机器学习在聚合物材料研究中的应用进展

在大数据和人工智能相结合的现代科学研究的新形势下，聚合物材料性能的快速预测和新型聚合物材料的研发逐渐成为聚合物材料研究领域的关注焦点。将机器学习应用于聚合物材料研究领域，打破了传统试错法的局限性，通过数据直接建立材料特征与所需性能之间复杂的关系模型，解决聚合物组成成分和复杂结构等在其研究过程中带来的难题。论文介绍了机器学习在聚合物材料研究领域的常用方法及算法；总结了以宏观参量与微观参量为机器学习模型输入时，聚合物材料性能预测的研究进展；分析了基于机器学习的聚合物材料设计和新型聚合物材料研发的重要应用成果；讨论并提出当前基于机器学习的聚合物材料的研究热点与方向。     

面向材料领域机器学习的数据质量治理

数据驱动的机器学习凭借其准确高效的预测能力广泛应用于材料的性能预测和构效关系研究。数据决定了机器学习的上限。然而，目前材料领域的数据存在来源广、噪音大、样本少、维度高等数据质量问题，阻碍了机器学习在材料领域更广泛的应用。本文从数据品质和数据数量2个视角系统梳理并全面剖析了材料领域数据质量问题及其相关治理工作，发现数据品质与数据数量共同决定数据质量。基于此，提出了面向材料领域机器学习全过程的领域知识嵌入的数据质量治理框架。该框架定义了12种维度用于解析材料数据质量的内涵；构建了数据质量治理的生命周期模型以确保数据质量治理活动有序进行；建立了一系列数据质量治理处理模型，从领域知识与数据驱动2个方面对数据质量进行精准全面治理，为生命周期模型的具体实施提供技术支持。该框架实现了材料数据质量的综合评估与提升，为高质量数据获取提供理论指导与候选方案，加速机器学习在材料研发中的深入应用。     

机器学习在热电材料领域中的应用

热电材料是环境友好型能源转换材料，涉及的体系十分多样。其性能优化是一个多参数协调的复杂问题，一直是研究者们关注的热点。虽然热电的计算模拟方法和实验方法发展迅速，但是热电材料的搜索效率仍需要进一步提高。机器学习具有计算成本低和预测速度高的优势，可以快速缩小搜索空间，加快对热电材料结构和性能优化的研究。本综述从数据类型的角度出发，介绍了热电材料中的小样本数值数据(数据量约为102)，大样本数值数据(数据量大于104)及图片数据中机器学习的应用和研究进展，进一步详细地讨论了在不同的数据类型中研究热电材料的结构和性能所使用的不同的机器学习算法模型，并对其未来的发展趋势和应用方向进行了展望。     

无监督学习探索高介电常数的ABO3型钙钛矿材料

机器学习已成为新材料研发的重要变革性手段，但材料数据样本量少、噪音高等特点为数据驱动的研发模式带来巨大挑战。本工作将无监督学习应用于挖掘高介电常数的钙钛矿材料。针对标签数据少的问题，通过聚类学习的方法不断优化迭代来缩小搜索空间，最终筛选出了BaHfO₃和BiFeO₃等20种具有高介电常数潜力的钙钛矿材料，并通过降维分析等手段从元素种类、晶体结构和容忍因子等方面展开规律分析，挖掘钙钛矿材料结构与介电常数之间的关联。该方法为解决材料性能数据标签的缺失提供了一种思路，可应用于筛选和挖掘其他新型功能材料。     

材料领域知识嵌入的机器学习

数据驱动的机器学习因其能够快速拟合历史数据中的潜在模式并实现材料性能的精准预测,已被广泛应用于材料性能优化和新材料设计.然而,由于缺乏描述符间关联关系、材料性能驱动机制等材料领域知识的指导,数据驱动的机器学习在实际应用中常常出现与材料基础理论认知或原理不一致的结果.本工作通过分析材料数据的特点和数据驱动的机器学习建模原...     

数据驱动范式下微波介质陶瓷材料及器件研究进展

机器学习等数据驱动方法能够快速发掘数据之间潜在的统计相关性,实现目标量的高效精准预测,并辅助分析数据背后的物理图像,已被广泛应用于材料性能预测和器件设计的研究之中。近年来,机器学习模型研究在微波介质陶瓷材料及器件开发中也取得了系列进展。本文介绍了机器学习方法的基本原理和过程,重点总结了微波介质陶瓷的介电常数、品质因数等关键性能的机器学习预测模型研究的最新进展,探讨了材料成分、结构、工艺等参数与微波介电性能之间的关系,并概述了机器学习方法在微波天线和滤波器的尺寸优化、失效分析等方面的应用。最后,指出了数据驱动研究在微波介质陶瓷材料及器件领域的若干发展方向。     

钢纤维混凝土抗压强度预测方法研究

通过机器学习算法建立钢纤维混凝土抗压强度预测模型。采用集成机器学习算法,通过集成多个弱学习器来构造一个强学习器,从而找到钢纤维混凝土设计参数和其抗压强度之间的映射关系。预测误差较小的弱学习器权重较大,可提高机器学习模型的整体精度。从现有文献中收集钢纤维混凝土抗压强度实验数据,用来训练集成机器学习模型,其中以钢纤维混凝土成分（例如粗/细集料、水泥、水、钢纤维掺量等）作为输入数据,以抗压强度值作为输出数据。模型验证测试数据集的结果表明,所采用的集成机器学习模型对预测钢纤维混凝土抗压强度的预测精度很高（MAPE=1.16%）,并且高于传统的单一机器学习预测模型（MAPE=1.76%）。     

基于机器学习的电化学能源电池宏微观设计

能源储存系统是电动汽车、电子设备等高新技术的重要基础。近年来基于机器学习的电池设计能够快速连结材料微观结构-材料微观性能-电池宏观性能的复杂关系，成为了热点研究。本文从能源电池的微观材料设计和宏观状态预测两方面系统性地综述了电池设计中机器学习的应用现状和前景，概括综述了机器学习电池设计的研究数据来源、算法的优缺点及其在电池领域的应用场景以及近年来的相关创新性工作及其展望，以期为机器学习在能源储存系统的宏微观设计提供了参考。     

人工智能驱动化学品创新设计的实践与展望

改进化学品研发模式，缩短化学品从发现到应用的时间是化工行业中所有科学研究者和产业人员的最终目标。本文提出：化学品设计是一个涉及多组分、多尺度和多物理场的复杂过程，现有的实验研究模式难以深入高效地揭示相关的物理化学机制；因此，需要借助多尺度计算机模拟技术，从微观分子层面的化学结构出发，耦合多种模拟方法来预测宏观产品的性能；同时，随着计算机算力的提升，将基于物化机制的多尺度计算机模拟方法与数据驱动的人工智能相结合的研发模式，具有广阔的应用前景，例如基于高精度多尺度模拟数据训练的机器学习模型能够指数级地缩短化学品结构-性质的预测。尽管如此，由于广阔的分子结构空间和复杂的分子作用力关系，新型化学品研发面临着众多独特的挑战。如何借助人工智能提高现有模拟技术的准确性与速度，更好地理解和预测材料的性质和特点，并将人工智能引入材料设计算法，以实现更高效地探索和优化复杂的化工设计参数，使其更适应实际需求，是化学品设计研究的前沿方向。本文从多尺度模拟、材料设计框架和科学计算软件开发三个方面，分析讨论了人工智能驱动化学品创新设计的发展现状，阐述了人工智能技术在实现化学品设计创新途径中所起的重要作用，并对人工...     

单颗粒诊断法和高通量计算发现新型荧光粉

伴随互联网智能时代的开启，发光材料的研发模式也从传统的“试错”、“经验指导实验”向“理论预测、实验验证”的新模式转变。高效的理论预测和快速的实验验证是实现这一转变的关键所在。现阶段，高通量计算、机器学习等理论预测方法日渐成熟，单颗粒诊断法等实验方法更加高效，为新型发光材料的研制奠定了理论和实验基础。简要概述了近年来在稀土发光材料领域，基于单颗粒诊断法和高通量计算挖掘发现新型荧光粉的研究进展。     

均匀设计合成及性能优化有机硅改性苯丙乳液

采用均匀设计法对影响有机硅改性苯丙乳液合成及性能的主要因素进行了研究,建立了乳液及其涂膜主要性能的回归方程,并通过蒙特卡罗法进行多目标优化,获得了综合性能较佳时的软硬单体质量配比、乳化剂用量、引发剂用量、有机硅用量。对改性苯丙乳液的基本性能进行了测试,并通过粒径分析、红外光谱对乳液及其涂膜结构进行了表征。结果表明,采用均匀设计方法得到的数据可用来指导具体实验,减少实验次数,得到较为理想的实验结果,改变配方后还可对乳液的性能进行预测。     

机器学习在固体氧化物燃料电池、锂电池、CO_(2)电还原催化剂中的研究进展EI北大核心CSCD

随着清洁能源系统的推广应用,锂离子电池、固体氧化物燃料电池作为清洁能源器件受到广泛的关注。然而,作为复杂的电力动力系统,电池的商用化一直面临长时间、多维度、高精度的性能预测需求,一些新型的电池性能预测方法仍处于起步探索阶段。近年来,随着人工智能的普及与推广,机器学习这项基于传统人工神经网络的技术被国内外研究者所重视。机器学习等数据科学的最新进展为科学和工程界提供了灵活而快速的预测框架,在材料研发等方面显示出巨大的应用前景。本工作总结了采用机器学习方法用于固态氧化物燃料电池、锂电池、CO_(2)电化学还原催化剂的最新进展,并对未来的发展方向提出了若干建议。     

环氧树脂灌封胶的性能预测及配方优化

支持向量机(SVM)是一种新型的机器学习方法,以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将SVM应用于双组分环氧树脂灌封胶的研制。通过对双组分环氧树脂灌封胶配方的学习,建立SVM推理模型,并结合穷举法对配方进行优化,结果表明所建SVM推理模型具有一定的预测能力,展示了其优越性和推广前景,可应用于胶粘剂配方的研制,对配方优化起到一定的指导作用。     

微粒群算法优化化工建模训练集

提出两种均以微粒群(PSO)算法对原始训练集随机抽样优化,再结合机器学习算法建立预测模型的PSO算法优化化工建模训练集的思路。思路1首先以模型交叉验证的均方误差函数mse最小为目标优化训练集,再通过对验证集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。思路2借鉴提高BP神经网络泛化能力的初期终止(early stop)法,以对验证集预测的mse最小为目标优化训练集,再通过对测试集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。通过仿真实验研究和对某炼油厂调和汽油生产数据的具体分析应用,表明本文思路可以较大幅度提高模型的预测准确性,在化工建模中具有推广应用价值。     

基于机器学习探索钙钛矿材料及其应用

经过大半个世纪的算法模型积累，以数据科学为基础的机器学习方法，已经可以适配多项学科的研究需求。在理论与实验积累的数据基础上，机器学习紧跟各个领域的研究潮流，推动数据密集型科学研究的发展，使其成为继“理论”、“计算”、“实验”后引领科学研究的“第四范式”。在材料科学领域，钙钛矿材料具有构成丰富、带隙可调、发展空间广阔等优势，但还未在其适用领域内达到环境友好等实用标准。因而基于机器学习探索钙钛矿材料及其应用，不仅可以加速新型钙钛矿材料的发现，而且可以探究钙钛矿材料种种优异性能与其物理化学特征之间的关联，为发展环境友好型高性能钙钛矿器件提供指导。在此总结了机器学习结合钙钛矿材料的研究优势与研究流程，综述了机器学习在钙钛矿材料性质与器件探索方面的研究进展，探讨了当下面临的研究困境和挑战，展望了未来的研究方向和发展趋势。     

基于FUSION模型的碳基固废热解产物产率预测

低温热解是清洁转化碳基固废、实现汇碳和减排的成熟有效方法之一。通过建立预测碳基固废热解产物产率的数学模型可以极大缩短科研探索时间,优化调控热解反应过程。本研究以80组热解实验数据为样本,首先对神经网络（ML）、支持向量机（SVM）和线性回归（LR）模型进行训练和测试,分析机器学习的有效性,然后将三种模型通过算法融合,建立具有自适应性的FUSION模型。最后,利用实验数据对该模型进行进一步的训练和测试,形成适合预测碳基固废热解产物的数据模型。融合模型能够有效解决单一模型在预测碳基固废热解产物分布过程中,受热解交互作用影响,预测精度波动的问题。同时,该模型预测值精度较高,预测值与实验值的相对误差<2%。     

果蝇优化SVM模型对有机化合物熔点的预测

为了有效解决支持向量机(SVM)模型在参数选择上的盲目性问题,进而提高该模型的学习性能和泛化能力,将果蝇优化算法(FOA)引入该领域,提出了一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化优化算法选择全局最优的SVM惩罚因子和核函数参数,从而建立SVM分类模型,进而基于该模型对实际问题进行应用。将该模型应用于对有机化合物的熔点预测问题中,实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。     

机器学习理论在压裂分析中的应用研究

压裂工艺是低渗透油田开发的一项关键技术。国内每年实施压裂近万井次,为压裂分析积累了大量的实践经验。传统的建模方法是基于力学理论,模型复杂,对专业要求非常高。用机器学习技术．可以从已有的数据中抽取有用的信息,建立有效的数学模型。传统的机器学习算法只有在已知样本数无限多时才有效,而实际应用中压裂分析的已知样本数非常有限。目前常用的机器学习算法有拟合、聚类、决策树、神经网络、遗传算法、支持向量机等,本文针对其中的四种算法开展了现场应用,并对各种算法进行了分析,指出了算法的特点和应用条件。通过对机器学习算法的分析表明,各种算法可信度高,使用方便,可以进行选井选层、压裂效果预测、优化压裂设计。     

高聚物流变性能预测与研究

根据影响高聚物流变性能的各因素之间的关系,运用Matlab软件建立一个人工神经网络。对5种高聚物材料进行实验;用实验数据对网络进行训练,并对高聚物流变性能进行预测;将预测和实测的结果进行分析对比。结果表明,用人工神经网络的方法预测高聚物的流变性能是可行的,预测精度较高,平均误差小于5%。     

高分子除湿转轮建模与除湿性能预测

为有效预测高分子除湿转轮的除湿性能,采用效率法模型、BP神经网络模型2种方式对基于高分子除湿转轮实验台的47组实验数据进行建模。通过构建的除湿转轮模型,对20组不同实验工况条件下的转轮除湿性能进行预测,并与实验数据进行对比。根据预测结果得出,2种模型均能对用于建模的47组实验数据进行有效回归,且能对非建模实验数据以外的20组实验工况进行较好的预测。效率法模型对于处理空气出口温度的预测精度优于BP神经网络模型,但对于处理空气出口含湿量的预测,BP神经网络模型的预测精度优于效率法模型。选择广州、上海、武汉、北京4个典型气候条件城市,使用所建模型研究其在不同气候分区下供冷季的除湿性能,结果表明高分子除湿转轮在这4个城市中的除湿性能由高到低依次为广州、上海、武汉、北京。