含硅芳炔树脂的性能预测系统与方法及应用

本发明涉及一种含硅芳炔树脂的性能预测系统与方法及应用。

背景技术：

1、含硅芳炔是一类引入了硅元素的芳基多炔热固性树脂，其主链包含了苯基、硅烷基和炔基，由于其独特的分子结构令它具备优异的耐热性以及稳定的介电性能，在航空航天和国防工业领域具有广泛的应用前景。在这些领域的实际应用中，往往需要材料兼具多项优异性能来满足应用需求，例如雷达的透波罩作为雷达的重要组成部分，需要保证雷达信号的低传输延迟，并且由于飞行器在高速移动过程中受气动加热会产生高温环境，因此要求用作透波材料的树脂同时满足低传输延迟(低介电常数)、耐高温(高玻璃化转变温度)的需求，此外，树脂材料的易加工(低黏度)程度也是其能否实际应用的重要考量。

2、由于多种性能之间往往存在着相互矛盾，相互制约的关系，降低材料介电常数的同时通常会导致材料耐热和加工性能的降低，为得到满足实际需求的高性能材料，需要研究人员在各项性能间进行权衡，采用传统树脂的“专家经验+大量实验试错”的材料研发模式，不但效率低下，经济成本高，而且难以解决在降低含硅芳炔树脂介电常数的同时提高其耐热和加工性能的难题。

3、因此，如何建立一种预测方法来快速预测含硅芳炔树脂的介电常数、玻璃化转变温度及黏度以加速高性能含硅芳炔树脂的发现并指导研究者对含硅芳炔树脂结构的合理设计是目前急需解决的技术难题。

技术实现思路

1、本发明为了克服现有的“专家经验+大量实验试错”的传统材料研发模式在设计多项矛盾性能的含硅芳炔树脂过程中存在低效率、高成本等技术问题，提供了一种含硅芳炔树脂的性能预测系统与方法，该系统与方法应用于含硅芳炔树脂结构设计效果优异，研发效率高，经济成本低，预测精度高，可实现先进含硅芳炔树脂结构的合理设计。

2、发明人发现预测含硅芳炔树脂的介电常数、玻璃化转变温度、黏度，采用特定选择基于注意力机制的图卷积神经网络结合多层感知机的机器学习模型，与基于高斯过程回归构建的机器学习模型相比，其预测的准确度更高。

3、进一步地，高精度机器学习模型的建立通常需要足够的数据来支撑，发明人在预测含硅芳炔树脂的介电常数、玻璃化转变温度、黏度的性能研究中发现，含硅芳炔树脂的实验数据量较少，为优化模型预测的准确度，对于介电常数模型，由于树脂的介电常数主要由结构决定，发明人引入了包含热固性与热塑性在内的多种类型树脂的介电常数数据作为补充；对于玻璃化转变温度模型，由于热固性树脂的这项性能区别于热塑性树脂，受树脂固化的影响较大，引入热固性树脂固化后的玻璃化转变温度数据作为补充；对于黏度模型，因大部分可靠的黏度数据都是在常温下测量的，且含硅芳炔树脂固化后的聚合度一般较低，故选用常温下的小分子黏度数据作为补充；由此，使得模型精度得到提高，泛化能力也同时得到提高。

4、本发明通过下述技术方案解决上述技术问题。

5、本发明第一方面提供一种含硅芳炔树脂的性能预测系统。

6、本发明提供的含硅芳炔树脂的性能预测系统包括依次连接的数据收集预处理模块、预测模型建立模块和结果输出模块；

7、所述数据收集预处理模块包括收集单元和清洗单元，所述收集单元用于收集树脂待建模样品的物性参数的数据集，所述树脂待建模样品包括待建模的含硅芳炔树脂，所述物性参数包括介电常数、玻璃化转变温度或黏度；所述清洗单元用于清洗所述数据集；

8、所述预测模型建立模块与所述清洗单元连接，用于构建基于注意力机制的图卷积神经网络结合多层感知机的机器学习模型，所述构建的方式包括：自动学习所述清洗后的树脂待建模样品的结构信息与所述树脂待建模样品的物性参数之间的潜在关系，得到含硅芳炔树脂的性能预测模型；

9、所述结果输出模块，用于将含硅芳炔树脂的待测样品的信息输入所述含硅芳炔树脂的性能预测模型，得到所述待测样品的物性参数。

10、本发明中，所述构建的基于注意力机制的图卷积神经网络结合多层感知机的机器学习模型可简称为gan模型。

11、本发明中，所述树脂待建模样品的物性参数的数据集的数量一般大于等于500条。其中，所述树脂待建模样品的数值种类一般以含硅芳炔树脂为主，当含硅芳炔树脂的物性参数数据集数量较少时，在本发明中可以使用包含热固性与热塑性在内的聚烯烃、聚酰亚胺、聚氨酯等多种类型树脂的物性参数进行补充，并且其他树脂中存在许多不同的刚性基团、柔性基团、极性与非极性基团等与这上述物性参数相关联的基团，可以帮助模型学习到更多与这物性参数相关的信息，进一步扩大模型学习的化学空间，增强模型的泛化能力。

12、其中，所述待建模的含硅芳炔树脂的数据集的数量可为1-100条；例如，所述待建模的含硅芳炔树脂的介电常数的数据集的数量为88条；例如，所述待建模的含硅芳炔树脂的玻璃化转变温度的数据集的数量为9条；例如，所述待建模的含硅芳炔树脂的黏度的数据集的数量为3条；

13、其中，所述树脂待建模样品还可包括待建模的补充树脂，所述补充树脂包括聚烯烃树脂、聚酰亚胺树脂和聚氨酯树脂中的一种或多种；较佳地，所述待建模的补充树脂的物性参数的数据集的数量为500-3000条；例如，所述待建模的补充树脂的介电常数的数据集的数量为2315条(聚烯烃、聚酰亚胺、聚氨酯等)；例如，所述待建模的补充树脂的玻璃化转变温度的数据集的数量为499条；例如，所述待建模的补充树脂的黏度的数据集的数量为878条；

14、其中，本领域技术人员知晓，所述树脂待建模样品的物性参数的数据集可来源于公开文献和/或公开数据库。

15、本发明中，在所述数据收集预处理模块中，所述数据集的清洗方式主要是为确保后续机器学习训练过程顺利进行，可为对分布偏度过大的介电常数测试频率和常温下的黏度数据，进行清洗，其可本领域常规所说的清洗方式，可包括如下步骤中的任一种：

16、①对于所述数据集的介电常数的测试频率，当所述测试频率的分布偏度为1e-02～1e+12hz时，对所述树脂待建模样品的物性参数的数据集进行取lg部分的数据，获得所述取lg的数据集；较佳地，当所述测试频率的分布偏度为1e-02～1.4e+11hz时，对所述树脂待建模样品的物性参数的数据集进行取lg部分的数据，获得所述取lg的数据集；

17、②对于所述数据集的黏度，当所述黏度的分布偏度为1e-04～1e+06pa·s时，对所述树脂待建模样品的物性参数的数据集进行取lg部分的数据，获得所述取lg的数据集；较佳地，当所述黏度的分布偏度为9e-04～1.26e+05pa·s时，对所述树脂待建模样品的物性参数的数据集进行取lg部分的数据，获得所述取lg的数据集；

18、③对于所述数据集的介电常数的测试温度，将常温标准统一为25℃；一般测试条件的数值取小数点后两位。

19、④对于所述数据集的玻璃化转变温度，当所述待建模样品的树脂具有相同的单体结构，且为均聚物、但具有不同的玻璃化转变温度时，取最大的玻璃化转变温度。其中，所述相同单体结构在本技术中是指两个结构具有完全相同的单体结构，并且都是均聚物，其余信息不做考虑；当两个树脂除了具有相同的官能团以外，还有其他官能团时，就是两种结构。

20、本发明中，在所述预测模型建立模块中，每个物性参数各自的数据集与结构建立的预测模型。所述性能预测模型的数量可为1-3；所述性能预测模型可包括结构-介电常数模型、结构-玻璃化转变温度模型、和结构-黏度模型中的一种或多种。

21、本发明中，在所述预测模型建立模块中，所述自动学习的方法可包括如下步骤：

22、a1、基于注意力机制增强的图卷积学习框架，以分子图的形式编码的树脂结构以及测试条件，并将所述分子图作为模型的输入。

23、较佳地，所述注意力机制的实现方式为：通过注意力函数计算邻域节点对中心节点的注意力分数，组合所述中心节点的特征与邻域节点的特征作为中心节点的新特征。

24、其中，所述组合的方式可包括根据注意力分数直接加权和/或以归一化指数函数对注意力分数进行处理后加权，以使注意力分数和为1；较佳地，所述组合的方式为以归一化指数函数对注意力分数进行处理后加权。

25、其中，所述的注意力函数可包括如下类型中的一种：①以只考虑原子信息的方式来计算注意力分数；②以考虑原子信息叠加邻接信息及二者间权重的方式来计算注意力分数；③以考虑原子信息叠加邻接信息和邻接的键信息及三者权重的方式来计算注意力分数。

26、较佳地，所述编码的方式可包括：在所述树脂的分子中，对原子信息的表示、对键信息的表示、以及对分子邻接矩阵的表示中的一种或多种。

27、其中，所述原子信息的表示的方式可包括：通过原子的原子序数、手性标记、芳香性、相连化学键的总数、形式电荷、氢原子数目、自由基电子数、杂化类型、最小环的大小、隐式化合价、显示化合价和共价键数表示；

28、其中，所述键信息的表示方式可包括：通过键的类型、空间构型、方向、芳香性表示；

29、其中，对分子邻接矩阵的表示方式可为：通过创建分子内原子数×原子数的二阶矩阵，对相邻原子对应的矩阵位置填充1，其余位置填充0表示。

30、a2、加入多层感知机作为中间层，以结构对应的物性参数作为模型输出；较佳地，所述多层感知机的数量为0-5层，所述多层感知机的每层的神经元数量为4-512个；

31、a3、对于所述树脂待建模样品的物性参数的数据集，按照训练集：测试集的比例为9：1进行划分，通过网格搜索+随机搜索的方式搜索得到最佳参数组合后训练模型。其中，所述最佳参数组合包括注意力函数的类型和多层感知机的层数及每层的神经元数。

32、较佳地，当所述物性参数为介电常数，建立结构-介电常数模型时，所述最佳参数组合中注意力函数的类型为类型③，所述多层感知机的层数为4层，所述多层感知机的每层的神经元的数量分别为256，96，24，32。其中，对于最佳参数的评判标准本领域技术人员知晓，根据模型的评判标准r2和mae，即高r2和低mae来确定最佳参数。更佳地，当所述树脂待建模样品的物性参数为介电常数，所述预测模型为结构-介电常数模型时，在所述结果输出模块中，输入的所述含硅芳炔树脂的待测样品的信息为含硅芳炔树脂结构的smiles以及测试频率和测试温度。

33、较佳地，当所述物性参数为玻璃化转变温度，建立结构-玻璃化转变温度模型时，所述最佳参数组合中注意力函数的类型为类型②，所述多层感知机的层数为4层，所述多层感知机的每层的神经元数量分别为288，160，48，8；

34、较佳地，当所述物性参数为黏度，建立结构-黏度模型时，所述最佳参数组合中注意力函数的类型为类型②，所述多层感知机的层数为3层，所述多层感知机的每层的神经元数量分别为96，80，60。

35、更佳地，当所述树脂待建模样品的物性参数为玻璃化转变温度或黏度，所述预测模型为结构-玻璃化转变温度模型或结构-黏度模型时，在所述结果输出模块中，输入的所述含硅芳炔树脂的待测样品的信息为含硅芳炔树脂结构的smiles。

36、本领域技术人员知晓，smiles，全名称为simplified molecular input lineentry specification，中文名称是一种用ascii字符串明确描述分子结构的规范。

37、本领域技术人员知晓，所述待分析的含硅芳炔树脂的结构信息一般为将待分析的含硅芳炔树脂的结构转化为对应的smiles的输入。并且，本领域技术人员知晓，本发明中所述的含硅芳炔树脂结构一般都为用smiles表示的。

38、本发明中，本领域技术人员知晓，所述含硅芳炔树脂的待测样品的介电常数、玻璃化转变温度、黏度数据以材料性能空间的方式表示。

39、本发明中，所述含硅芳炔树脂的待测样品一般可包括已知的含硅芳炔树脂和虚拟的含硅芳炔树脂结构；所述虚拟的含硅芳炔树脂结构获得方法，通过组成基团的虚拟组合和反应得到；较佳地，所述虚拟的含硅芳炔树脂结构获得方法包括如下步骤：

40、b1、定义含硅芳炔树脂的待测样品的基因类型；

41、所述基因类型较佳地包括：①主链两端为含有炔氢的炔基，且主链中包含苯环的二炔基因；②主链中有si元素，且si连接了两个氯原子的二氯硅烷基因；③主链中有si元素，且si连接了三个氯原子的三氯硅烷基因；

42、b2、使用公开数据库搜索基因，获得多样的基因池；

43、所述基因池包括200-300种二炔基因，200-400种二氯硅烷基因，100-200种三氯硅烷基因；例如所述基因池为288种所述的二炔基因，312种所述的二氯硅烷基因，135种所述的三氯硅烷基因；

44、b3、基于所述基因池，组合得虚拟的含硅芳炔树脂结构；所述组合的方法为通过python编程实现；

45、其中，所述虚拟的含硅芳炔树脂结构可为10万种以上，较佳地为12万-13万种，例如为128736种；

46、其中，若干所述含硅芳炔树脂的待测样品在得到材料性能空间后，还可包括对所述性能空间进行筛选，并进一步筛选所述含硅芳炔树脂的待测样品；较佳地，所述筛选的方法为采用加权形式的标量化函数或pareto支配关系，更佳地，所述筛选的方法为加权形式的标量化函数。

47、本发明第二方面提供如前所述的含硅芳炔树脂的性能预测系统在含硅芳炔树脂的结构设计中的应用。

48、其中所述含硅芳炔树脂的结构设计中的应用场景特别适用于针对介电常数、玻璃化转变温度和黏度性能方面的结构设计应用。

49、本发明第三方面提供含硅芳炔树脂的性能预测方法。

50、本发明提供的含硅芳炔树脂的性能预测方法，其采用如前所述的含硅芳炔树脂的性能预测系统，且包括如下步骤：

51、将含硅芳炔树脂的待测样品的信息输入所述含硅芳炔树脂的性能预测模型，得到所述待测样品的物性参数；其中，所述含硅芳炔树脂的性能预测模型的获得方法如下：

52、s1、收集树脂待建模样品的物性参数的数据集，所述树脂待建模样品包括含硅芳炔树脂，所述物性参数为介电常数的数据集、玻璃化转变温度的数据集或黏度；所述清洗单元用于清洗所述数据集；

53、s2、构建基于注意力机制的图卷积神经网络结合多层感知机的机器学习模型，所述构建的方式包括：自动学习所述清洗后的树脂待建模样品的结构信息与所述树脂待建模样品的物性参数之间的潜在关系，得到含硅芳炔树脂的性能预测模型。

54、本发明积极进步效果在于：

55、1.本发明的含硅芳炔树脂的性能预测系统，针对含硅芳炔树脂的介电常数、玻璃化转变温度、黏度，采用特定选择基于注意力机制的图卷积神经网络结合多层感知机的机器学习模型，与基于高斯过程回归构建的机器学习模型相比，其预测的准确度更高。

56、2.本发明进一步优选的方案，通过引入多种类型树脂及小分子的实验数据作为补充，提高了机器学习模型在预测含硅芳炔树脂介电常数、玻璃化转变温度及黏度方面的精度，解决了材料小数据的难题。利用本发明开发的性能预测方法可加速高性能含硅芳炔树脂的设计与发现。本发明的性能预测方法，在介电常数的预测方面，测试集的r2可为0.94，平均绝对误差为0.16；在玻璃化转变温度的预测方面，测试集的r2可为0.74，平均绝对误差为32℃；在黏度的预测方面，测试集的r2可为0.86，平均绝对误差为0.18。

57、3.本发明的含硅芳炔树脂的性能预测系统，适用范围对于含硅芳炔树脂基因类型除传统的二炔和二氯硅烷基因外，还增添了三氯硅烷基因，极大的扩充了虚拟树脂结构的化学空间，筛选出的优选结构有望在航空航天领域得到广泛的应用。