材料的热性能，影响散热、热管理；

27、e、相变：不同条件下材料的相态转变，包括固态、液态的形态变化，影响材料的性质。

28、本技术通过精确、周期短，为合金材料设计与优化提供高效工具，对合金性能优化具有重要意义。机器学习势函数结合多尺度模拟，为合金科学提供准确模拟，为新材料发现、性能设计提供强大支持。整个模拟中，时间步长算法是关键，通过智能调整，确保模拟效率与精确度，使得每个时间步长适应不同尺度下的动力学事件，如原子运动、晶格子扩散、热传导等，都能准确捕捉。这样，通过算法优化，模拟在模拟时间、空间分辨率上找到最佳平衡，保证了从微观到介观尺度上既高效又不失精度。

29、本发明的有益效果：

30、1.提高模拟精度：通过机器学习势函数，能够更准确地描述合金材料原子间的相互作用，从而提高模拟结果的精度和可靠性。

31、2.缩短研发周期：采用多尺度模拟方法，可以在较短时间内完成大量模拟实验，从而缩短合金材料的研发周期。

32、3.优化材料性能：根据模拟结果对合金材料的设计和优化提出建议，可以帮助研究人员更好地理解和控制合金材料的力热性质，实现材料性能的优化。

技术特征：

1.一种基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s4后，将模拟值与实验值对比，验证模拟的准确度；若模拟值与实验值相差超过设定阈值，则补充步骤s1中数据然后进行步骤s2，优化模拟方法。

3.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s4后，分析模拟的力热性质与温度、压力的关系，开展敏感性分析，因素对性能的影响，指导合金设计。

4.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s1中，通过实验或数据库收集合金的结构信息；训练集的数据要求包括：

5.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s2中，神经网络设计时，根据合金复杂性设计层次结构，包括隐藏层的数量、节点数目、激活函数的选择；建立支持向量机模型时，支持向量机模型设计包括核函数、带宽、正则的选择。

6.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s1中，力学性质参数包括弹性模量、硬度、屈服点、热膨胀系数。

7.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s2中，训练过程中，采用梯度下降算法最小化损失函数；训练中，通过交叉验证集监控，防止过拟合。

8.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s3中，通过多尺度模拟软件进行模拟，包括vasp，lammps。

9.根据权利要求8所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s3的模拟过程中，采用并行进化的算法优化模拟效率，并行进化算法包括时间步长算法。

10.根据权利要求1所述的基于机器学习势函数的合金材料力热性质多尺度模拟方法，其特征在于，所述步骤s3中，模拟包括如下内容：

技术总结本发明涉及合金材料设计与计算技术领域，特别是一种基于机器学习势函数的合金材料力热性质多尺度模拟方法。所述方法包括S1数据准备、S2势函数构建、S3多尺度模拟和S4结果分析。通过机器学习算法构建出能够准确描述合金材料原子间相互作用的势函数，并结合多尺度模拟方法，实现对合金材料力热性质的精确模拟和预测。本发明技术具有模拟精度高、研发周期短、材料性能优化等优点，对于合金材料的设计和优化具有重要意义。技术研发人员：卜文刚,梁秀兵,刘忠宇,郝嘉懋,王荣,何鹏飞,胡振峰受保护的技术使用者：中国人民解放军军事科学院国防科技创新研究院技术研发日：技术公布日：2025/1/6