[发明专利]一种使用元学习的小样本含能材料性能预测方法、存储设备及终端

说明书

本发明提供的一种使用元学习的小样本含能材料性能预测方法、存储设备及终端，所述方法包括：S10，确定用于含能性能材料预测的输入特征和输出特征，其中，输入特征包括：晶面、晶面面积占比、温度、密度、结合能和扩散系数，所述输出特征包括：体积模量、剪切模量和杨氏模量；S20，获取样本数据，并将样本数据按比例随机划分为训练集和查询集，并将训练集划分为多个训练任务，多个训练任务共用查询集；S30，构建神经网络预测模型；S40，对训练集的多个训练任务进行元学习，得到神经网络预测模型的最优参数；S50，通过查询集对神经网络预测模型进行优化和评估；本发明具有在小样本情况下、有效提高预测精度的有益效果，适用于含能材料领域。

技术领域

本发明涉及含能材料的技术领域，具体涉及一种使用元学习的小样本含能材料性能预测方法、存储设备及终端。

背景技术

目前，含能材料已广泛应用于军事和民用领域，包括炸药、推进剂和烟火药；优良的综合性能一直是含能材料发展的首要要求，如爆轰性能显著、感度低、环境安全友好、力学性能优良、热稳定性好等；其中，力学性能是含能材料一种重要的实用性能，其对含能材料具有重要意义，直接关系到含能材料的使用安全性和能量大小。

材料的力学性能是指在一定温度条件和外力作用下，材料抵抗变形和断裂的能力，对含能材料而言，除温度和外力之外，粒度、形貌、密度、缺陷等表界面特性还会直接影响着力学性能；研究含能材料的力学性能对于指导含能材料配方和结构设计，以及对含能材料进行安全性评估和寿命预测等都具有重要的意义；但是，单纯采用实验技术对其进行研究则会产生研究周期长、成本高、危险性大、影响因素多而导致结果重现性低等问题。

从上世纪50年代开始，研究人员通过模拟仿真物质的结构和运动,推演出越来越多复杂的现象，模拟计算方式的出现大大加快了含能材料的研究进展；然而，虽然计算模拟的结果准确可靠,却存在计算过程复杂,模型要求高,耗时长等限制；以体积模量、剪切模量和杨氏模量这三种常见的力学性能为例，得到一个样本需要在指定的配方的温度条件下，使用分子动力学计算得到轨迹文件，而后基于此计算得到的弹性系数矩阵，进而计算得到上述三种模量，获取一个样本所需时间大于48h。

综上，由于样本的稀缺，试图纯粹采用计算模拟方式来研究含能材料的力学性能也变得极其困难。

发明内容

针对相关技术中存在的不足，本发明所要解决的技术问题在于：提供一种使用元学习的小样本含能材料性能预测方法，在小样本情况下、有效提高预测精度。

为解决上述技术问题，本发明采用的技术方案为：

一种使用元学习的小样本含能材料性能预测方法，包括如下步骤：

S10，确定用于含能性能材料预测的输入特征和输出特征，其中，输入特征包括：晶面、晶面面积占比、温度、密度、结合能和扩散系数，所述输出特征包括：体积模量、剪切模量和杨氏模量；

S20，获取样本数据，并将样本数据按比例随机划分为训练集和查询集，并将训练集划分为多个训练任务，多个训练任务共用查询集；

S30，构建神经网络预测模型；

S40，对训练集的多个训练任务进行元学习，得到神经网络预测模型的最优参数；

S50，通过查询集对神经网络预测模型进行优化和评估。

优选地,所述步骤S30，构建神经网络预测模型中，所述的神经网络预测模型包括：1个输入层、3个隐含层和1个输出层；

其中：3个隐含层分别为：第一隐含层、第二隐含层和第三隐含层；

所述输入层包含6个神经元，分别对应于6个输入特征；所述第一隐含层、第二隐含层、第三隐含层均包含有8个神经元；

所述输出层包含3个神经元，分别对应于3个输出特征；