欧美视频一区二区三区四区,91极品反差婊在线观看,欧美综合社区国产,免费国产99久久久香蕉

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

應用人工神經(jīng)網(wǎng)絡(luò )來(lái)模擬和驗證材料性能。在訓練和預測中神經(jīng)網(wǎng)絡(luò )算法具有獨特的處理不完整數據集的能力，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(lái)提高預測的質(zhì)量，也可以作為單一實(shí)體的圖形數據處理。使用多種驗證方案對該框架進(jìn)行測試，然后將其應用于合金和聚合物的材料實(shí)例研究。通過(guò)與數據源對比確認，該算法在商業(yè)材料數據庫中發(fā)現了二十個(gè)錯誤。 

材料數據，神經(jīng)網(wǎng)絡(luò )，合金，聚合物

我們開(kāi)發(fā)了一種人工智能算法，并將其擴展到處理不完整數據，功能數據，并量化數據的準確性。我們驗證了數據模型的性能，以確認該框架在錯誤預測、不完整數據和繪圖能力的測試中提供預期結果的能力。最終我們將該框架應用到現實(shí)中的MaterialUniverse和ProspectorPlastics數據庫，展示了該方法帶來(lái)的顯著(zhù)效果。

值得一提的是，我們能夠提出和驗證錯誤的輸入數據；給出未知因素預測的外推改進(jìn)，這些未知因素是因為材料成分和制造中的數據缺失產(chǎn)生的；并通過(guò)識別不同應用中的非顯形描述符來(lái)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)應用中的研究、設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據集。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(gè)類(lèi)似的圖來(lái)計算所有的預測性質(zhì)。給定性能（紅色）的線(xiàn)性組合（左邊的灰色線(xiàn)）是由隱藏節點(diǎn)（藍色）確定的，應用非線(xiàn)性tanh操作，線(xiàn)性組合（右邊的灰色線(xiàn)）作為預測性能返回（綠色）。

圖2：如果我們需要使用存在一些性能數據丟失的數據點(diǎn)x來(lái)評估ANN，采用如下圖的過(guò)程進(jìn)行描述。

圖3 toy模型的人工神經(jīng)網(wǎng)絡(luò )訓練（a）余弦函數，（b）具有不均勻分布數據的對數函數，（c）高斯噪聲下的二次函數，（d）二次函數，測試具有不同數目的隱藏節點(diǎn)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(xiàn)：生成數據的二次曲線(xiàn)。 紅色/綠色點(diǎn)：由藍色噪聲產(chǎn)生的數據點(diǎn)，高斯噪聲有/沒(méi)有被識別為錯誤。黑線(xiàn)：具有不確定性的模型的修正。生成的數據的高斯噪聲與toy模型函數的值成比例。觀(guān)察到在曲線(xiàn)的右端有少量點(diǎn)被識別為錯誤，因為人工神經(jīng)網(wǎng)絡(luò )的確定性在該區域較低。

圖5 不同x值的訓練數據、真實(shí)函數和神經(jīng)網(wǎng)絡(luò )預測函數

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(lèi)型，還包括填料量（重量%）。