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

技术特征：

1.基于机器学习的核材料热输运性质原子级预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于机器学习的核材料热输运性质原子级预测方法，其特征在于，步骤s2中，训练集的具体步骤为：

3.根据权利要求2所述的基于机器学习的核材料热输运性质原子级预测方法，其特征在于，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：

4.根据权利要求3所述的基于机器学习的核材料热输运性质原子级预测方法，其特征在于，步骤s4的具体步骤为：

5.基于机器学习的核材料热输运性质原子级预测系统，其特征在于，包括：

6.根据权利要求5所述的基于机器学习的核材料热输运性质原子级预测系统，其特征在于：

7.根据权利要求6所述的基于机器学习的核材料热输运性质原子级预测系统，其特征在于：

8.根据权利要求7所述的基于机器学习的核材料热输运性质原子级预测系统，其特征在于：

9.根据权利要求8所述的基于机器学习的核材料热输运性质原子级预测系统，其特征在于：

技术总结
本发明公开了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，属于模拟仿真技术领域。通过获取所需数据并识别为体系特征，通过网络获取数据集并进行分析处理，基于机器学习方法训练得到预测模型；初始化体系模型，在高剂量辐照损伤情形下进行热力学弛豫模拟、热差模拟；在模拟过程中，提取体系特征值并将其代入预测模型中，得到并计算体系热力学性质的预测结果，输出材料热导率；最后将体系信息和体系热力学性质的预测结果可视化。系统包括数据搜寻模块、训练模块、仿真模拟模块和结果输出模块。本发明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，解决了相关研究周期长、效率低的问题，并实现结果的可视化。

技术研发人员：黄海,王晗茏,孟贺丁,刘桐赫
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/3/21