CN116206708A - 基于人工神经网络的热力学性能预测方法及装置 - Google Patents

Abstract

本发明涉及高分子材料领域，具体涉及一种基于人工神经网络的热力学性能预测方法及装置，包括：建立导热垫片的结构模型；利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集；对数据集进行训练得到泛化能力强的人工神经网络；使用泛化能力强的人工神经网络预测导热垫片复合材料的性能。本发明通过与数据驱动相关知识结合，引入神经网络的方法来构建一个泛化能力强的模型预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间，有利于在复合材料预研中快速确定影响材料性能的因素，并通过模型的预测能力筛选出较好的参数，用以指导实验环节中材料的制备，优化填料的配比。

Description

基于人工神经网络的热力学性能预测方法及装置

技术领域

本发明涉及高分子材料领域，具体而言，涉及一种基于人工神经网络的热力学性能预测方法及装置。

背景技术

自电子器件的热管理受到重视以来，热界面材料(TIMs)的相关研究一直都是行业热点，TIMs通常都是以复合材料的形式设计，以环氧树脂等高分子材料作为基体，高热导率的导热材料作为增强材料填充进基体，经过混合、固化等工艺步骤即可得到初始的导热材料。近年来，导热垫片(Thermal Pads)越来越受到研究人员的关注。导热垫片通常由树脂和填充导热颗粒组成，用于低功耗设备如芯片组和移动处理器的散热，最大的优势在于方便操作，可以轻松压缩将空隙填满。导热垫片的另一个优点在于应力匹配，可以优化封装整体的可靠性，大大降低由于应力失配带来的断裂和弯曲问题。但导热垫片也存在着一些问题，为了增加材料的导热能力可以增加导热填料的比例，代价是导热垫会硬化导致压缩性能降低，从而使得界面热阻增加。因此如何调配导热垫片的填充成分，使其热学和力学性能同时达到理想水平有着非常重要的意义。

导热垫片作为一种导热复合材料，它的力学性能和热学性能受到材料本身的结构和性质影响，这些性能与填料的体积分数和配比都有明显的关系，涉及大量的工程知识。在传统的研究方法中，基于微观力学的解析方法以及一些经验模型均是基于一些简单的假设，其可靠性在很大程度上由于高度随机的微观结构而难以捉摸。仅使用数值模拟来建立模型并分析其性能，并进行高通量的筛选尽管充分考虑了复合材料的微观结构，但计算量巨大，是一项费时费力的工作。

使用数据驱动的方法对复合材料进行研究也越来越受到研究人员们的青睐，通过使用数据统计和机器学习相关方法，建立材料的基本属性与关注的目标特性之间的关系，从而获得一个能够根据输入参数得到材料对应的特性的模型，大大提高了研究的效率，同时也能提供一些新的研究思路，因此采用数据驱动的研究方法十分有价值。

发明内容

本发明实施例提供了一种基于人工神经网络的热力学性能预测方法及装置，以至少解决现有方法对导热垫片热力学性能预测效率低下的技术问题。

根据本发明的一实施例，提供了一种基于人工神经网络的热力学性能预测方法，包括以下步骤：

建立导热垫片的结构模型；

利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集；

对数据集进行训练得到泛化能力强的人工神经网络；

使用泛化能力强的人工神经网络预测导热垫片复合材料的性能。

进一步地，使用TensorFlow对数据集进行训练得到泛化能力强的人工神经网络。

进一步地，建立导热垫片的结构模型包括：

将导热垫片填料的总体积分数、碳纤维和氧化铝各自的体积分数以及碳纤维和氧化铝的尺寸作为输入参数来生成多个结构模型。

进一步地，填料总体积分数以及其中纤维体积分数在50-80vol％，颗粒直径在1-9微米，碳纤维直径在5-15微米。

进一步地，利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集包括：

根据已经建好的结构模型，利用有限元的方法计算材料主方向杨氏模量和热导率；其中在生成热导率数据集的过程中，将新增材料体系内的5种界面热阻作为输入参数，界面热阻的取值范围均在10^-7-10^-5m²K/W间随机分布。

进一步地，对数据集进行训练得到泛化能力强的人工神经网络包括：数据的预处理、数据的特征选择、数据的训练模型、数据的评估统计；其中：

数据的预处理包括：利用数据标准化的过程将数据集转化为无量纲的数值，不同量级的数据在同一水平下进行比较；

数据的特征选择包括：使用相关系数对初始选用的和结构相关的基础描述符进行特征排序、前向选择和后向选择以过滤大部分非重要特征；

数据的训练模型包括：使用得到的特征子集作为输入建立神经网络，通过改变超参数的方法训练大量模型，找到其中误差最小的模型作为最终的神经网络；

数据的评估统计包括：获取数据的评估指标。

进一步地，数据的预处理包括建立数据集、数据标准化和将数据集划分为训练集、验证集和测试集，其中训练集用以训练ANN模型；验证集用以在ANN训练的每一轮循环后进行评估，随时监测模型的拟合效果；测试集用于模型训练之后对模型进行评估，作为对模型性能好坏的评判依据。

进一步地，前向选择包括：

在利用过滤法得到的初始特征子集的基础上，从之前被过滤的特征里选择一个加入到特征子集中，建立支持向量机模型并评估当前的误差，并与之前最小的误差进行对比，如果当前误差比最小的子集误差小，将当前子集作为最小的子集，否则最小的误差组合不变，直接进入下一个环节；

在保存当前的结果后，判断是否已经是最后一次循环，如果是退出循环，否则添加下一个特征，判断是否超出特征数量的阈值，如果超过阈值，将当前加入的特征从组合中去除，否则不做修改，接着开始下一轮循环，之后的操作重复本过程，直到程序从循环中退出。

进一步地，后向选择包括：

在前向选择的基础上，不断从当前子集中去除特征，若减少特征后的子集训练的模型经过评估后，误差小于目标结果中的误差，则将当前的子集替换目标结果。

本发明的另一实施例，提供了一种基于人工神经网络的热力学性能预测装置，包括：

模型建立单元，用于建立导热垫片的结构模型；

仿真单元，用于利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集；

神经网络获取单元，用于对数据集进行训练得到泛化能力强的人工神经网络；

预测单元，用于使用泛化能力强的人工神经网络预测导热垫片复合材料的性能。

一种存储介质，存储介质存储有能够实现上述任意一项基于人工神经网络的热力学性能预测方法的程序文件。

一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于人工神经网络的热力学性能预测方法。

本发明实施例中的基于人工神经网络的热力学性能预测方法及装置，通过与数据驱动相关知识结合，引入神经网络的方法来构建一个泛化能力强的模型预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间，有利于在复合材料预研中快速确定影响材料性能的因素，并通过模型的预测能力筛选出较好的参数，用以指导实验环节中材料的制备，优化填料的配比。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明基于人工神经网络的热力学性能预测方法的流程图；

图2为本发明中碳纤维-氧化铝导热垫结构模型图；

图3为本发明中机器学习总体的研究流程图；

图4为本发明中前向选择的程序设计详细流程图；

图5为本发明中后向选择的程序设计详细流程图；

图6为本发明基于人工神经网络的热力学性能预测装置的模块图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明一实施例，提供了一种基于人工神经网络的热力学性能预测方法，参见图1，包括以下步骤：

S101:建立导热垫片的结构模型；

S102:利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集；

S103:对数据集进行训练得到泛化能力强的人工神经网络；

S104:使用泛化能力强的人工神经网络预测导热垫片复合材料的性能。

本发明实施例中的基于人工神经网络的热力学性能预测方法，通过与数据驱动相关知识结合，引入神经网络的方法来构建一个泛化能力强的模型预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间，有利于在复合材料预研中快速确定影响材料性能的因素，并通过模型的预测能力筛选出较好的参数，用以指导实验环节中材料的制备，优化填料的配比。

其中，使用TensorFlow对数据集进行训练得到泛化能力强的人工神经网络。

其中，建立导热垫片的结构模型包括：

将导热垫片填料的总体积分数、碳纤维和氧化铝各自的体积分数以及碳纤维和氧化铝的尺寸作为输入参数来生成多个结构模型。

其中，填料总体积分数以及其中纤维体积分数在50-80vol％，颗粒直径在1-9微米，碳纤维直径在5-15微米。

其中，利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集包括：

根据已经建好的结构模型，利用有限元的方法计算材料主方向杨氏模量和热导率；其中在生成热导率数据集的过程中，将新增材料体系内的5种界面热阻作为输入参数，界面热阻的取值范围均在10^-7-10^-5m²K/W间随机分布。

其中，对数据集进行训练得到泛化能力强的人工神经网络包括：数据的预处理、数据的特征选择、数据的训练模型、数据的评估统计；其中：

数据的预处理包括：利用数据标准化的过程将数据集转化为无量纲的数值，不同量级的数据在同一水平下进行比较；

数据的特征选择包括：使用相关系数对初始选用的和结构相关的基础描述符进行特征排序、前向选择和后向选择以过滤大部分非重要特征；

数据的训练模型包括：使用得到的特征子集作为输入建立神经网络，通过改变超参数的方法训练大量模型，找到其中误差最小的模型作为最终的神经网络；

数据的评估统计包括：获取数据的评估指标。

其中，数据的预处理包括建立数据集、数据标准化和将数据集划分为训练集、验证集和测试集，其中训练集用以训练ANN模型；验证集用以在ANN训练的每一轮循环后进行评估，随时监测模型的拟合效果；测试集用于模型训练之后对模型进行评估，作为对模型性能好坏的评判依据。

其中，前向选择包括：

在利用过滤法得到的初始特征子集的基础上，从之前被过滤的特征里选择一个加入到特征子集中，建立支持向量机模型并评估当前的误差，并与之前最小的误差进行对比，如果当前误差比最小的子集误差小，将当前子集作为最小的子集，否则最小的误差组合不变，直接进入下一个环节；

在保存当前的结果后，判断是否已经是最后一次循环，如果是退出循环，否则添加下一个特征，判断是否超出特征数量的阈值，如果超过阈值，将当前加入的特征从组合中去除，否则不做修改，接着开始下一轮循环，之后的操作重复本过程，直到程序从循环中退出。

其中，后向选择包括：

在前向选择的基础上，不断从当前子集中去除特征，若减少特征后的子集训练的模型经过评估后，误差小于目标结果中的误差，则将当前的子集替换目标结果。

下面以具体实施例，对本发明的基于人工神经网络的热力学性能预测方法进行详细说明：

本发明中，通过与数据驱动相关知识结合，引入神经网络的方法来构建一个泛化能力强的模型预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间，有利于在复合材料预研中快速确定影响材料性能的因素，并通过模型的预测能力筛选出较好的参数，用以指导实验环节中材料的制备，优化填料的配比。

鉴于此，针对碳纤维/氧化铝颗粒混合填充的新型导热垫片，本发明提供一种基于人工神经网络的热力学性能预测方法，用以指导该复合材料中填料选择和级配，对制备具有良好力学性能和热学性能的复合材料具有重要价值。

本发明中的导热垫片由环氧树脂作为基体，由碳纤维和氧化铝作为增强材料。首先建立该导热垫片的结构模型，并利用有限元的方法对其力学、热学性能进行仿真，得到大量导热垫片力学性能和热学性能的数据集。进一步使用TensorFlow对数据集进行训练得到泛化能力强的人工神经网络，用以预测导热垫片复合材料的性能。其中利用特征工程结合神经网络的方法对导热垫片的相关数据进行处理，训练出的网络模型有较高的精度，泛化能力强。

1.碳纤维-氧化铝导热垫结构模型建立

碳纤维-氧化铝导热垫结构模型如图2所示，代表性体积单元为具有周期性结构的长方体，尺寸为50×50×150μm³，其中碳纤维用柱体表示，氧化铝为球形颗粒。由于实际的生产实验过程中无法使得导热垫片中所有纤维都具有完美的一致取向，这里保证纤维的取向角度均匀分布在0°到10°之间。结构模型中的材料参数见下表1-表4。

表1导热垫的参数

表2碳纤维的参数

表3氧化铝的参数

表4基体的参数

2.导热垫热导率和杨氏模量数据集建立

将填料的总体积分数、碳纤维和氧化铝各自的体积分数以及碳纤维和氧化铝的尺寸作为输入参数来生成大量结构模型(其中填料总体积分数以及其中纤维体积分数在50-80vol％，颗粒直径在1-9微米，碳纤维直径在5-15微米，共生成了1063个模型)。根据已经建好的结构模型，利用有限元的方法计算材料主方向(碳纤维取向方向)杨氏模量和热导率。需要注意的是，在生成热导率数据集的过程中，将新增材料体系内的5种界面热阻作为输入参数(包括纤维-基体，氧化铝-基体，纤维-纤维，氧化铝-氧化铝，纤维-氧化铝5种界面热阻)，界面热阻的取值范围均在10^-7-10^-5m²K/W间随机分布，因此数据量更为巨大。

3.机器学习

本发明使用人工神经网络建立了一个泛化能力强的模型来预测导热垫片复合材料的力学性能。总体的研究流程如图3所示，其中Train、Val和Test表示训练集、验证集和测试集。图3的流程主要由数据的预处理、特征选择、训练模型、评估统计这四个大步骤组成。其中数据的预处理包括建立数据集、数据标准化和将数据集划分为训练集、验证集和测试集，训练集用以训练ANN模型(训练集、验证集合测试集的比例分为8:1:1)，验证集用以在ANN训练的每一轮循环后进行评估，随时监测模型的拟合效果，测试集用于模型训练之后对模型进行评估，作为对模型性能好坏的评判依据。

数据的预处理是利用数据标准化的过程将数据集转化为无量纲的数值，使得不同量级的数据能够在同一水平下进行比较，计算过程如公式(1)-(3)所示，其中s表示该特征的标准差，

表示该特征的平均值，z表示该特征每一个数值标准化之后的结果，x表示该特征的数值集合，x_i指该集合中的第i个数值，n为该集合的数据总数。该方法将特征值x的数据集合标准化，使数据更适用于后续的机器学习。

特征选择包括使用相关系数对初始选用的和结构相关的基础描述符进行特征排序、前向选择和后向选择以过滤大部分没那么重要的特征，参考依据是肯德尔相关系数。

(1)前向选择的程序设计详细流程如图4所示，在利用过滤法得到的初始特征子集的基础上，不断尝试从之前被过滤的特征里选择一个加入到特征子集中，建立支持向量机(Support Vector Machine，SVM)模型并评估当前的误差，并与之前最小的误差进行对比，如果当前误差比最小的子集误差小，说明当前的子集比之前的子集更好，因此将当前子集作为最小的子集，否则最小的误差组合不变，直接进入下一个环节。在保存当前的结果后，判断是否已经是最后一次循环，如果是说明组合的遍历已经结束，退出循环，否则尝试添加下一个特征，判断是否超出特征数量的阈值，如果超过阈值，就将当前加入的特征从组合中去除，否则不做修改，接着开始下一轮循环，之后的操作重复这个过程，直到程序从循环中退出。由于这里涉及的初始特征较多，对太多过大的组合进行误差评估较为耗时，因此初始的阈值设置为20，如果发现特征子大小达到20，则提高阈值重新开始查找特征子集。

(2)后向选择与前向选择类似，在前向选择的基础上，不断从当前子集中去除特征，发现减少特征后的子集训练的模型经过评估后，误差小于目标结果中的误差，则将当前的子集替换目标结果。后向选择程序设计流程如图5所示，该流程与前向选择大致相同，只是将增加特征变为删除特征。

在完成特征选择之后，可以使用得到的特征子集作为输入建立神经网络。通过改变超参数的方法训练大量模型，找到其中误差最小的模型作为最终的结果。

在评估统计的步骤中，评估指标包括均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、决定系数(R²)。

本发明的关键点和欲保护点至少在于：

1.碳纤维/氧化铝颗粒填充型导热垫结构模型的设计和建立。

2.影响碳纤维/氧化铝颗粒填充型导热垫热力学性能的特征描述符选择。

3.利用导热垫模量和热导率数据库结合特征筛选进行导热垫热力学性能ANN模型的建立过程。

本发明的优点和有益效果至少如下：

1.本发明首次提出将高通量计算、特征筛选和机器学习相结合的方法对碳纤维-氧化铝导热垫体系的热力学性能进行可靠预测。

2.利用该方法指导级配案成本低，效率高，结果可靠性好。

本发明经过测试，证明可行,构建的一个泛化能力强的模型可以预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间。

实施例2

根据本发明的另一实施例，提供了一种基于人工神经网络的热力学性能预测装置，参见图6，包括：

模型建立单元201，用于建立导热垫片的结构模型；

仿真单元202，用于利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集；

神经网络获取单元203，用于对数据集进行训练得到泛化能力强的人工神经网络；

预测单元204，用于使用泛化能力强的人工神经网络预测导热垫片复合材料的性能。

本发明实施例中的基于人工神经网络的热力学性能预测装置，通过与数据驱动相关知识结合，引入神经网络的方法来构建一个泛化能力强的模型预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间，有利于在复合材料预研中快速确定影响材料性能的因素，并通过模型的预测能力筛选出较好的参数，用以指导实验环节中材料的制备，优化填料的配比。

下面以具体实施例，对本发明的基于人工神经网络的热力学性能预测装置进行详细说明：

本发明中，通过与数据驱动相关知识结合，引入神经网络的方法来构建一个泛化能力强的模型预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间，有利于在复合材料预研中快速确定影响材料性能的因素，并通过模型的预测能力筛选出较好的参数，用以指导实验环节中材料的制备，优化填料的配比。

鉴于此，针对碳纤维/氧化铝颗粒混合填充的新型导热垫片，本发明提供一种基于人工神经网络的热力学性能预测装置，用以指导该复合材料中填料选择和级配，对制备具有良好力学性能和热学性能的复合材料具有重要价值。

本发明中的导热垫片由环氧树脂作为基体，由碳纤维和氧化铝作为增强材料。首先建立该导热垫片的结构模型，并利用有限元的方法对其力学、热学性能进行仿真，得到大量导热垫片力学性能和热学性能的数据集。进一步使用TensorFlow对数据集进行训练得到泛化能力强的人工神经网络，用以预测导热垫片复合材料的性能。其中利用特征工程结合神经网络的方法对导热垫片的相关数据进行处理，训练出的网络模型有较高的精度，泛化能力强。

1.碳纤维-氧化铝导热垫结构模型建立

碳纤维-氧化铝导热垫结构模型如图2所示，代表性体积单元为具有周期性结构的长方体，尺寸为50×50×150μm³，其中碳纤维用柱体表示，氧化铝为球形颗粒。由于实际的生产实验过程中无法使得导热垫片中所有纤维都具有完美的一致取向，这里保证纤维的取向角度均匀分布在0°到10°之间。结构模型中的材料参数见下表1-表4。

表1导热垫的参数

表2碳纤维的参数

表3氧化铝的参数

表4基体的参数

2.导热垫热导率和杨氏模量数据集建立

将填料的总体积分数、碳纤维和氧化铝各自的体积分数以及碳纤维和氧化铝的尺寸作为输入参数来生成大量结构模型(其中填料总体积分数以及其中纤维体积分数在50-80vol％，颗粒直径在1-9微米，碳纤维直径在5-15微米，共生成了1063个模型)。根据已经建好的结构模型，利用有限元的方法计算材料主方向(碳纤维取向方向)杨氏模量和热导率。需要注意的是，在生成热导率数据集的过程中，将新增材料体系内的5种界面热阻作为输入参数(包括纤维-基体，氧化铝-基体，纤维-纤维，氧化铝-氧化铝，纤维-氧化铝5种界面热阻)，界面热阻的取值范围均在10^-7-10^-5m²K/W间随机分布，因此数据量更为巨大。

3.机器学习

本发明使用人工神经网络建立了一个泛化能力强的模型来预测导热垫片复合材料的力学性能。总体的研究流程如图3所示，其中Train、Val和Test表示训练集、验证集和测试集。图3的流程主要由数据的预处理、特征选择、训练模型、评估统计这四个大步骤组成。其中数据的预处理包括建立数据集、数据标准化和将数据集划分为训练集、验证集和测试集，训练集用以训练ANN模型(训练集、验证集合测试集的比例分为8:1:1)，验证集用以在ANN训练的每一轮循环后进行评估，随时监测模型的拟合效果，测试集用于模型训练之后对模型进行评估，作为对模型性能好坏的评判依据。

数据的预处理是利用数据标准化的过程将数据集转化为无量纲的数值，使得不同量级的数据能够在同一水平下进行比较，计算过程如公式(1)-(3)所示，其中s表示该特征的标准差，

表示该特征的平均值，z表示该特征每一个数值标准化之后的结果，x表示该特征的数值集合，x_i指该集合中的第i个数值，n为该集合的数据总数。该方法将特征值x的数据集合标准化，使数据更适用于后续的机器学习。

特征选择包括使用相关系数对初始选用的和结构相关的基础描述符进行特征排序、前向选择和后向选择以过滤大部分没那么重要的特征，参考依据是肯德尔相关系数。

(1)前向选择的程序设计详细流程如图4所示，在利用过滤法得到的初始特征子集的基础上，不断尝试从之前被过滤的特征里选择一个加入到特征子集中，建立支持向量机(Support Vector Machine，SVM)模型并评估当前的误差，并与之前最小的误差进行对比，如果当前误差比最小的子集误差小，说明当前的子集比之前的子集更好，因此将当前子集作为最小的子集，否则最小的误差组合不变，直接进入下一个环节。在保存当前的结果后，判断是否已经是最后一次循环，如果是说明组合的遍历已经结束，退出循环，否则尝试添加下一个特征，判断是否超出特征数量的阈值，如果超过阈值，就将当前加入的特征从组合中去除，否则不做修改，接着开始下一轮循环，之后的操作重复这个过程，直到程序从循环中退出。由于这里涉及的初始特征较多，对太多过大的组合进行误差评估较为耗时，因此初始的阈值设置为20，如果发现特征子大小达到20，则提高阈值重新开始查找特征子集。

(2)后向选择与前向选择类似，在前向选择的基础上，不断从当前子集中去除特征，发现减少特征后的子集训练的模型经过评估后，误差小于目标结果中的误差，则将当前的子集替换目标结果。后向选择程序设计流程如图5所示，该流程与前向选择大致相同，只是将增加特征变为删除特征。

在完成特征选择之后，可以使用得到的特征子集作为输入建立神经网络。通过改变超参数的方法训练大量模型，找到其中误差最小的模型作为最终的结果。

在评估统计的步骤中，评估指标包括均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、决定系数(R²)。

本发明的关键点和欲保护点至少在于：

1.碳纤维/氧化铝颗粒填充型导热垫结构模型的设计和建立。

2.影响碳纤维/氧化铝颗粒填充型导热垫热力学性能的特征描述符选择。

3.利用导热垫模量和热导率数据库结合特征筛选进行导热垫热力学性能ANN模型的建立过程。

本发明的优点和有益效果至少如下：

1.本发明首次提出将高通量计算、特征筛选和机器学习相结合的方法对碳纤维-氧化铝导热垫体系的热力学性能进行可靠预测。

2.利用该方法指导级配案成本低，效率高，结果可靠性好。

本发明经过测试，证明可行,构建的一个泛化能力强的模型可以预测复合材料导热垫热力学性能，大大降低了工作量，同时节约了时间。

实施例3

一种存储介质，存储介质存储有能够实现上述任意一项基于人工神经网络的热力学性能预测方法的程序文件。

实施例4

一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于人工神经网络的热力学性能预测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于人工神经网络的热力学性能预测方法，其特征在于，包括以下步骤：

建立导热垫片的结构模型；

利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集；

对数据集进行训练得到泛化能力强的人工神经网络；

使用泛化能力强的人工神经网络预测导热垫片复合材料的性能。

2.根据权利要求1所述的基于人工神经网络的热力学性能预测方法，其特征在于，使用TensorFlow对数据集进行训练得到泛化能力强的人工神经网络。

3.根据权利要求1所述的基于人工神经网络的热力学性能预测方法，其特征在于，所述建立导热垫片的结构模型包括：

将导热垫片填料的总体积分数、碳纤维和氧化铝各自的体积分数以及碳纤维和氧化铝的尺寸作为输入参数来生成多个结构模型。

4.根据权利要求3所述的基于人工神经网络的热力学性能预测方法，其特征在于，填料总体积分数以及其中纤维体积分数在50-80vol％，颗粒直径在1-9微米，碳纤维直径在5-15微米。

5.根据权利要求1所述的基于人工神经网络的热力学性能预测方法，其特征在于，所述利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集包括：

根据已经建好的结构模型，利用有限元的方法计算材料主方向杨氏模量和热导率；其中在生成热导率数据集的过程中，将新增材料体系内的5种界面热阻作为输入参数，界面热阻的取值范围均在10^-7-10^-5m²K/W间随机分布。

6.根据权利要求1所述的基于人工神经网络的热力学性能预测方法，其特征在于，所述对数据集进行训练得到泛化能力强的人工神经网络包括：数据的预处理、数据的特征选择、数据的训练模型、数据的评估统计；其中：

数据的预处理包括：利用数据标准化的过程将数据集转化为无量纲的数值，不同量级的数据在同一水平下进行比较；

数据的特征选择包括：使用相关系数对初始选用的和结构相关的基础描述符进行特征排序、前向选择和后向选择以过滤大部分非重要特征；

数据的训练模型包括：使用得到的特征子集作为输入建立神经网络，通过改变超参数的方法训练大量模型，找到其中误差最小的模型作为最终的神经网络；

数据的评估统计包括：获取数据的评估指标。

7.根据权利要求6所述的基于人工神经网络的热力学性能预测方法，其特征在于，数据的预处理包括建立数据集、数据标准化和将数据集划分为训练集、验证集和测试集，其中训练集用以训练ANN模型；验证集用以在ANN训练的每一轮循环后进行评估，随时监测模型的拟合效果；测试集用于模型训练之后对模型进行评估，作为对模型性能好坏的评判依据。

8.根据权利要求6所述的基于人工神经网络的热力学性能预测方法，其特征在于，前向选择包括：

在利用过滤法得到的初始特征子集的基础上，从之前被过滤的特征里选择一个加入到特征子集中，建立支持向量机模型并评估当前的误差，并与之前最小的误差进行对比，如果当前误差比最小的子集误差小，将当前子集作为最小的子集，否则最小的误差组合不变，直接进入下一个环节；

在保存当前的结果后，判断是否已经是最后一次循环，如果是退出循环，否则添加下一个特征，判断是否超出特征数量的阈值，如果超过阈值，将当前加入的特征从组合中去除，否则不做修改，接着开始下一轮循环，之后的操作重复本过程，直到程序从循环中退出。

9.根据权利要求8所述的基于人工神经网络的热力学性能预测方法，其特征在于，后向选择包括：

在前向选择的基础上，不断从当前子集中去除特征，若减少特征后的子集训练的模型经过评估后，误差小于目标结果中的误差，则将当前的子集替换目标结果。

10.一种基于人工神经网络的热力学性能预测装置，其特征在于，包括：

模型建立单元，用于建立导热垫片的结构模型；

仿真单元，用于利用有限元的方法对导热垫片的结构模型的力学、热学性能进行仿真，得到导热垫片力学性能和热学性能的数据集；

神经网络获取单元，用于对数据集进行训练得到泛化能力强的人工神经网络；

预测单元，用于使用泛化能力强的人工神经网络预测导热垫片复合材料的性能。

Images