[发明专利]一种基于神经网络算法预测玻璃介电损耗的方法

说明书

本发明公开了一种基于神经网络算法预测玻璃介电损耗的方法，属于玻璃性能预测技术领域。所述方法通过采用分子模拟和机器学习相结合的方法预测玻璃的介电损耗，自动寻找到描述玻璃介电损耗的关键基因，并具有拓展到更多玻璃组分体系的外推能力，可以在玻璃内部结构未知的情况下通过数据驱动，建立玻璃组分和性能的关联，在给定组分配比的情况下预测玻璃的介电损耗，减少了实验试错的成本，可以提高新型玻璃的研发效率。

技术领域

本发明涉及一种基于神经网络算法预测玻璃介电损耗的方法，属于玻璃性能预测技术领域。

背景技术

近年来，随着无线网络和卫星通讯技术的日益进步，电子设备正朝着高速与高频化的趋势发展。高频高速印刷电路板是新一代电子设备的核心组件，在高频高速信号传输领域，如移动通信基站、高速数据中心、云计算中心、自动雷达传感器等方面有广阔的应用。

低介电损耗玻璃纤维材料作为重要的纺织材料，是高频高速线路板的覆铜板的关键原材料。在电路板上，介电损耗高会使信号在传递过程中部分转化为热能，降低了信号的强度，从而制约高频电信号的交换和传递效率。拥有较低的介电损耗是高频电路板的关键指标要求之一。同时，高介电常数玻璃纤维主要用于埋容器件。随着电子信息技术和纳米科技的发展，电子元器件的日趋微型化和质轻化对器件的集成度提出了更高的要求。将无源器件置入电路板的内部不仅节约了电路板的表面空间，同时也降低了线路板表面的焊点，降低了电源系统的阻抗。高介电玻璃纤维可以作为嵌入式电容，内置于电路板中，其较高的介电常数可以提高器件的电容量。

目前针对介电损耗的预测方法主要基于回归分析法、分子模拟或经验公式法，回归分析法本质上是简单拟合方法，该方法仅适用于所研究的玻璃成分体系不变的情况，没有玻璃基因的概念，导致预测结果的多组分外推能力差，当组分原料很多时预测效果不好，工业推广受限。分子模拟方法计算成本非常高，计算时间通常花费数周的时间，模拟的材料体系受计算成本的影响很大。经验公式公式法

主要通过Lichtenecker经验方程、JayasundereSmith经验方程或MoulsonHerbert经验方程，需要提前估算氧化物的体积分数，存在估算不准确的情况，且经验公式本身并无其他玻璃体系的外推能力。

发明内容

为了能够精准的预测出玻璃的介电损耗并且不受化学成分组成的限制，本发明提供了一种基于神经网络算法预测玻璃介电损耗的方法，所述方法包括：

步骤1，采集不同成分构成的玻璃材料的介电损耗数据，构建介电损耗数据库，该库中包括一一映射的玻璃成分和其对应的介电损耗；

步骤2，基于第一性原理构造氧化物玻璃材料中具有不同对称性的氧化物团簇的原子结构模型，并以每种团簇的每单位阳离子i的结合能含有阳离子A的离子极化力F_A，计算表达式以及含有阳离子A的离子极化率α_A作为性能参数构造介电损耗的包含“材料基因”的描述符；

步骤3，基于步骤1构建的介电损耗数据库和步骤2构造的描述符，构建训练集、验证集和测试集；

步骤4，基于神经网络模型构建介电损耗预测模型，根据步骤3构造的训练集、验证集和测试集对所构建的介电损耗预测模型进行训练，得到训练好的介电损耗预测模型；

步骤5，针对待预测的玻璃材料，利用训练好的介电损耗预测模型预测该玻璃材料的介电损耗。

可选的，所述步骤2包括：

步骤2-1，构造具有不同对称性的氧化物团簇的原子结构模型，作为第一性原理计算的晶胞；

步骤2-2，对于在步骤2-1中构造的每一类氧化物团簇的晶胞结构，进行第一性原理计算，获得每种晶胞的团簇能量E_cluster和结构常数；