(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110723077.1 (22)申请日 2021.06.28 (65)同一申请的已公布的文献号 申请公布号 CN 113312852 A (43)申请公布日 2021.08.27 (73)专利权人 南京玻璃纤维研究设计院有限公 司 地址 210012 江苏省南京市雨 花台区安德 里30号 (72)发明人 赵谦　赵明　刘鑫　陈阳　匡宁　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 张勇 (51)Int.Cl. G06F 30/27(2020.01)G06F 119/06(2020.01) (56)对比文件 CN 112580785 A,2021.0 3.30 审查员 李锦川 (54)发明名称 一种基于神经网络算法预测玻璃介电损耗 的方法 (57)摘要 本发明公开了一种基于神经网络算法预测 玻璃介电损耗的方法， 属于玻璃 性能预测技术领 域。 所述方法通过采用分子模拟和机器学习相结 合的方法预测玻璃的介电损耗， 自动寻找到描述 玻璃介电损耗的关键基因， 并具有拓展到更多玻 璃组分体系的外推能力， 可以在玻璃内部结构未 知的情况下通过数据驱动， 建立玻璃组分和性能 的关联， 在给定组分配比的情况下预测玻璃的介 电损耗， 减少了实验试错的成本， 可以提高新型 玻璃的研发效率。 权利要求书3页 说明书10页 附图3页 CN 113312852 B 2022.10.21 CN 113312852 B 1.一种基于神经网络算法预测玻璃介电损耗的方法， 其特 征在于， 所述方法包括： 步骤1， 采集不同成分构成的玻璃材料的介电损耗数据， 构建介电损耗数据库， 该库中 包括一一映射的玻璃成分和其对应的介电损耗； 步骤2， 基于第一性原理构造氧化物玻璃材料中具有不同对称性的氧化物团簇的原子 结构模型， 并以每种团簇的每单位阳离子i的结合能 含有阳离子A的离子极化力 FA， 计算表达式以及含有阳离子A的离子极化率αA作为性能参数构造介电损耗的包含 “材料 基因”的描述符； 步骤3， 基于步骤1构建的介电损耗数据库和步骤2构造的描述符， 构建训练集、 验证集 和测试集； 步骤4， 基于神经网络模型构建介电损耗预测模型， 根据步骤3构造的训练集、 验证集和 测试集对所构建的介电损耗预测模型进行训练， 得到训练好的介电损耗预测模型； 步骤5， 针对待预测的玻璃材料， 利用训练好的介电损耗预测模型预测该玻璃材料的介 电损耗； 所述步骤2包括： 步骤2‑1， 构造具有不同对称性的氧化物团簇的原子结构模型， 作为第 一性原理计算的 晶胞； 步骤2‑2， 对于在步骤2 ‑1中构造的每一类氧化物 团簇的晶胞结构， 进行第一性原理计 算， 获得每种晶胞的团簇能量Ecluster和结构常数； 步骤2‑3， 对于步骤2 ‑1中构造得到的每一种晶胞结构； 通过进一步的第一性原理计算 获得其性能参数集 合， 构造用于 机器学习的描述符 其中n是‑3到+3之间的所有非零整数， Ci是对应阳离子i的比例， Cation为阳离子i的集 合， xi是对应阳离子i的第一性原理计算的性能参数； 性能参数包括每种团簇的每单位阳离 子i的结合能 含有阳离子A的离子极化力FA， 计算表达式以及含有阳离子A的离子 极化率αA。 2.根据权利要求1所述的方法， 其特征在于， 所述步骤2 ‑1构造具有不同对称性的氧化 物团簇的原子结构模型时， 按照以下规则进行构造： (1)每个团簇都处在一个 的立方晶胞 里； (2)针对玻璃成分中存在的每种阳离子， 将该阳离子对应的原子放置于晶胞中心， 在其 周围按照线性分子的方式添加2个氧原子； 同时在每个氧原子上沿着从中心原子到氧原子 的原子键的延长方向添加一个氢原子， 每一个氧原子和氢原子组成一个羟基； (3)针对玻璃成分中存在的每种阳离子， 将该阳离子对应的原子放置于晶胞中心， 在其 周围按照3次旋转对称的方式在同一平面添3个氧原子， 同时在每个氧原子上沿着从 中心原 子到氧原子的原子 键的延长方向添加一个氢原子， 每一个氧原子和氢原子组成一个羟基； (4)针对玻璃成分中存在的每种阳离子， 将该阳离子对应的原子放置于晶胞中心， 在其 周围按照四面体对称的方式添加4个氧原子， 同时在每个氧原子上沿着从中心原子到氧原权　利　要　求　书 1/3 页 2 CN 113312852 B 2子的原子 键的延长方向添加一个氢原子， 每一个氧原子和氢原子组成一个羟基； (5)针对玻璃成分中存在的每种阳离子， 将该阳离子对应的原子放置于晶胞中心， 在其 周围按照八面体对称的方式添加6个氧原子， 同时在每个氧原子上沿着从中心原子到氧原 子的原子 键的延长方向添加一个氢原子， 每一个氧原子和氢原子组成一个羟基。 3.根据权利要求2所述的方法， 其特征在于， 所述每种团簇的每单位阳离子i的结合能 的计算方式为： 使用步骤2 ‑1中构造的晶胞结构中氧化物团簇的团簇 能量Ecluster减去相同数目和种类 的单个原子的能量之和求得， 计算公式为： 式中， l为氧化物团簇中氧原子的数目， Ei和EOH分别为单个阳离子和单个羟基在一个 的立方晶胞 里能量。 4.根据权利要求3所述的方法， 其特征在于， 所述步骤1中构建介电损耗数据库时， 还包 括， 对采集到的介电损耗数据进行 预处理， 所述预处 理包括： 针对两两玻璃成分， 判断以下两个条件是否同时成立： 条件1： 每种氧化物组元的成分的摩尔比差值小于等于第一预设阈值， 单位 为百分比； 条件2： 介电损耗的差值大于第二预设阈值， 单位 为百分比； 若同时成立， 则将对应的玻璃成分和相应的介电损耗数据从数据库中剔除。 5.根据权利要求4所述的方法， 其特征在于， 所述第 一预设阈值为2％， 第 二预设阈值为 20％。 6.根据权利要求5所述的方法， 其特征在于， 所述步骤4， 基于神经网络模型树构建介电 损耗预测模型， 包括： 步骤4‑1， 设定神经网络中隐藏层个数c＝{c1,c2…,cL}、 第z隐藏层的节点数 以及优化 算法中的学习率α； 步骤4‑2， 对于给定神经网络结构， 训练网络中的参数， 主 要过程包括如下几个步骤： 步骤4‑2‑1， 在(0， 1)范围内随机初始化网络中所有连接 权值ωjk和阈值； 步骤4‑2‑2， 根据当前参数计算当前样本的输出值 其中β 为输出神经 元的输入， θ 为阈值； 步骤4‑2‑3， 计算输出层神经 元的梯度项ga: 步骤4‑2‑4， 计算隐藏层第h个神经 元的梯度项eh： 其中， bh为隐藏层第h个神经 元的偏置项， αh为隐藏层第h个神经 元的输入； 步骤4‑2‑5， 更新连接 权值ωjk,vih和阈值θ； 重复步骤4 ‑2‑1至步骤4 ‑2‑5， 直至达到停止条件；权　利　要　求　书 2/3 页 3 CN 113312852 B 3