-
公开(公告)号：CN115312133A
公开(公告)日：2022-11-08
申请号：CN202211244872.3
申请日：2022-10-12
IPC: G16C10/00 , G06F30/23 , G06F119/14
Abstract: 本发明公开了一种基于本构方程自动化构建和参数提取的跨尺度方法和装置。本发明首先通过使用第一性原理和连续介质耦合的并行跨尺度方法，计算了不同厚度的纳米薄膜材料在不同电荷下的应变情况，得到了电极面内应变随电荷密度和薄膜厚度的变化规律数据；拟合得到了纳米薄膜材料的表面本征应力和表面杨氏模量，给出了表面本征应变和表面电荷密度的数学关系式；随后撰写了利用ABAQUS与PYTHON的二次开发实现了不同表面电荷密度下纳米多孔材料电化学致动响应的数值模拟。本发明通过跨尺度计算推动了纳米多孔薄膜材料连续电化学致动现象的宏观模拟，为电化学致动性能的优化提供基础。
-
公开(公告)号：CN115292672A
公开(公告)日：2022-11-04
申请号：CN202211236314.2
申请日：2022-10-10
Abstract: 本发明公开了一种基于机器学习的公式模型构建方法、系统及装置，包括以下步骤：步骤S1：构建隐式方程；步骤S2：得到组合空间；步骤S3：通过所述专家知识进行约束，获取方程的组合空间；步骤S4：当方程组合数量超过预设阈值，则利用演化计算或LASSO回归的机器学习方法进行回归系数求解；反之，则使用矩阵的伪逆方法进行系数求解；步骤S5：通过预设的评价公式，求解所述候选方程的评价系数，根据所述评价系数评价所述候选方程，排序靠前的所述候选方程即为最终结果。本发明用于搜寻数据之间的关系，并找出相应的表达式，广泛适用于通过实验等手段得到的具有一定特征的数据，在材料构效关系发现和力学中本构方程的发现有着良好的应用。
-
公开(公告)号：CN115017977B
公开(公告)日：2024-09-20
申请号：CN202210529720.1
申请日：2022-05-16
Applicant: 上海大学 , 之江实验室 , 云南锡业集团(控股)有限责任公司研发中心
IPC: G06F18/243 , G06F18/2321 , G06F18/241 , G06F18/27 , G06F18/2433
Abstract: 本发明公开了一种高斯过程回归树分类器多元合金异常数据识别方法：高斯过程回归树分类器异常数据识别方法(英文名：Tree‑Classifier for Gaussian‑Process‑Regression,简称：TCGPR)。本方法基于随机过程假设，根据集合中数据之间的高斯关联性定义了数据集合的全局高斯无序因子(Global Gaussian Messy Factor,GGMF)。通过最大化全局高斯无序因子的期望降低值，不断地扩充初始的数据集合，直至数据集合的拟合优度饱和。本方法基于Stump‑Tree模型建立，通过初始数据集的动态扩容，切分输入的数据集合。本方法可用于例如检测合金性能测试的异常数据，等异常数据识别和分割的机器学习任务之中。本发明是一种基于全局关联性的有监督数据预处理方法，并在相关的数据评估中证实了本方法用于发现和强化数据之间关联的可行性。
-
公开(公告)号：CN115312133B
公开(公告)日：2023-01-31
申请号：CN202211244872.3
申请日：2022-10-12
IPC: G16C10/00 , G06F30/23 , G06F119/14
Abstract: 本发明公开了一种基于本构方程自动化构建和参数提取的跨尺度方法和装置。本发明首先通过使用第一性原理和连续介质耦合的并行跨尺度方法，计算了不同厚度的纳米薄膜材料在不同电荷下的应变情况，得到了电极面内应变随电荷密度和薄膜厚度的变化规律数据；拟合得到了纳米薄膜材料的表面本征应力和表面杨氏模量，给出了表面本征应变和表面电荷密度的数学关系式；随后撰写了利用ABAQUS与PYTHON的二次开发实现了不同表面电荷密度下纳米多孔材料电化学致动响应的数值模拟。本发明通过跨尺度计算推动了纳米多孔薄膜材料连续电化学致动现象的宏观模拟，为电化学致动性能的优化提供基础。
-
公开(公告)号：CN115017977A
公开(公告)日：2022-09-06
申请号：CN202210529720.1
申请日：2022-05-16
Applicant: 上海大学 , 之江实验室 , 云南锡业集团(控股)有限责任公司研发中心
IPC: G06K9/62
Abstract: 本发明公开了一种高斯过程回归树分类器多元合金异常数据识别方法：高斯过程回归树分类器异常数据识别方法(英文名：Tree‑Classifier for Gaussian‑Process‑Regression,简称：TCGPR)。本方法基于随机过程假设，根据集合中数据之间的高斯关联性定义了数据集合的全局高斯无序因子(Global Gaussian Messy Factor,GGMF)。通过最大化全局高斯无序因子的期望降低值，不断地扩充初始的数据集合，直至数据集合的拟合优度饱和。本方法基于Stump‑Tree模型建立，通过初始数据集的动态扩容，切分输入的数据集合。本方法可用于例如检测合金性能测试的异常数据，等异常数据识别和分割的机器学习任务之中。本发明是一种基于全局关联性的有监督数据预处理方法，并在相关的数据评估中证实了本方法用于发现和强化数据之间关联的可行性。
-
Patent Agency Ranking
公开(公告)号：CN116861736A
公开(公告)日：2023-10-10
申请号：CN202310796986.7
申请日：2023-06-30
Applicant: 之江实验室
IPC: G06F30/23 , G06F30/27 , G06N3/084 , G06F119/14
Abstract: 本发明公开了一种结合人工智能的多尺度材料智能计算平台，其特征在于，包括计算模块、数据库模块及人工智能模块；所述计算模块包括微观尺度的第一性原理计算软件、分子动力学计算软件，介观尺度的相场模拟软件以及宏观尺度的有限元计算软件，用于选择所需的计算尺度和软件，根据从所述数据库模块获取的计算参数进行不同尺度下的模拟计算；所述人工智能模块用于在多尺度之间传递参数以及分析材料特性；所述数据库模块用于存储材料信息以及所述人工智能模块生成的多尺度之间的传递参数。
-
公开(公告)号：CN116822226A
公开(公告)日：2023-09-29
申请号：CN202310802129.3
申请日：2023-06-30
Applicant: 之江实验室
IPC: G06F30/20 , G06F30/27 , G06F17/11 , G06N3/0464
Abstract: 本发明公开了一种基于智能计算的多元驱动材料数字化智能系统，采用包含领域知识的人工智能方法，将智能计算材料平台、实验验证平台及材料基因工程数据库平台通过卷积神经网络进行耦合，从而整合至同一个平台系统中，使彼此之间具有有效的链接，进而实现一种新的材料研发方法，能够加速材料的研发过程。
-
公开(公告)号：CN116453626A
公开(公告)日：2023-07-18
申请号：CN202310239263.7
申请日：2023-03-14
Applicant: 上海大学 , 云南锡业集团(控股)有限责任公司研发中心
IPC: G16C60/00 , G06F30/27 , G06T7/136 , G06F113/26
Abstract: 一种基于阈值法与卷积神经网络的相分割方法，包括：通过阈值法分割金相照片中的灰度值单一的金相；通过卷积神经网络模型分割未能通阈值法分割的剩余金相。以上方法提出一种高效的合金金相分割处理办法，可以实现半自动、高精度、定量化的金相分割。
-
公开(公告)号：CN114492119A
公开(公告)日：2022-05-13
申请号：CN202210026720.X
申请日：2022-01-11
Applicant: 上海大学
IPC: G06F30/23 , G06F30/27 , G16C60/00 , G06N3/12 , G06F111/10
Abstract: 本发明公开了一种基于遗传算法的电化学致动器结构优化分析方法及系统，适用于材料在电解液当中发生电化学致动反应过程的有限元方法数值模拟计算，同时结合遗传算法达到对材料的致动性能优化的目的。该方法基于本征应力模型，结合有限元方法，通过程序实现自动化随机建模达到有效计算不同结构下材料的宏观应变，在结合遗传算法的条件下，优化材料的结构以增加材料的宏观应变，有效提高材料的致动性能。本发明方法能实现利用有限元方法自动随机建模，模拟各种不同构型的电化学致动器，通过施加表面应力再实现自动提取结构的宏观应变，最后结合遗传算法反向地对材料的结构进行优化，所需的计算资源和计算时间更少，效率更高，成本更低。
-
公开(公告)号：CN115700574A
公开(公告)日：2023-02-07
申请号：CN202210826948.7
申请日：2022-07-13
Applicant: 上海大学 , 云南锡业集团(控股)有限责任公司研发中心
IPC: G06F30/27 , G06N20/00 , G06F18/23213 , G06F119/14
Abstract: 本发明公开了一种聚类筛选后自适应机器学习辅助设计无铅锡基焊料合金的方法，先收集获取无铅锡基焊料合金的材料数据建立数据集；再使用k‑means聚类方法对力学性能聚类，剔除性能较差的簇，把样本分类；将不同类别的合金成分和其特征筛选后的原子特征作为输入，其力学性能作为输出；建立单目标机器学习模型；对于每种机器学习模型采用留一交叉验证法和皮尔逊指数R作为机器学习模型精度指标，对于每种不同的力学性能，选取皮尔逊指数R最大的机器学习模型；对于收集到的无铅锡基合金成分数据做内差和正交排列组合，作为虚拟样本；最后将虚拟样本输入到机器学习模型中，得出力学性能预测值，根据预测值优选出性能优异的合金成分，实现辅助设计合金。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.023 seconds)
