CN111368041B - 材料的确定方法及装置 - Google Patents
材料的确定方法及装置 Download PDFInfo
- Publication number
- CN111368041B CN111368041B CN202010089121.3A CN202010089121A CN111368041B CN 111368041 B CN111368041 B CN 111368041B CN 202010089121 A CN202010089121 A CN 202010089121A CN 111368041 B CN111368041 B CN 111368041B
- Authority
- CN
- China
- Prior art keywords
- information
- performance
- preset
- structural
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 524
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007246 mechanism Effects 0.000 claims description 32
- 230000006872 improvement Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000011056 performance test Methods 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000001568 sexual effect Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 239000011819 refractory material Substances 0.000 description 42
- 238000013528 artificial neural network Methods 0.000 description 14
- 239000013078 crystal Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000035939 shock Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 239000002893 slag Substances 0.000 description 7
- 230000000930 thermomechanical effect Effects 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000000329 molecular dynamics simulation Methods 0.000 description 4
- 230000003647 oxidation Effects 0.000 description 4
- 238000007254 oxidation reaction Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012900 molecular simulation Methods 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种材料的确定方法及装置，涉及信息技术领域，主要在于能够查找到满足性能需求的材料结构，降低了实验人员的工作量，提高满足性能需求材料的查找效率。其中方法包括：接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。本发明适用于材料的确定。
Description
技术领域
本发明涉及材料领域，尤其是涉及一种材料的确定方法及装置。
背景技术
无机非金属材料、金属材料和有机高分子材料并称为三大材料，其能够以各自性能特点满足人类多方面需求，是高新科技发展的基石，在未来科技发展中发挥着重要作用，因此查找到满足性能需求的材料显得格外重要。如何高效获取满足性能要求的材料结构是亟需解决的问题。
发明内容
本发明提供了一种材料的确定方法及装置，主要在于能够查找到满足性能需求的材料结构，提高材料结构的查找和获取效率，降低了实验人员的工作量。
根据本发明的第一个方面，提供一种材料的确定方法，包括：
接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；
判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；
若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；
若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。
根据本发明的第二个方面，提供一种材料的确定装置，包括：
接收单元，用于接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；
判断单元，用于判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；
输出单元，用于若预设材料库中存在与所述性能信息对应的结构信息，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；
预测单元，用于若预设材料库中不存在与所述性能信息对应的结构信息，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。
根据本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；
判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；
若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；
若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。
根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；
判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；
若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；
若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。
本发明提供的一种材料的确定方法及装置，与目前通过人为方式查找现有实验文档中材料性能，并筛选出满足性能需求的材料结构的方式相比，本发明能够接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；并判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息，由此能够准确地查找到满足性能需求的材料结构，提高材料结构的查找和获取效率，实现了材料的智能化确定，降低了实验人员的工作量，为实验研究的过程节约了大量时间。
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示出了本发明实施例提供的一种材料的确定方法流程图；
图2示出了本发明实施例提供的另一种材料的确定方法流程图；
图3示出了本发明实施例提供的一种材料的确定装置的结构示意图；
图4示出了本发明实施例提供的另一种材料的确定装置的结构示意图；
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图；
图6示出了本发明实施例提供的材料查询平台的主要功能界面。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如背景技术，目前，人工查找材料结构的效率较低，且实验人员的工作量较大，同时由于实验人员所参考实验文档的范围有限，很可能无法筛选到满足性能需求的材料结构。
为了解决上述问题，本发明实施例提供了一种材料的确定方法，如图1所示，所述方法包括：
101、接收待获取材料的结构获取指令。
其中，所述结构获取指令包括所述待获取材料的性能信息，对于本发明实施例，为了实现智能化查找满足性能需求的材料，提高满足性能需求材料的查找效率，构建材料查询平台，根据用户输入的待获取材料的性能信息，材料查询平台会根据该性能信息搜索预设材料库，获取与用户输入的性能信息对应的结构信息反馈给用户，具体地，当用户点击材料查询平台主界面的材料结构查询按钮时，会弹出查询材料性能信息的输入界面，用户根据自己想要获取材料的性能特点，选择相应的性能信息，以便材料查询平台根据该性能信息从预设材料库中搜索出满足用户性能需求的材料结构，并反馈给用户。需要说明的是，本发明实施例中的材料可以为但不局限于冶金功能化新型耐火材料，其中，耐火材料对应的材料性能信息包括材料的硬度、密度、抗氧化性能、热机械性能、抗热震性能、抗渣侵性能和释放精炼渣性能等，例如，用户想要获取具有热机械性能、抗热震性能的耐火材料的晶体结构，材料查询平台根据用户输入的耐火材料的性能信息，查找预设材料库，将与该性能信息对应的耐火材料的结构信息反馈给用户，由此实现了耐火材料晶体结构的智能化查找，提高了耐火材料晶体结构的查找效率。
102、判断预设材料库中是否存在与所述性能信息对应的结构信息。
其中，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息。对于本发明实施例，预先搜集各种材料的实验结果，根据该不同材料的实验结果，确定不同材料的性能信息和结构信息，将不同材料的标识以及不同材料的性能信息和结构信息对应存储至预设材料库中，当用户想要获取满足某种性能需求的材料时，材料查询平台获取用户输入的待获取材料的性能信息，根据该性能信息查询预设材料库，判断该预设材料库中是否存在与该性能信息对应的结构信息，如果存在，则将该结构信息作为待获取材料的结构信息反馈给用户；如果不存在，则通过预设材料结构预测模型来预测待获取材料的结构信息并输出，由此能够帮助用户快速准确地查找到满足用户性能需求的材料结构。
进一步地，所述性能信息具体为性能等级信息，为了获取满足用户性能要求的材料的结构信息，步骤102具体包括：判断预设材料库中是否存在与所述性能等级信息对应的结构信息。，具体地，根据该性能等级信息查询预设材料库，判断预设材料库中是否存在与该性能等级信息对应的结构信息，如果存在，则将该结构信息输出，例如，耐火材料的五种性能分别为抗氧化性能、热机械性能、抗热震性能、抗渣侵性能和释放精炼渣性能，各个性能分配变量为a,b,c,d,e，性能的强弱分为三个等级高中低，分别量化为1，2，3，用户需要查找的某种耐火材料具备的抗氧化性能为高级，热机械性能为中级，由此获取耐火材料的匹配条件的初始值为a0＝1,b0＝2，根据该初始值查找预设材料库，如果预设材料库中存在满足用户性能等级要求的晶体结构，则将其作为待获取材料的结构信息反馈给用户。
103、将获取到的结构信息作为所述待获取材料的结构信息进行输出。
对于本发明实施例，如果预设材料库中存在与待获取材料的性能信息对应的结构信息，则将该结构信息确定为待获取材料的结构信息并输出，例如，待获取材料为耐火材料，预设材料库中存储有不同耐火材料的性能信息及其对应的晶体结构信息，当用户想要获取具有某种性能的耐火材料时，材料查询平台会获取用户输入的性能信息，根据该性能信息查询预设材料库，如果预设材料库中存在与该性能信息对应的结构信息，则将该结构信息作为耐火材料的晶体结构信息反馈给用户，由此能够避免人为获取实验文档的过程，同时为实验研究节约了大量时间。
104、将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息
其中，所述预设材料结构预测模型用于根据所述材料的性能信息和结构信息之间的映射关系输出所述材料的结构信息，所述预设材料结构预测模型是根据所述预设材料库中不同材料的性能信息及其对应的结构信息构建的，对于本发明实施例，当用户在预设材料库中查询不到满足性能要求的材料的结构信息时，材料查询平台还可以将用户输入的材料的性能信息输入至预设材料结构预测模型进行结构预测，得到材料的结构信息，由此不仅能够通过预设材料库查询材料的结构信息，还可以利用预设材料结构预测模型对于材料的结构信息进行预测，以免当预设材料库中不存在与用户输入的性能信息对应的材料结构信息时，还可以通过构建的预设材料结构预测模型，确定满足性能要求的材料的结构信息。
此外，为了构建预设材料结构预测模型，所述方法还包括：将所述预设材料库中不同材料的性能信息及其对应的结构信息作为预设训练集；根据所述预设训练集对第一预设神经网络模型进行训练，构建所述预设材料结构预测模型。其中，所述预设材料结构预测模型用于根据所述性能信息和所述结构信息之间的映射关系输出所述待获取材料的结构信息，具体构建预设材料结构预测模型的过程如下：以耐火材料为例，假设耐火材料元素包含n个变量，原子的坐标变量为3n，加上空间群和每个原子在该坐标的占据分数，四个参数共4n+2个变量，这4n+2个变量确定了唯一的耐火材料的晶体结构，同时设定耐火材料的性能为m个变量，预设材料库中包括k个样本，进一步地，构建k个样本中的4n+2个结构变量和m个性能变量之间的关联关系，具体地，利用第一预设神经网络算法，先将k个样本中m个性能变量通过各种数学运算得到x个新的数，如果把m个性能变量定义为第一级神经网络，那这x个数就是第二级神经网络，然后将x个数继续通过各种数学运算得到y个新的数，此为第三级神经网络，假定不再继续扩散，将第三级神经网络的数据和4n+2个结构变量进行对比分析，分析第三级网络的每一个数据和4n+2个结构变量之间的相关性，找到相关性最高的计算公式将其确定为预设材料结构预测模型，其中，如果想要提高模型精度可以增加神经网络的级数和样本数量。
本发明实施例提供的一种材料的确定方法，与目前通过人为方式查找现有实验文档中材料性能，并筛选出满足性能需求的材料结构的方式相比，本发明能够接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；并判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息，由此能够准确地查找到满足性能需求的材料结构，提高材料结构的查找和获取效率，实现了材料的智能化确定，降低了实验人员的工作量，为实验研究的过程节约了大量时间。
进一步的，为了更好的说明上述查找满足性能需求材料的过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种材料的确定方法，如图2所示，所述方法包括：
201、接收待获取材料的结构获取指令。
其中，所述结构获取指令包括所述待获取材料的性能信息，对于本发明实施例，当用户点击材料结构查询按钮时，材料查询平台接收到材料结构获取指令，显示材料性能信息的输入界面，在该界面用户可以输入所获取材料的性能及其对应的性能等级，材料查询平台获取用户输入的性能等级信息后查询预设材料库，预设材料库中存储有不同材料的性能信息及其对应的性能等级，以及不同材料的结构信息，将满足用户性能要求和等级要求的材料反馈给用户，实现材料查询的智能化，提高查找满足性能需求的材料的效率。
202、根据所述预设材料库中各个材料的化学式判断所述预设材料库中是否存在包含所述元素信息的材料。
其中，所述结构获取指令还包括所述待获取材料包含的元素信息，所述预设材料库中存储有不同材料的标识信息及其对应的化学式、性能信息和结构信息，对于本发明实施例，所述待获取材料可以为耐火材料，耐火材料对应的材料性能包括材料的硬度、密度、抗氧化性能、热机械性能、抗热震性能、抗渣侵性能和释放精炼渣性能等，预设材料库中存储有不同耐火材料的标识信息，化学式，性能信息以及晶体结构信息，其中，不同材料的标识具体可以为耐火材料的编号，例如，当用户想要查询包含Al元素和Na元素，且具有热机械性能、抗热震性能的耐火材料时，首先点击材料查询平台的元素和性能筛选按钮，进入材料查询平台的主要功能界面，如图6所示，根据想要的耐火材料包含的元素或者具备的性能，用户进行相应的选择，需要说明是，对于本发明实施例可以不进行元素限定，直接进行性能筛选，本发明不做具体限定，具体地，首先根据耐火材料所包含的元素Al和Na查询预设材料库，将耐火材料所包含的元素Al和Na与预设材料库中各个耐火材料化学式中的元素进行匹配，如果预设材料库中存在包含Al元素和Na元素的耐火材料对应的标识信息，则将其存储至预设数组中，进一步判断筛选出的材料中是否存在具备所述性能信息的材料；如果不存在，则将待获取材料的性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息
进一步地，所述结构获取指令还包括所述元素信息的包含方式，对于本发明实施例，为了确定预设材料库中是否存在包含所述元素信息并符合所述包含方式的材料，步骤202具体包括：根据所述包含方式和所述预设材料库中各个材料的化学式，判断所述预设材料库中是否存在包含所述元素信息并且符合所述包含方式的材料。例如，如图6所示，元素的包含方式具体可以为包含全部所选元素，只包含全部所选元素，至少包含一种元素等，根据用户的需要选择相应的包含元素的方式，以便根据用户选择的元素和包含元素的方式筛选符合用户需求的材料，由此通过对材料包含元素方式的进一步限定，能够更加精确地找到满足用户需求的材料。
此外，为了构建预设材料库，在步骤202之前，所述方法还包括：获取不同材料的标识信息、性能信息、结构信息和化学式；根据所述不同材料的标识信息和性能信息，建立不同标识信息和不同性能信息之间的第一映射关系；根据所述不同材料的标识信息和结构信息，建立所述不同标识信息和不同结构信息之间的第二映射关系；根据所述不同材料的标识信息和化学式，建立所述不同标识信息和不同化学式之间的第三映射关系；根据所述不同材料的标识信息、性能信息、结构信息和化学式，所述第一映射关系，所述第二映射关系以及所述第三映射关系，构建所述预设材料库。具体地，可以预先获取不同材料的实验结果，该实验结果可以来自于各种现有的实验文档以及通过实验研究获取的实验结果，根据该实验结果能够得知该材料所具备的性能、化学式和晶体结构等，进一步地，建立不同材料的标识信息与不同材料的性能信息之间的第一映射关系，同时建立不同材料的标识信息与不同材料的结构信息之间的第二映射关系，以及不同材料的标识信息和不同材料的化学式之间的第三映射关系，由此构建预设材料库，实现材料查询的智能化，能够帮助用户快速准确地找到满足性能需求的材料。需要说明的是，预设材料库中的材料特征并不局限于本发明实施例所列举的材料性能、化学式和结构。
203、若存在包含所述元素信息的材料，则判断所述材料中是否存在具备所述性能信息的材料。
对于本发明实施例，在从预设材料库中筛选出包含该元素信息的材料后，进一步地，根据材料的性能信息，从包含该元素信息的材料中筛选具备该性能信息的材料，紧接步骤202的例子，如图6所示，在筛选出包含Al元素和Na元素的耐火材料对应的标识信息后，进一步地，判断筛选后的耐火材料中是否存在具备热机械性能、抗热震性能的耐火材料，此外，如果耐火材料具备的热机械性能为高级、抗热震性能为中级，则需要判断筛选后的耐火材料中是否存在具备上述性能等级信息的耐火材料，如果存在，则将该耐火材料对应的结构信息输出；如果不存在，则将性能信息输入至预设材料结构预测模型进行结构预测，输出待获取材料的结构信息，需要说明的是，如果耐火材料不具备某种性能，在性能信息输入界面中可以直接忽略该性能。
204、若存在具备所述性能信息的材料，则将所述材料对应的结构信息，作为所述待获取材料的结构信息进行输出。
对于本发明实施例，根据最终筛选出的材料标识信息查询预设材料库，输出符合用户元素要求和性能要求的材料的结构信息和化学式，例如，紧接步骤203的例子，根据最终筛选出的耐火材料对应的标识信息查找预设材料库，确定并输出与该耐火材料标识信息对应的耐火材料的化学式和晶体结构，由此查找到包含Al元素和Na元素，且具有热机械性能、抗热震性能的耐火材料，上述方式与现有技术中人工查找方式和实验研究方式相比，大大提高了耐火材料结构的查找效率和准确率。
205、若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。
对于本发明实施例，如果根据用户输入的性能信息在预设材料库中查询不到符合性能需求的材料的结构信息，还可以将用户输入的性能信息输入至预设材料结构预测模型对材料结构进行预测，并将输出的材料结构信息反馈给用户，由此用户通过材料查询平台能够获取满足性能要求的材料，且提高了材料结构信息的查询效率，此外，在通过预设材料结构预测模型得到材料的结构信息之后，需要对输出的结构信息进行验证，以确保输出的材料结构信息能够满足用户的性能需求，在步骤205之后，所述方法还包括：将输出的结构信息输入至预设第一性原理模型进行性能测试，得到所述待获取材料的性能测试信息；判断所述性能测试信息与所述性能信息是否一致；若不一致，则输出请用户进行性能验证实验操作的提示信息；若一致，则根据输出的结构信息和预设失效机制模型，确定并输出所述结构信息的性能改进方案。其中，所述第一性原理模型用于根据材料结构信息和性能信息之间的物理映射关系输出材料的性能信息，具体地，将输出的结构信息输入至预设第一性原理模型进行性能测试，该第一性原理模型根据材料结构信息和性能信息之间的物理映射关系输出材料的性能测试信息，进一步地，将得到的性能测试信息与用户输入的性能信息进行比较，即通过预设第一性原理模型判断预设材料结构预测模型输出的材料结构信息能否满足用户的性能需求，如果性能测试信息与用户输入的性能信息一致，则说明预设材料结构预测模型输出的材料结构信息能够满足用户的性能需求；如果性能测试信息与用户输入的性能信息不一致，则说明预设材料结构预测模型输出的材料结构信息可能无法满足用户的性能需求，需要用户进一步通过实验对预设材料结构模型输出的材料结构信息进行性能验证，最终可以根据实验操作得到该材料结构信息对应的精确的性能信息，并将该实验操作结果存储至预设材料库中，由此能够进一步完善预设材料库，与此同时，可以将完善后的预设材料库作为训练集，重新对预设材料结构预测模型进行训练修正，进一步提高预设材料结构预测模型的预测精度。
此外，为了确保输出的结构信息在实际应用中的可行性，将该材料结构信息输入到预设失效机制模型，得到该材料在实际工况中的使用寿命和失效机制，并针对性地给出改进方案，从而可以提高材料设计的针对性和实用性。所述根据输出的结构信息和预设失效机制模型，确定并输出所述结构信息的性能改进方案，包括：根据输出的结构信息，确定所述待获取材料在实际环境中的结构信息；将所述实际环境中的结构信息输入至所述预设失效机制模型进行失效预测，得到所述实际环境中的结构信息对应的失效机制；根据所述失效机制查询预设性能改进方案库，确定所述失效机制对应的性能改进方案，并将查询的性能改进方案作为所述结构信息的性能改进方案进行输出。由于输出的结构信息是较为完美的结构，而在实际环境中的材料结构是存在缺陷的，因此在输出结构信息的基础上，对其增加空位、间隙原子和替换原子等本征点缺陷，得到实际环境中的结构信息，并将实际环境中的结构信息输入至预设失效机制模型进行失效预测，得到其对应的失效机制和使用寿命。
其中，预设失效机制模型包括预设第一性原理模型、预设分子动力学模型和预设仿真模型，预设第一性原理模型用于分析微观原子分子，其计算的尺度范围为1nm左右，将实际环境中的结构信息输入至预设第一性原理模型，计算包含不同缺陷的材料在氧气或钢液环境下的界面结构的演变机制；预设分子动力学模型用于对微观大体系分子的相互作用和运动变化进行分析分析，其计算的尺度范围为5-100nm，将实际环境中的结构信息输入至预设分子动力学模型，计算钢液对包含不同缺陷的材料的侵蚀程度；预设仿真模型用于对宏观实际生产中的情况进行分析，其计算的尺度范围为实际1:1模型，将实际环境中的结构信息输入至预设仿真模型，模拟在实际工况中材料对钢液(渣)的抗侵蚀过程，由此根据上述分析结果确定材料的失效机制和使用寿命。
进一步地，根据确定的失效机制和使用寿命查找预设性能改进方案库，确定所述失效机制对应的性能改进方案，并将查询的性能改进方案作为所述结构信息的性能改进方案进行输出。其中，该预设性能改进方案库中存储有不同失效机制及其对应的性能改进方案，基于已有的文献和研究建立该预设性能改进方案库，例如，发现某耐火材料在模拟中的寿命很短，且失效机制是耐火材料中存在氮空位时，气氛中的氧就很容易侵入到这个空位，从而加速侵蚀，针对该失效机制查找预设性能改进方案库，确定性能改进方案为在合成耐火材料时有意识地降低氮空位的浓度，由此根据输出的性能改进方案，对输出的耐火材料的结构信息进行相应的改性，提高材料结构设计的针对性和实用性。
进一步地，本发明实施例中的材料查询平台不仅能够根据用户输入的性能信息获取材料的结构信息，还能够根据用户输入的结构信息获取材料的性能信息，所述方法还包括：接收待获取材料的性能获取指令，所述性能获取指令包括所述待获取材料的结构信息；判断预设材料库中是否存在与所述结构信息对应的性能信息；若存在，则将获取到的性能信息作为所述待获取材料的性能信息进行输出；若不存在，则将所述结构信息输入至预设材料性能预测模型进行性能预测，输出所述待获取材料的性能信息。
具体地，当用户点击材料性能查询按钮时，材料查询平台接收到材料性能获取指令，显示材料结构信息的输入界面，在该界面可以输入想要查询材料的结构信息，材料查询平台获取用户输入的结构信息后查询预设材料库，将具备该结构的材料的性能信息反馈给用户，实现材料查询的智能化，提高查找满足结构要求的材料的效率。此外，还可以根据用户输入的元素信息和结构信息共同对预设材料库中的材料进行筛选，将满足用户元素要求和结构要求的材料所具备的性能信息反馈给用户，与此同时，当预设材料库中不存在与用户输入的结构信息对应的性能信息时，还可以根据该结构信息，利用预设材料性能预测模型对材料性能进行预测，并将输出的材料的性能信息反馈给用户，由此可知，即使在预设材料库中不存在满足用户结构需求的材料，也可以通过预设材料性能预测模型对材料性能进行预测，确保用户能够获取材料的性能信息。
此外，为了构建预设材料性能预测模型，在所述将所述结构信息输入至预设材料性能预测模型进行性能预测，输出所述待获取材料的性能信息之前，所述方法还包括：将所述预设材料库中不同材料的性能信息和结构信息作为预设训练集；根据所述预设训练集对第二预设神经网络模型进行训练，构建所述预设材料性能预测模型。其中，所述预设材料性能预测模型用于根据所述结构信息和所述性能信息之间的映射关系输出所述待获取材料的性能信息，预设材料性能预测模型包括输入层，隐藏层和输出层，将获取的材料结构信息通过输入层进行输入，通过隐藏层提取材料的结构特征信息，并将提取的结构特征信息通过输出层进行输出，得到材料的性能信息。此外，预设材料性能预测模型与预设第一性原理模型相比，虽然预设第一性原理模型也能够对材料的性能信息进行测试，但是预设第一性原理模型并非应用机器学习的原理，其运算效率要远低于预设材料性能预测模型，因此通过预设材料性能预测模型对材料性能进行预测，能够进一步提高材料性能的查询效率。
进一步地，具体构建预设材料性能预测模型的过程如下：以耐火材料为例，假设耐火材料元素包含n个变量，原子的坐标变量为3n，加上空间群和每个原子在该坐标的占据分数，四个参数共4n+2个变量，这4n+2个变量确定了唯一的耐火材料的晶体结构，同时设定耐火材料的性能为m个变量，预设材料库中包括k个样本，进一步地，构建k个样本中的4n+2个结构变量和m个性能变量之间的关联关系，具体地，利用第二预设神经网络算法，先将每个样本的4n+2个结构变量通过各种数学运算得到x个新的数，如果把4n+2个结构变量定义为第一级神经网络，那这x个数就是第二级神经网络，然后将x个数继续通过各种数学运算得到y个新的数，此为第三级神经网络，假定不再继续扩散，将第三级神经网络的数据和m个性质进行对比分析，分析第三级网络的每一个数据和m个性质之间的相关性，找到相关性最高的计算公式将其确定为预设材料性能预测模型，其中，如果想要提高模型精度可以增加神经网络的级数和样本数量。
本发明实施例提供的一种材料的确定方法，与目前通过人为方式查找现有实验文档中材料性能，并筛选出满足性能需求的材料结构的方式相比，本发明能够接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；并判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息，由此能够准确地查找到满足性能需求的材料结构，提高材料结构的查找和获取效率，实现了材料的智能化确定，降低了实验人员的工作量，为实验研究的过程节约了大量时间，此外，第一性原理计算、分子动力学模拟和仿真模拟工具的加入可以找到输出材料在实际过程中的失效机制，提高材料设计的针对性和实用性。
进一步地，作为图1的具体实现，本发明实施例提供了一种材料的确定装置，如图3所示，所述装置包括：接收单元31、判断单元32、输出单元33和预测单34。
所述接收单元31，可以用于接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息。所述接收单元31是本装置中接收接收待获取材料的结构获取指令的主要功能模块。
所述判断单元32，可以用于判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息。所述获取单元32是本装置中判断预设材料库中是否存在与所述性能信息对应的结构信息的主要功能模块，也是核心模块。
所述输出单元33，可以用于若预设材料库中存在与所述性能信息对应的结构信息，则将获取到的结构信息作为所述待获取材料的结构信息进行输出。所述输出单元33是本装置中若预设材料库中存在与所述性能信息对应的结构信息，则将获取到的结构信息作为所述待获取材料的结构信息进行输出的主要功能模块。
所述预测单元34，可以用于若预设材料库中不存在与所述性能信息对应的结构信息，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。所述预测单元34是本装置中若预设材料库中不存在与所述性能信息对应的结构信息，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息的主要功能模块，也是核心模块。
对于本发明实施例，所述结构获取指令还包括所述待获取材料包含的元素信息，为了确定满足用户性能需求的材料的结构信息，所述判断单元32，具体可以用于根据所述预设材料库中各个材料的化学式判断所述预设材料库中是否存在包含所述元素信息的材料。
所述判断单元32，具体还可以用于若存在包含所述元素信息的材料，则判断所述材料中是否存在具备所述性能信息的材料。
所述输出单元33，具体可以用于若存在具备所述性能信息的材料，则将所述材料对应的结构信息，作为所述待获取材料的结构信息进行输出。
进一步地，所述结构获取指令还包括所述元素信息的包含方式，所述判断单元32，具体还可以用于根据所述包含方式和所述预设材料库中各个材料的化学式，判断所述预设材料库中是否存在包含所述元素信息并且符合所述包含方式的材料。
进一步地，所述性能信息具体为性能等级信息，所述判断单元32，具体还可以用于判断预设材料库中是否存在与所述性能等级信息对应的结构信息。
对于本发明实施例，为了构建预设材料结构预测模型，所述装置还包括：构建单元35。
所述构建单元35，可以用于将所述预设材料库中不同材料的性能信息及其对应的结构信息作为预设训练集。
所述构建单元35，还可以用于根据所述预设训练集对第一预设神经网络模型进行训练，构建所述预设材料结构预测模型，所述预设材料结构预测模型用于根据所述性能信息和所述结构信息之间的映射关系输出所述待获取材料的结构信息。
进一步地，所述装置还包括测试单元36，所述判断单元32，还可以用于判断所述性能测试信息与所述性能信息是否一致。
所述输出单元33，还可以用于若不一致，则输出请用户进行性能验证实验操作的提示信息。
所述输出单元33，还可以用于若一致，则根据输出的结构信息和预设失效机制模型，确定并输出所述结构信息的性能改进方案。
进一步地，所述输出单元33，包括确定模块331、输入模块332和输出模块333。
所述确定模块331，可以用于根据输出的结构信息，确定所述待获取材料在实际环境中的结构信息。
所述输入模块332，可以用于将所述实际环境中的结构信息输入至所述预设失效机制模型进行失效预测，得到所述实际环境中的结构信息对应的失效机制。
所述输出模块333，可以用于根据所述失效机制查询预设性能改进方案库，确定所述失效机制对应的性能改进方案，并将查询的性能改进方案作为所述结构信息的性能改进方案进行输出。
在具体应用场景中，所述接收单元31，还可以用于接收待获取材料的性能获取指令，所述性能获取指令包括所述待获取材料的结构信息。
所述判断单元32，还可以用于判断预设材料库中是否存在与所述结构信息对应的性能信息。
所述输出单元33，还可以用于若存在，则将获取到的性能信息作为所述待获取材料的性能信息进行输出。
所述预测单元34，还可以用于若不存在，则将所述结构信息输入至预设材料性能预测模型进行性能预测，输出所述待获取材料的性能信息。
进一步地，所述构建单元35，还可以用于根据所述预设训练集对第二预设神经网络模型进行训练，构建所述预设材料性能预测模型，所述预设材料性能预测模型用于根据所述结构信息和所述性能信息之间的映射关系输出所述待获取材料的性能信息。
需要说明的是，本发明实施例提供的一种材料的确定装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。
基于上述如图1所示方法和如图3所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息。
通过本发明的技术方案，本发明能够接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；并判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息，由此能够准确地查找到满足性能需求的材料结构，提高材料结构的查找和获取效率，实现了材料的智能化确定，降低了实验人员的工作量，为实验研究的过程节约了大量时间。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (8)
1.一种材料的确定方法，其特征在于，包括：
接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；
判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；
若存在，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；
若不存在，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息，所述预设材料结构预测模型是根据所述预设材料库中不同材料的性能信息及其对应的结构信息构建的；
将输出的结构信息输入至预设第一性原理模型进行性能测试，得到所述待获取材料的性能测试信息；
判断所述性能测试信息与所述性能信息是否一致；
若不一致，则输出请用户进行性能验证实验操作的提示信息；
若一致，根据输出的结构信息，确定所述待获取材料在实际环境中的结构信息；
将所述实际环境中的结构信息输入至预设失效机制模型进行失效预测，得到所述实际环境中的结构信息对应的失效机制；
根据所述失效机制查询预设性能改进方案库，确定所述失效机制对应的性能改进方案，并将查询的性能改进方案作为所述结构信息的性能改进方案进行输出。
2.根据权利要求1所述的方法，其特征在于，所述结构获取指令还包括所述待获取材料包含的元素信息，所述判断预设材料库中是否存在与所述性能信息对应的结构信息，包括：
根据所述预设材料库中各个材料的化学式判断所述预设材料库中是否存在包含所述元素信息的材料；
若存在包含所述元素信息的材料，则判断所述材料中是否存在具备所述性能信息的材料；
所述将获取到的结构信息作为所述待获取材料的结构信息进行输出，包括：
若存在具备所述性能信息的材料，则将所述材料对应的结构信息，作为所述待获取材料的结构信息进行输出。
3.根据权利要求2所述的方法，其特征在于，所述结构获取指令还包括所述元素信息的包含方式，所述根据所述预设材料库中各个材料的化学式判断所述预设材料库中是否存在包含所述元素信息的材料，包括：
根据所述包含方式和所述预设材料库中各个材料的化学式，判断所述预设材料库中是否存在包含所述元素信息并且符合所述包含方式的材料。
4.根据权利要求1所述的方法，其特征在于，所述性能信息具体为性能等级信息，所述判断预设材料库中是否存在与所述性能信息对应的结构信息，包括：
判断预设材料库中是否存在与所述性能等级信息对应的结构信息。
5.根据权利要求1所述的方法，其特征在于，在所述将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息之前，所述方法还包括：
将所述预设材料库中不同材料的性能信息及其对应的结构信息作为预设训练集；
根据所述预设训练集对第一预设神经网络模型进行训练，构建所述预设材料结构预测模型，所述预设材料结构预测模型用于根据所述性能信息和所述结构信息之间的映射关系输出所述待获取材料的结构信息。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收待获取材料的性能获取指令，所述性能获取指令包括所述待获取材料的结构信息；
判断预设材料库中是否存在与所述结构信息对应的性能信息；
若存在，则将获取到的性能信息作为所述待获取材料的性能信息进行输出；
若不存在，则将所述结构信息输入至预设材料性能预测模型进行性能预测，输出所述待获取材料的性能信息，所述预设材料性能预测模型是根据所述预设材料库中不同材料的性能信息及其对应的结构信息构建的。
7.根据权利要求6所述的方法，其特征在于，在所述将所述结构信息输入至预设材料性能预测模型进行性能预测，输出所述待获取材料的性能信息之前，所述方法还包括：
将所述预设材料库中不同材料的性能信息和结构信息作为预设训练集；
根据所述预设训练集对第二预设神经网络模型进行训练，构建所述预设材料性能预测模型，所述预设材料性能预测模型用于根据所述结构信息和所述性能信息之间的映射关系输出所述待获取材料的性能信息。
8.一种材料的确定装置，其特征在于，包括：
接收单元，用于接收待获取材料的结构获取指令，所述结构获取指令包括所述待获取材料的性能信息；
判断单元，用于判断预设材料库中是否存在与所述性能信息对应的结构信息，所述预设材料库中存储有不同材料的性能信息及其对应的结构信息；
输出单元，用于若预设材料库中存在与所述性能信息对应的结构信息，则将获取到的结构信息作为所述待获取材料的结构信息进行输出；
预测单元，用于若预设材料库中不存在与所述性能信息对应的结构信息，则将所述性能信息输入至预设材料结构预测模型进行结构预测，输出所述待获取材料的结构信息，所述预设材料结构预测模型是根据所述预设材料库中不同材料的性能信息及其对应的结构信息构建的；
测试单元，用于将输出的结构信息输入至预设第一性原理模型进行性能测试，得到所述待获取材料的性能测试信息；
判断单元，还用于判断所述性能测试信息与所述性能信息是否一致；
输出单元，还用于若不一致，则输出请用户进行性能验证实验操作的提示信息；若一致，根据输出的结构信息，确定所述待获取材料在实际环境中的结构信息；将所述实际环境中的结构信息输入至预设失效机制模型进行失效预测，得到所述实际环境中的结构信息对应的失效机制；根据所述失效机制查询预设性能改进方案库，确定所述失效机制对应的性能改进方案，并将查询的性能改进方案作为所述结构信息的性能改进方案进行输出。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010089121.3A CN111368041B (zh) | 2020-02-12 | 2020-02-12 | 材料的确定方法及装置 |
| JP2020046227A JP6828930B1 (ja) | 2020-02-12 | 2020-03-17 | 材料の決定方法、装置及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010089121.3A CN111368041B (zh) | 2020-02-12 | 2020-02-12 | 材料的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111368041A CN111368041A (zh) | 2020-07-03 |
| CN111368041B true CN111368041B (zh) | 2023-12-26 |
Family
ID=71206195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010089121.3A Active CN111368041B (zh) | 2020-02-12 | 2020-02-12 | 材料的确定方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6828930B1 (zh) |
| CN (1) | CN111368041B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112382352B (zh) * | 2020-10-30 | 2022-12-16 | 华南理工大学 | 基于机器学习的金属有机骨架材料结构特征快速评估方法 |
| CN113533638B (zh) * | 2021-05-24 | 2023-09-12 | 柳州东风容泰化工股份有限公司 | 一种专用化学品的成品检测方法和*** |
| CN113255770B (zh) * | 2021-05-26 | 2023-10-27 | 北京百度网讯科技有限公司 | 化合物属性预测模型训练方法和化合物属性预测方法 |
| CN117766070A (zh) * | 2023-06-08 | 2024-03-26 | 香港量子人工智能实验室有限公司 | 一种基于人工智能的材料设计方法、装置、终端及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002297942A (ja) * | 2001-03-30 | 2002-10-11 | Osaka Gas Co Ltd | 材料照会システム、材料照会方法 |
| CN104603785A (zh) * | 2012-08-31 | 2015-05-06 | 株式会社东芝 | 用于预测材料结构的方法和*** |
| CN108960493A (zh) * | 2018-06-22 | 2018-12-07 | 中材科技股份有限公司 | 玻璃材料性能的预测模型建立及预测方法、装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07330441A (ja) * | 1994-04-04 | 1995-12-19 | Toyota Central Res & Dev Lab Inc | セラミックス材料の微細構造設計方法および装置 |
| KR102457974B1 (ko) * | 2015-11-04 | 2022-10-21 | 삼성전자주식회사 | 신규 물질 탐색 방법 및 장치 |
| EP3438911A4 (en) * | 2016-03-30 | 2019-12-04 | Hitachi High-Technologies Corporation | TRANSACTION ASSISTANCE SYSTEM, PROCESS AND PROGRAM |
| WO2019198644A1 (ja) * | 2018-04-11 | 2019-10-17 | 富士フイルム株式会社 | 推定装置、推定方法、及び推定プログラム |
-
2020
- 2020-02-12 CN CN202010089121.3A patent/CN111368041B/zh active Active
- 2020-03-17 JP JP2020046227A patent/JP6828930B1/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002297942A (ja) * | 2001-03-30 | 2002-10-11 | Osaka Gas Co Ltd | 材料照会システム、材料照会方法 |
| CN104603785A (zh) * | 2012-08-31 | 2015-05-06 | 株式会社东芝 | 用于预测材料结构的方法和*** |
| CN108960493A (zh) * | 2018-06-22 | 2018-12-07 | 中材科技股份有限公司 | 玻璃材料性能的预测模型建立及预测方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021128731A (ja) | 2021-09-02 |
| JP6828930B1 (ja) | 2021-02-10 |
| CN111368041A (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368041B (zh) | 材料的确定方法及装置 | |
| Skinner et al. | An informatic framework for decoding protein complexes by top-down mass spectrometry | |
| Liu et al. | Poly (A) inclusive RNA isoform sequencing (PAIso− seq) reveals wide-spread non-adenosine residues within RNA poly (A) tails | |
| Magnan et al. | SSpro/ACCpro 5: almost perfect prediction of protein secondary structure and relative solvent accessibility using profiles, machine learning and structural similarity | |
| Baker et al. | Protein structure prediction and structural genomics | |
| CN108399154B (zh) | 工程试验数据采集*** | |
| Lithwick et al. | Hierarchy of sequence-dependent features associated with prokaryotic translation | |
| Ettwiller et al. | Trawler: de novo regulatory motif discovery pipeline for chromatin immunoprecipitation | |
| Torrisi et al. | Porter 5: state-of-the-art ab initio prediction of protein secondary structure in 3 and 8 classes | |
| CN108388640B (zh) | 一种数据转换方法、装置以及数据处理*** | |
| Wu et al. | Analysis of several key factors influencing deep learning-based inter-residue contact prediction | |
| JP2010128779A (ja) | 重回帰式の抽出方法 | |
| Plant et al. | Reproducibility in science: A metrology perspective | |
| CN104615910A (zh) | 基于随机森林预测α跨膜蛋白的螺旋相互作用关系的方法 | |
| Shukla et al. | lncRNADetector: a bioinformatics pipeline for long non-coding RNA identification and MAPslnc: a repository of medicinal and aromatic plant lncRNAs | |
| Latek et al. | Protein structure prediction: combining de novo modeling with sparse experimental data | |
| Huang et al. | Machine learning and artificial intelligence in PK‐PD modeling: fad, friend, or foe? | |
| US8189931B2 (en) | Method and apparatus for matching of bracketed patterns in test strings | |
| Weckwerth et al. | From proteomics to systems biology: MAPA, MASS WESTERN, PROMEX, and COVAIN as a user-oriented platform | |
| KR100799541B1 (ko) | 미지의 단백질 특성 예측 장치 및 그 방법 | |
| CN113792187A (zh) | 群智软件开发贡献质量评估方法、装置、设备及介质 | |
| Mir et al. | In vivo ChIP-Seq of nuclear receptors: a rough guide to transform frozen tissues into high-confidence genome-wide binding profiles | |
| Dong et al. | SERT-StructNet: Protein secondary structure prediction method based on multi-factor hybrid deep model | |
| Csaba et al. | EmpiReS: differential analysis of gene expression and alternative splicing | |
| JP2020198003A (ja) | 生成物推定プログラム及びシステム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |