基于机器学习的核材料热输运性质原子级预测方法及系统

本发明涉及模拟仿真，尤其是涉及基于机器学习的核材料热输运性质原子级预测方法及系统。

背景技术：

1、核能因其低碳、供应稳定、安全性高等特点，被视为未来主要能源之一。核反应堆运行过程中，核燃料所释放的热量经由一回路管道向外传递以用作后续发电装置动力。与此同时，堆内包括管道在内的核结构材料也不可避免要面对高通量中子辐照等恶劣工况。核反应堆中子和高能裂变碎片等作用于结构材料会使其产生大量微观缺陷结构(如空洞、氦泡、元素偏析、位错环等)，并在宏观上表现为如辐照硬化、辐照脆化、辐照疲劳、肿胀等性能劣化行为。而这种结构性能劣化反过来也将深刻影响回路管道等材料的工程热物理行为(如热传导)，进而影响核电站发电效率及运营经济性。因此为兼顾核反应堆安全性与经济性，研究辐照损伤情形下核结构材料热输运性能的变化显得至关重要。

2、目前在研究受辐照核结构材料中，通常难以通过实验手段来直接探究材料内部缺陷的形成、演变行为以及由其所引发的热物理性能变化程度，同时实验手段高昂的费用也使得其可行性大大降低。而随着计算机科学和技术的发展，借助分子动力学方法来研究材料辐照损伤过程和材料热输运性质行为已成为研究材料相关结构性能演变的主流方向之一。为了更好的与实验相对比，通常是基于分子动力学方法在模拟材料体系中引入级联重叠(cascade overlaps)以创建辐照损伤构型进而来进行受辐照材料热输运行为仿真计算。然而，这其中存在仿真模拟耗费时间长、仿真成本高、计算复杂度高等若干问题。而机器学习具有计算效率高、预测误差小、可扩展性强等优点。因此，现有仿真技术中缺乏一种结合原子模拟和机器学习的核能材料热输运性质预测方法及系统，能在保证科学性前提下降低计算成本，提高模拟效率。

技术实现思路

1、本发明的目的是提供基于机器学习的核材料热输运性质原子级预测方法及系统，简化了基于分子动力学对辐照损伤情形下核材料热输运性质的计算过程、减少了计算成本，解决了相关研究周期长、效率低的问题；且工作前期通过爬虫技术实现了自动化搜索数据，减轻了研究工作前期工作量；同时还实现了结果的可视化。

2、为实现上述目的，本发明提供了基于机器学习的核材料热输运性质原子级预测方法，包括以下步骤：

3、s1、通过用户交互数据获取模拟体系所需特征，在相关网站上使用爬虫技术获取与体系特征相对应的数据并进行划分处理，再存入数据库中；

4、s2、将数据按照8:1的比例分为训练集和测试集；训练集数据基于机器学习方法，采用线性回归算法训练得到预测模型；将测试集数据代入通过交叉验证后的模型计算预测误差，直到其收敛至目标误差内；

5、s3、初始化体系模型，在高剂量辐照损伤情形下，对体系进行热力学弛豫模拟、热差模拟，在模拟过程中提取体系特征值并代入预测模型得到体系热力学性质的预测结果；

6、s4、根据预测结果计算得出材料热导率，获取体系模拟过程中的体系信息，将体系信息和体系热力学性质的预测与计算结果可视化。

7、优选的，步骤s2中，训练集的具体步骤为：

8、s21、训练集在训练前按照4:1的比例分为真训练集和验证集，利用真训练集进行模型训练，当迭代一定次数后，训练后的真训练集对验证集进行预测并计算误差率；

9、s22、重复步骤s21对模型进行交叉验证，直到验证集预测误差趋于平稳；且每次重复步骤时s21，训练集中的真训练集和验证集按比例随机分配且不重复；

10、s23、测试集计算预测误差较大则继续训练模型至预测误差收敛至目标误差内；

11、预测误差的计算公式为：

12、

13、其中，δ为超参数，设置为1；n是测试集数据的数量；yi是第i组测试集目标值的真实值；是第i组测试集目标值的预测值。

14、优选的，步骤s3中，将体系初始参数代入预测模型，得到体系缺陷数量，使用弗兰克尔缺陷对累积法生成缺陷，进而模拟核材料高剂量辐照损伤情形，弗兰克尔缺陷对的累计过程为：

15、s31、统计弛豫后体系原子数目为n，设nfi＝0，其中fi为弗兰克尔缺陷对的插入；

16、s32、随机选取一个原子，根据空间概率分布在体系单元随机选取一个间隙位置，将所选原子放置在所选间隙位置；

17、s33、通过分子静力学对原子体系演化进行模拟，设nfi＝nfi+1；

18、s34、重复步骤s32-s33，直至nfi达到线性回归预测模型预测到的值；

19、用户通过在交互界面输入弛豫模拟仿真所需参数，包括弛豫步长、弛豫时间、系综选择，再进行热力学弛豫，热力学弛豫完成后设置热量输入值并选择nvt弛豫；

20、系综选择包括nve、nvt、npt系综，nve系综通过体系内原子相互作用迭代实现，nvt系综在nve系综基础上通过nose-hoover的扩展系统法实现体系控温，npt系综在nve系综基础上通过andersen扩展体系法实现体系控压；

21、在进行热力学弛豫时，原子间力场采用eam势函数，eam势函数中原子i的势能公式为：

22、

23、其中，i、j是原子的序号，αβ是原子的种类，ρ为电子密度，f为嵌入能量，φ是对势相互作用，e为能量，其中模拟的具体参数值通过预测模型拟合得出。

24、优选的，步骤s4具体为：

25、s41、程序将弛豫后的体系特征值返回，并代入预测模型中计算得到体系热输运模拟所需合理的热流值；

26、s42、将体系模型按区域划分，在其中选取热源与热汇，以热流为基础在热源处向体系输入热量，在热汇处抽取热量进而在体系模型内得到合理的热流值；

27、s43、根据非平衡分子热力学nemd方法迭代体系至趋于稳定后，返回模拟中的模拟体系参数；

28、s44、根据返回的模拟体系参数计算体系热力学性质，将预测模型所需特征值代入预测体系模型温度梯度并采用玻尔兹曼方程计算体系热导率，方程公式为：

29、

30、其中，f为体系的麦克斯韦速率分布函数，t为时间，x，y，z分别为原子的x，y，z坐标vx,vy,vz分别为原子在x，y，z方向上的速度分量。

31、本发明还提供了基于机器学习的核材料热输运性质原子级预测系统，包括：

32、数据搜寻模块：用于获取模型训练所需的模拟体系特征，并根据特征搜寻数据进行关键字比对，进而采集所需数据样本；包括界面交互单元和数据搜取单元；

33、训练模块：用于对获取的数据进行预处理，将数据分为训练集和测试集并基于机器学习方法训练预测模型；包括数据处理单元、模型训练单元和测试单元；

34、仿真模拟模块：用于初始化初始体系参数并代入预测模型生成力场参数、模拟高剂量辐照损伤体系、模拟晶体模型的热输运过程以及预测温度梯度，包括仿真体系建立单元、仿真体系弛豫单元、热差单元和模拟参数输出单元；

35、结果输出模块：用于计算模拟过程中返回的参数，得到并导出可视化结果；包括模拟参数计算单元、结果输出单元和结果可视化单元。

36、优选的，界面交互单元：对用户所需数据进行特征提取，得到特征数据后将其转化为机器学习模型训练所需的输入向量数据，根据所需体系特征在相关文献和数据网站给出的数据中搜寻并进行关键字比对，进而采集所需数据样本；

37、数据搜取单元：根据体系特征利用爬虫技术，自动爬取相关数据网站及文献，获取并筛选与体系特征相对应的数据，包括力场参数、体系结构、winger-seitz元胞缺陷分析结果、热流值、温度梯度、辐照剂量、单次引入缺陷对数。

38、优选的，数据处理单元：对获取的数据按照对应的体系特征进行分类整理，建立数据库，将数据分为训练集和测试集；

39、模型训练单元：建立为数据集d＝{c1,c2,c3,...,cn-1,cn}，其中ci(i＝1,2,3,...)是第i个体系特征的数据，将ci作为自变量，预测得到的体系热力学性质作为因变量建立函数关系，基于机器学习方法并采用线性回归算法训练预测模型，进而优化函数关系中的模型参数值；

40、测试单元：将测试集数据输入到预测模型中检验预测结果，当预测结果满足误差函数值jhuber小于预期误差时，输出机器学习最终模型。

41、优选的，仿真体系建立单元：用于建立晶体材料模型，包括设置原子种类、晶体结构、晶格常数、体系空间大小、辐照剂量、边界条件，将初始体系结构参数信息代入预测模型生成力场参数、体系缺陷数量，进而模拟核材料高剂量辐照损伤体系；

42、仿真体系弛豫单元：用于使体系处于设定温度和设定压强下进行热力学弛豫，获得晶体模型，用户可以设置体系初始温度、体系初始压强、弛豫时间以及弛豫步长；

43、热差单元：用于根据预测模型得到的合理热流值在晶体材料中生成热流，使晶体材料生成温度梯度，形成热差；

44、模拟参数输出单元：用于分析弛豫以及形成热差过程中的体系，输出体系的温度、体系结构、原子速度，提取体系特征值并将其代入训练模型中预测输出体系过程中的体系温度梯度。

45、优选的，模拟参数计算单元：用于计算模拟参数输出单元输出的原子速度和晶体材料温度梯度，得到声子态密度以及材料热导率；

46、结果输出单元：用于输出最终模拟结果；

47、结果可视化单元：用于显示体系信息，包括显示晶体材料三维结构视图、体系缺陷位置、体系势能曲线、晶体材料区域温度曲线，并最终显示声子态密度曲线。

48、因此，本发明采用上述基于机器学习的核材料热输运性质原子级预测方法及系统，实现的有益效果为：

49、1、本发明通过利用爬虫技术自动获取相关文献及网站数据，并利用机器学习训练实现核材料辐照损伤后热输运性质的预测，缩短了研究周期，提高了计算效率，一定程度上解决了传统分子动力学模拟计算成本高等问题，从而使相关研究更加经济便利。

50、2、机器学习的应用选取了更为合理的势函数，提高了对热传导率等性质的预测精确度；通过多个来源的文献和网站中汇集数据，有助于建立更全面的材料性质数据库，为核材料科学研究提供更多资源。

51、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。