夜夜欢性恔真人免费视频丨免费精品人在线二线三线区别丨亚洲色婷婷一区二区三区丨免费精品国产人妻国语色戒丨欧美人与动牲交免费观看网

Materialsdata validation and imputation with an artificial neural

network

P.C. Verpoort , P.MacDonald, G.J. Conduit

ComputationalMaterials Science. 2018, 147

DOI:10.1016/j.commatsci.2018.02.002

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)來模擬和驗證材料性能。在訓(xùn)練和預(yù)測中神經(jīng)網(wǎng)絡(luò)算法具有獨特的處理不完整數(shù)據(jù)集的能力，因此可將性能作為輸入，研究成分-性能和性能-性能關(guān)系來提高預(yù)測的質(zhì)量，也可以作為單一實體的圖形數(shù)據(jù)處理。使用多種驗證方案對該框架進行測試，然后將其應(yīng)用于合金和聚合物的材料實例研究。通過與數(shù)據(jù)源對比確認，該算法在商業(yè)材料數(shù)據(jù)庫中發(fā)現(xiàn)了二十個錯誤。 

材料數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)，合金，聚合物

我們開發(fā)了一種人工智能算法，并將其擴展到處理不完整數(shù)據(jù)，功能數(shù)據(jù)，并量化數(shù)據(jù)的準確性。我們驗證了數(shù)據(jù)模型的性能，以確認該框架在錯誤預(yù)測、不完整數(shù)據(jù)和繪圖能力的測試中提供預(yù)期結(jié)果的能力。最終我們將該框架應(yīng)用到現(xiàn)實中的MaterialUniverse和ProspectorPlastics數(shù)據(jù)庫，展示了該方法帶來的顯著效果。

值得一提的是，我們能夠提出和驗證錯誤的輸入數(shù)據(jù)；給出未知因素預(yù)測的外推改進，這些未知因素是因為材料成分和制造中的數(shù)據(jù)缺失產(chǎn)生的；并通過識別不同應(yīng)用中的非顯形描述符來幫助表征材料的性能。因此，我們能夠展示人工智能算法如何為工業(yè)應(yīng)用中的研究、設(shè)計和選擇材料方面做出重大貢獻。

圖1 人工神經(jīng)網(wǎng)絡(luò)（ANN）用于插值材料性能數(shù)據(jù)集。圖片展示了如何從所有輸入的xi計算得到輸出的y1（上）和y2（下）。對于所有其他yj，可以繪制1~2個類似的圖來計算所有的預(yù)測性質(zhì)。給定性能（紅色）的線性組合（左邊的灰色線）是由隱藏節(jié)點（藍色）確定的，應(yīng)用非線性tanh操作，線性組合（右邊的灰色線）作為預(yù)測性能返回（綠色）。

圖2：如果我們需要使用存在一些性能數(shù)據(jù)丟失的數(shù)據(jù)點x來評估ANN，采用如下圖的過程進行描述。

圖3 toy模型的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練（a）余弦函數(shù)，（b）具有不均勻分布數(shù)據(jù)的對數(shù)函數(shù)，（c）高斯噪聲下的二次函數(shù)，（d）二次函數(shù)，測試具有不同數(shù)目的隱藏節(jié)點的性能，并計算和繪制RMS（Eq.5）、降低RMS（Eq.6）和交叉驗證RMS。

圖4：藍虛線：生成數(shù)據(jù)的二次曲線。 紅色/綠色點：由藍色噪聲產(chǎn)生的數(shù)據(jù)點，高斯噪聲有/沒有被識別為錯誤。黑線：具有不確定性的模型的修正。生成的數(shù)據(jù)的高斯噪聲與toy模型函數(shù)的值成比例。觀察到在曲線的右端有少量點被識別為錯誤，因為人工神經(jīng)網(wǎng)絡(luò)的確定性在該區(qū)域較低。

圖5 不同x值的訓(xùn)練數(shù)據(jù)、真實函數(shù)和神經(jīng)網(wǎng)絡(luò)預(yù)測函數(shù)

圖6：玻璃纖維填料（藍色）和礦物填料（紅色）的聚合物拉伸模量vs密度圖。，輸入信息不僅包括填料類型，還包括填料量（重量%）。