精品永久免费AV在线_少妇人妻偷人精品无码视频_天天躁人人躁人人躁狂躁_久久久久亚洲AV无码网站

Materialsdata validation and imputation with an artificial neural

network

P.C. Verpoort , P.MacDonald, G.J. Conduit

ComputationalMaterials Science. 2018, 147

DOI:10.1016/j.commatsci.2018.02.002

應用人(ren)工神經網(wang)絡(luo)(luo)來模擬和驗證(zheng)材料性(xing)(xing)能(neng)。在訓練和預測(ce)(ce)(ce)中(zhong)神經網(wang)絡(luo)(luo)算法具有(you)獨(du)特的處理不完整數(shu)(shu)據(ju)集的能(neng)力，因此可(ke)將(jiang)性(xing)(xing)能(neng)作(zuo)(zuo)為(wei)輸入(ru)，研(yan)究成分-性(xing)(xing)能(neng)和性(xing)(xing)能(neng)-性(xing)(xing)能(neng)關系來提高預測(ce)(ce)(ce)的質(zhi)量，也可(ke)以作(zuo)(zuo)為(wei)單一實體的圖形(xing)數(shu)(shu)據(ju)處理。使用多種驗證(zheng)方案對該框架進行測(ce)(ce)(ce)試，然后將(jiang)其應用于合(he)金(jin)和聚(ju)合(he)物(wu)的材料實例研(yan)究。通過與數(shu)(shu)據(ju)源(yuan)對比確(que)認，該算法在商業材料數(shu)(shu)據(ju)庫(ku)中(zhong)發(fa)現了二十個錯誤。 

材料(liao)數據，神經(jing)網絡，合金，聚(ju)合物(wu)

我(wo)們開發了一種人工智(zhi)能算法，并(bing)將其擴展(zhan)到(dao)處理不(bu)完整數(shu)據(ju)(ju)，功能數(shu)據(ju)(ju)，并(bing)量化(hua)數(shu)據(ju)(ju)的(de)準(zhun)確(que)性(xing)。我(wo)們驗證了數(shu)據(ju)(ju)模型(xing)的(de)性(xing)能，以確(que)認該框架在錯誤預測(ce)、不(bu)完整數(shu)據(ju)(ju)和繪圖能力(li)的(de)測(ce)試(shi)中提(ti)供預期(qi)結果(guo)的(de)能力(li)。最終我(wo)們將該框架應用到(dao)現實(shi)中的(de)MaterialUniverse和ProspectorPlastics數據庫(ku)，展示了該方法帶來的(de)顯著效(xiao)果。

值得(de)一提(ti)的(de)(de)是，我們能(neng)夠提(ti)出和驗證錯誤的(de)(de)輸(shu)入數(shu)據；給(gei)出未知因素(su)預測的(de)(de)外推改進，這(zhe)些(xie)未知因素(su)是因為材(cai)料成分(fen)和制造中(zhong)的(de)(de)數(shu)據缺(que)失產生的(de)(de)；并(bing)通過識別不同(tong)應(ying)用中(zhong)的(de)(de)非顯形描述符來(lai)幫助表(biao)征材(cai)料的(de)(de)性能(neng)。因此，我們能(neng)夠展示人工智(zhi)能(neng)算(suan)法如(ru)何為工業應(ying)用中(zhong)的(de)(de)研究、設計(ji)和選擇材(cai)料方面(mian)做出重大(da)貢獻。

圖1 人工神經網絡（ANN）用于插值材料性能數據集。圖片展示了如何從所有輸入的xi計算得到輸出的y1（上）和y2（下）。對于所有其他yj，可以繪制1~2個類似的圖來計算所有的預測性質。給定性能（紅色）的線性組合（左邊的灰色線）是由隱藏節點（藍色）確定的，應用非線性tanh操作，線性組合（右邊的灰色線）作為預測性能返回（綠色）。

圖(tu)2：如(ru)果我們需(xu)要使用存在一(yi)些性能(neng)數(shu)據丟失(shi)的數(shu)據點x來評估ANN，采用如下圖的過程進行描述。

圖3 toy模型的人工神(shen)經網絡訓練（a）余弦函數(shu)，（b）具(ju)有不均勻分布數據的對數函數，（c）高斯噪(zao)聲下的(de)二次函(han)數，（d）二次函數，測(ce)試具有不同數目的隱藏(zang)節點的性(xing)能，并(bing)計算和繪制RMS（Eq.5）、降低RMS（Eq.6）和交(jiao)叉驗證(zheng)RMS。

圖4：藍虛線(xian)(xian)：生成(cheng)數據的二次曲線(xian)(xian)。 紅色/綠色點：由藍色噪(zao)聲(sheng)(sheng)產生的數據(ju)點，高斯噪(zao)聲(sheng)(sheng)有(you)/沒(mei)有被識(shi)別(bie)為錯誤。黑線：具有不確(que)定性(xing)的(de)模型的(de)修正。生成(cheng)的(de)數據的(de)高斯噪(zao)聲(sheng)與toy模型函數(shu)的值成比(bi)例(li)。觀察到在曲線的右端有少量點被識別(bie)為錯誤，因為人工神(shen)經(jing)網絡的確定性在該區域較(jiao)低。

圖5 不(bu)同(tong)x值的訓(xun)練(lian)數據、真實函數和神(shen)經(jing)網(wang)絡預測函數

圖(tu)6：玻璃纖(xian)維(wei)填(tian)料（藍色）和礦物(wu)填(tian)料（紅色）的聚合物(wu)拉伸模量vs密度圖。，輸入(ru)信息不僅(jin)包括填料類型，還包括填料量（重量%）。