Design and Development of Database and Machine Learning Property Prediction Platform of C/SiC Composites
-
摘要:
以MySQL Workbench 8.0为数据库平台,采用三层浏览器/服务器架构,利用PyCharm 2022开发了一套基于Web界面和机器学习技术的C/SiC复合材料数据库系统,该系统包括材料数据库和机器学习模型2部分,具有对材料组分结构、制备工艺、试验性能等材料研发各阶段的信息查询、添加、修改、删除、搜索以及支持信息管理、设计分析视图、案例推理辅助设计、用户与系统管理等功能。基于神经网络回归算法训练机器学习模型,利用材料微观结构参数预测材料力学性能,对不同微观结构参数的影响权重进行评价,并部署在系统平台中；通过Web用户界面调用机器学习模型,对预留的验证集数据进行拉伸模量和弯曲模量预测。结果表明：机器学习模型预测材料力学性能的精度达到95%左右,训练出来的预测模型具有良好的精度与泛化能力。
Abstract:With MySQL Workbench 8.0 as the database platform and adopting a three-layer browser/server architecture, a C/SiC composite database system based on Web interface and machine learning technology was developed by PyCharm 2022. The system included material database and machine learning model, and had the functions of information query, addition, modification, deletion and search, as well as support information management, design analysis view, case-based reasoning aided design, user and system management for material component structure, preparation process, test performance and other stages of material research and development. The machine learning model was trained based on the neural network regression algorithm, the mechanical properties of materials were predicted by the microstructure parameters of materials, and the influence weights of different microstructure parameters were evaluated and deployed in the system platform. The machine learning model was invoked through the Web user interface to predict the tensile modulus and the flexural modulus of the reserved validation set data. The results show that the accuracy of machine learning models in predicting material mechanical properties reached about 95%, and the trained predictive model exhibited good accuracy and generalization capability.
-
Keywords:
- C/SiC composite /
- material database /
- Web system /
- neural network /
- performance prediction
-
0. 引言
C/SiC复合材料可应用于长时间高温、富氧、粒子冲刷及横向过载的工作环境[1],其密度低、抗氧化性能好、耐腐蚀、力学性能和热物理性能优异[2],成为集承载、轻量化和耐烧蚀于一体的理想航天材料,属于工信部工业强基工程——航空航天装备“一揽子”突破行动中明确需重点解决的高温结构材料。
传统的材料研制方法是通过大量试验对材料成分和工艺进行优化,从而获得所需性能[3],存在效率低、费用高等不足。尤其是高温结构材料,其制备周期长,工序复杂,对操作人员技能素质要求较高,且需要特殊的试验环境,采用传统研制方法会极大限制该材料研发的速度。与生物的基因类似,材料的成分、结构等决定了其最终性能。在已有材料研究的基础上,以数据驱动的方式,通过数据库和机器学习相结合的手段,进行数据的组织存储与分析挖掘,建立材料结构数据与宏观性能的关系模型,可以实现材料定制与性能预测,从而加速材料研发过程[4]；这种方法被称为基于数据驱动的材料研制方法[5],近年来受到国内外关注[6]。
CHUN等[7]建立了一个基于网络浏览器（Web浏览器）的材料数据库,以二维、三维图形的方式展示材料特性,并开发了相应的应用程序编程接口（API）来帮助研制人员对不同材料进行多维比较。SAAL等[8]建立了一个高通量密度泛函理论数据库,在此基础上通过训练建立的机器学习模型来预测新的稳定三元化合物。夏晴等[9]提出了一种数据库存储方法,并基于Web的动态访问技术,建立了一个数据共享平台,为用户获取与存储工程材料数据提供了方便快捷的方式。成博等[10]建立了针刺C/C复合材料数据库,通过训练后的机器学习模型来预测该材料的有效弹性力学参数。王景艳等[11]基于Web技术开发了材料数据库,并构建了数据库与Dynaform软件的接口,实现了软件与数据库的无缝集成,为零件板材成型数值模拟提供便利。JIA等[12]建立了润滑油数据库平台,进行了针对润滑油摩擦学性能和抗氧化性能预测的机器学习与集成学习算法的研究,发现采用Stacking集成策略对润滑油摩擦学性能和抗氧化性能进行预测的准确率达到95.5%。机器学习和数据库相结合是实现人工智能的核心方法,为分析与挖掘数据的内在关系提供了技术支持。但目前,利用该方法来研究C/SiC复合材料纤维增强相微观结构参量与材料力学性能的关系鲜有报道,针对C/SiC复合材料性能的评价方法无法满足其快速选择与研发的需求。为此,作者通过收集C/SiC纤维陶瓷复合材料的结构参数和试验数据,以MySQL Workbench 8.0为数据库平台,采用3层浏览器/服务器（B/S）架构,利用PyCharm 2022.2.4开发基于Web界面的C/SiC复合材料数据库系统,并进行机器学习性能预测方法的研究；搭建数据库集成环境,开发信息检索与维护、性能预测、权限管理等功能模块,建立C/SiC复合材料数据库及性能预测一体化系统。
1. 平台设计方案与性能预测方法
1.1 设计目标
C/SiC复合材料数据库系统采用PyCharm 2022.2.4进行程序编写,实现对MySQL数据库中存入的材料组分、制备工艺、性能参数的调用,设计目标考虑了数据完整性、功能需求和开发流程等多个方面。C/SiC复合材料数据库系统开发流程如图1所示。
![]()
图 1 C/SiC复合材料数据库系统的开发流程Figure 1. Development process of database system of C/SiC composites数据库中收集的数据应完整,要涵盖纤维、预制体、基体、抗烧蚀组元等材料组分,材料预处理、热处理以及制备工艺等数据,以及X射线衍射仪、X射线光电子能谱仪、电子探针等设备的测试数据和拉伸、压缩、剪切、烧蚀等性能参数,同时还应包含材料和试验的可追溯性参数,如供应商信息、试验设备来源型号、试验环境参数、材料和试验数据来源等数据背景信息。不同信息实体的数据收集需要关注的关键信息不同,在整理收集这些信息时,需广泛阅读相关手册,了解相关试验过程,确定关键信息,去除冗余信息以达到信息结构化的目的。关键信息应能全面、准确地表达出数据主体的状态,方便设计者充分了解情况以指导实际应用[13]。
功能需求分析的目的是确定设计范围,明确数据库系统需要实现的功能。首先,建立C/SiC复合材料基础数据库[14],开发相应接口便于数据调用以及增删改查,进而建立直观反映从材料组分、结构设计到使役性能表征的设计分析视图、基于模板检索的案例推理辅助设计和基于机器学习算法的材料性能预测功能。根据数据安全性和用户操作,对系统用户的权限进行分配与划分。C/SiC复合材料数据库系统包含信息查询功能模块、辅助分析设计模块、数据维护功能模块和系统管理功能模块,如图2所示。
![]()
图 2 C/SiC复合材料数据库系统的功能模块Figure 2. Function module of database system of C/SiC composites1.2 数据库设计
1.2.1 结构设计
在结构设计时采用关系型数据库,并以MySQL Workbench 8.0作为数据库管理系统。为保证系统具有良好的拓展性,采用如图3所示的主从式3层浏览器/服务器（B/S）架构[15],分别为表示层（UIL）、业务层（BLL）和数据层（DAL）。表示层为用户界面,通过应用的用户接口部分实现人机交互；业务层为数据库运转的核心,用于实现用户意图,将表示层传递的操作信号按照编程中的特定业务逻辑发送给数据层；数据层实现对底层数据库的访问和调用。
![]()
图 3 C/SiC复合材料数据库的三层架构Figure 3. Three-layer architecture of database of C/SiC composite material1.2.2 概念设计
材料的组分结构、工艺、性能等数据之间存在复杂的关联关系。为了使用户与设计者均能理清各种数据之间的关系,基于数据库设计目标,采用实体-关系模型（E-R模型）作为数据建模工具,对数据库系统进行概念设计。E-R模型由实体、属性和联系组成,是一种不受任何数据库管理系统（DBMS）约束,直接面向用户的表达方法[16]。设计方案为抽象出复合材料、纤维、基体、试样、工艺、原料、试验和测试等实体对象,分析实体间的联系与约束,同时由于C/SiC复合材料的复杂性,很难在一张E-R模型上表达出所有的对象关系,因此将整个数据库分割成材料、工艺和试验3个相互关联的部分。图4为C/SiC复合材料数据库材料部分的E-R模型,表示材料部分的各个实体及其相互关系。
![]()
图 4 C/SiC复合材料数据库材料部分的E-R模型Figure 4. E-R model for material part of database of C/SiC composite material1.2.3 逻辑设计
逻辑设计的目的是将上述E-R模型转化为针对具体DBMS的逻辑模型。根据试验经验、实际生产需求和数据库第一至第三范式,对系统数据之间的关联与约束进行模式分解和规范化,将一对多、多对多的关系约束拆解为一对一的关系约束,使数据库结构明晰、表达简洁,避免数据冗余,同时消除插入、删除和更新操作异常,加快系统响应速度,降低维护成本[17]。
通过逻辑设计确定关系模型,最终建立了26张材料表（包括复合材料表、纤维表、基体表、界面表、气体原料表、试样表等）、16张试验表、17张工艺表以及嵌套表、案例表、支持信息表、系统服务表在内的共67张表。将关系模型在MySQL数据库平台中进行物理建模,并生成不同视图以服务于不同应用环境。以烧蚀性能表为例的表头字段如表1所示。
表 1 烧蚀性能表表头字段信息Table 1. Ablation performance table header field information序号 属性名 字段名 数据类型 非空 1 烧蚀性能编号 id PK、BIGINT YES 2 名称 name VARCHAR（50） YES 3 质量烧蚀量 mass_ablation DECIMAL（6,2） NO 4 质量烧蚀率 mass_ablation_rate DECIMAL（6,2） NO 5 线烧蚀量 linear_ablation DECIMAL（6,2） NO 6 线烧蚀率 linear_ablation_rate DECIMAL（6,2） NO 7 烧蚀过程产物 process_products VARCHAR（255） NO 8 温度跃升发生时间 temperature_jump_time INT NO 9 跃升温度 temperature_jump INT NO 10 烧蚀后表面形貌图 surface_morphology_after_ablation VARCHAR（255） NO 11 烧蚀后截面形貌图 section_morphology_after_ablation VARCHAR（255） NO 12 烧蚀保护层状态 ablative_protective_layer VARCHAR（255） NO 13 保护层消耗速度 protection_layer_consumption_rate DECIMAL（6,2） NO 1.3 Web开发工具与运行架构
采用PyCharm 2022.2.4作为系统开发工具,采用Python语言基于Django框架,利用JavaScript、层叠样式表（CSS）和超文本标记语言（HTML5）相结合的方式设计响应式界面平台,进行应用程序开发[11]。开发时遵循模型-模板-视图（MTV）设计模式,分离了静态的页面展现与动态的逻辑处理；采用对象关系映射（ORM）技术对数据库表进行操作,通过可扩展标记语言（XML）格式的元数据来描述对象与关系映射的细节,有效防止结构化查询语言（SQL）注入攻击。应用程序作为用户与数据库系统交互的接口,为用户提供用户登录、材料组分与工艺查询、试验环境与性能查询、应用视图、辅助设计、性能预测以及数据的录入、删除、更新等服务,需要经过反复调试、修改才能正常运行。
1.4 机器学习性能预测方法
1.4.1 模型构建方法
由于C/SiC复合材料各参数的复杂性,难以通过常规数据拟合方法得到材料结构参数与性能参数之间的映射关系。为了辅助材料设计人员分析设计,除筛选材料数据外,数据库系统平台还应具有预测材料性能的能力[18]。
基于此,采用NumPy（Python开源数值计算扩展）进行高性能线性代数和数组运算的机器学习库Scikit-learn作为框架,设计机器学习模块。通过拟合多元线性回归正规方程的方法,确定C/SiC复合材料的不同微观结构参数对其拉伸性能和弯曲性能的影响权重,选取特征参数。神经网络作为一种分布式并行信息处理的数学算法模型,可以很好地解决关系复杂的非线性问题。因此,采用神经网络机器学习算法建立材料微观结构特征参数与力学性能之间的关系模型,进行C/SiC纤维陶瓷复合材料的拉伸性能和弯曲性能预测,并将模型集成到Web端数据库系统平台以方便调用。
1.4.2 数据处理
采用数据库中与C/SiC复合材料纤维结构和力学性能相关的24组试验数据构建预测模型。试验数据来自文献[19],试验中采用不同种类与处理方式的碳纤维增强体制备C/SiC复合材料,并进行拉伸与弯曲性能测试。每组数据的材料结构参数具有较大的差异性,适合于采用机器学习方法挖掘数据之间的关系,从而建立材料微观结构特征参数与力学性能之间的关系模型。
为了消除不同特征之间量纲和单位差异,避免因数据数量级不同而导致的偏差,依据式（1）对数据进行Z-Score标准化处理,获得标准化后均值为0、方差为1的结构参数,作为机器学习模型的可输入数据。
(1) 
(2) 
(3) 式中：x为结构参数；x′为标准化后的结构参数；m为样本总数；μ为特征均值；σ为特征标准差；xi为标准化前第i个样本的参数向量。
监督式机器学习模型的数据样本形式为{Xi,yi},Xi为标准化后第i个样本的参数向量；yi为第i个样本的拉伸模量或弯曲模量。
1.4.3 特征工程
为了提高预测模型的准确性和泛化能力,降低模型复杂度和计算成本,需要提取数据的有用特征。采用最小二乘法拟合多元线性回归正规方程的方法获得纤维碳微晶尺寸Lc、纤维碳微晶晶面间距d002、纤维拉伸模量、纤维拉伸强度、X射线衍射角2θ、孔隙率、密度等不同微观结构特征参数对复合材料拉伸模量与弯曲模量的影响权重进行重要性评价。拟合方程的计算过程为
(4) 
(5) 式中：n为特征个数；wn为第n个特征参数的权重值；Xl为单个样本的第l个特征参数；h（X）为模量拟合值；h（Xi）为第i个样本的模量拟合值；J（w）为残差平方和；w为特征参数权重值向量。
将向量表达形式转为矩阵表达式,则有
(6) 式中：X为m行n＋1列的矩阵；w为n＋1列的矩阵（包含w0）；Y为m行1列的矩阵。
找到一组w（w0,w1,w2,…,wn）,为了使残差平方和J（w）最小,即
最小化,对J（w）求偏导得
(7) 令
,则有
(8) 由图5可见,所有特征参数的影响权重总和为1。以达到影响权重总和的75%为选取标准,按照影响权重大小依次选取纤维拉伸模量和Lc/d002等2个特征作为拉伸模量的输入特征参数,选取纤维拉伸强度、纤维拉伸模量、Lc/d002和孔隙率等4个特征作为弯曲模量的输入特征参数。
![]()
图 5 不同特征参数对不同性能预测结果的影响权重Figure 5. Influence weigth evaluation of different feature parameters on different performance prediction results: (a) tensile modulus and (b) flexural modulus2. 平台功能模块开发
数据库系统平台搭建有完整的功能模块,以服务于后续工作,主要包括信息查询与数据管理、设计分析视图、案例推理辅助设计、基于角色的访问控制（RBAC）权限管理和机器学习性能预测。
2.1 信息查询与数据管理
信息查询主要包括对复合材料、纤维、基体、工艺、原料、试验与试验性能、供应商与设备来源等各方面信息的浏览查询。数据库系统主界面设有顶部一级导航栏和左侧二级功能列表,每个功能界面展示了相应实体信息的所有属性；为了高效获取信息,界面上方设有搜索功能,支持模糊搜索目标关键字的数据条目,界面底部设有首页、尾页、上页、下页和具体页面跳转功能。
若用户身份为管理员,可以直接在信息查询页面进行数据管理,能够对数据库中各个子信息库的数据信息进行批量管理操作,对材料不同组分不同阶段的知识内容和知识类别实施增删改查。同时,可以实现用户对相关数据的自定义录入,保证相关信息与试验数据准确匹配存储。任务管理用于管理员用户之间通信,进行任务分配,合理安排数据管理工作,便于工作人员的后续使用、管理与维护。
2.2 设计分析视图
设计分析视图是数据库设计的重要组成部分,既可以提高数据库数据的安全性,又能按需要集合实体的相关字段信息。由于C/SiC复合材料的复杂性,数据库数据结构中复合材料、纤维、基体、界面等各部分的参数和性能分属于不同实体,这些不同实体的数据信息在实际分析设计中又相互关联,而这种关联在实际生产中更具指导意义。在设计分析视图中,可以一站式看到分布于各个表中的每组C/SiC复合材料的材料组分、组织结构、试验设备、工艺参数、试验环境与宏观性能参数等所有数据,方便材料设计者分析在目标试验下的材料性能与组分之间的内在关系。列举了材料烧蚀设计分析视图映射关系,如图6所示。
![]()
图 6 材料烧蚀设计分析视图映射关系Figure 6. Mapping relationship of design analysis view for material ablation2.3 案例推理辅助设计
案例推理是指以案例库中存储的先前类似结构下材料的各性能参数为参考,系统通过检索或匹配机制判定案例间的相似性。案例推理过程的核心之一是检索算法,需要依据不同数据结构选择不同的算法进行案例检索[20]。由于C/SiC复合材料各实体之间属性种类多,协同作用强组合区间大,且各属性在不同性能目标时存在不同程度的影响力,各属性与特征的权重难以得到有效衡量,因此本案例推理辅助设计采用模板检索法；该方法能按照应用程序中编好的模板检索规则返回在一定参数值范围内的所有案例。
在交互界面,用户通过输入框和下拉框完善目标材料结构信息,应用程序会根据输入的结构描述获取相关数据信息,并基于模板检索法返回在一定参数值范围内的相关案例,并加以整理展示给用户目标材料的参考试验与测试性能参数,以帮助解决实际问题。
案例改写代表着案例推理的学习与成长能力。由于对案例的评价与专业领域息息相关,常常需要咨询专家意见,因此目前大多数复杂案例推理系统的案例改写是通过人机交互过程来完成的。案例推理辅助设计为使用者提供了案例改写功能,并由管理员对案例库中的案例进行审核后加入系统知识库,使系统知识库在使用过程中不断丰富。
2.4 基于RBAC的权限管理
RBAC模型是面向企业安全策略的一种访问控制方式,由权限、角色和用户3个基础部分组成,实现了用户和权限的逻辑分离[21]。C/SiC复合材料数据库系统通过编写RBAC组件并结合DjangoAdmin后台管理系统实现权限的管理,增进数据的安全性并且方便权限的维护。
操作系统的用户分为普通用户、管理员和超级管理员,超级管理员可以进行用户信息查看、用户增删、密码修改以及角色权限赋予等操作,管理员拥有除用户管理外的一切权限,除了兼并普通用户权限外,还可以对数据库的材料数据、支持数据、案例数据进行维护,并使用任务管理进行用户之间的通信,以便合理安排工作；普通用户可以浏览查询材料数据,并进行辅助分析设计与机器学习性能预测。
2.5 机器学习性能预测
将训练好的机器学习模型部署在C/SiC复合材料数据库系统平台中,用户可以通过相应的材料性能预测页面方便地进行模型的调用。点击材料结构数据批量上传按钮,可以以Excel形式批量上传材料的结构数据,每组材料结构的对应性能预测值会依次展示在页面下方的绿色面板中。
3. 预测模型的建立与评价
3.1 模型设置与超参数调整
选择修正线性单元ReLU函数作为神经网络激活函数,参数预测作为回归问题,选用均方误差函数MSE作为损失函数以取得更好的效果。对学习率、隐藏层层数与节点数、最大迭代步3种超参数进行交叉验证,计算预测值与真实值的平均绝对误差,作为评价最终模型的性能指标,选出3种超参数的最优配置。共108次3种超参数的交叉验证数据评分及寻优结果分布如图7所示。最终,基于最优配置建立如表2所示的四层神经网络拉伸模量预测模型和三层神经网络弯曲模量预测模型。
![]()
图 7 3种超参数的交叉验证数据评分及寻优结果分布Figure 7. Cross-validation data scoring and optimization result distribution for three hyperparameters: (a) tensile modulus and (b) flexural modulus表 2 神经网络预测模型的超参数Table 2. Hyperparameters of neural network prediction model模型 学习率 最大迭代步 隐藏层层数 隐藏层节点数 激活函数 损失函数 拉伸模量预测模型 0.12 10 000 2 （4,4） ReLU MSE 弯曲模量预测模型 0.10 20 000 1 （6） ReLU MSE 3.2 评价方法
采用在数据集中预留出验证集的方法进行预测验证。随机选择16组数据作为训练集,另外8组不参与模型训练留作验证,在模型完成后以这8组数据的结构参数进行预测,将得到的预测结果与真实值进行对比来验证模型精度。将训练集以Excel形式输入模型进行训练,以随机的训练集与测试集进行多次预测精度验证,均得到较高的预测精度。
模型的预测效果评价使用预测精度C、决定系数R2、均方根误差δRMSE、均方误差δMSE、平均绝对误差δMAE等指标[22],各表达式如下：
(9) 
(10) 
(11) 
(12) 式中：Y′为试验模量值；y为预测模量值；
,
,分别为试验模量值与预测模量值的平均值。
R2是预测变量和回归变量之间的相关性度量,也称为拟合优度,必须与误差值相配合才能保证模型具有足够的准确率；均方根误差、均方误差、平均绝对误差均反映了试验值和预测值之间的差异,其值越小,准确率越高。
3.3 预测结果与模型评价
图8中圆点代表数据平均值,中间细实线代表中位数。由图8可见：拉伸模量的预测精度更为稳定,异常值较少,弯曲模量的预测精度上限较高而下限较低,泛化性能较弱,但模型对2种性能参数的预测精度均在95%左右,平均预测能力接近,这说明模型预测C/SiC复合材料的拉伸和弯曲性能的精度较高。
![]()
图 8 2种性能参数的预测精度分布对比箱线图Figure 8. Box chart of prediction accuracy distribution of two property parameters由表3、表4和图9可见：拉伸模量的平均预测精度为95.93%,R2为0.93,δMAE为8.21 GPa,δRMSE为11.36 GPa；弯曲模量的平均预测精度为94.91%,R2为0.88,δMAE为4.18 GPa,δRMSE为5.96 GPa；同时,散点均分布在虚线附近,没有出现过拟合的现象。这表明训练出的神经网络具有良好的精度与泛化能力,可以在应用过程中为设计人员提供有效的材料性能辅助预测分析。
表 3 拉伸模量预测值与真实值的对比Table 3. Comparison between predicted and true tensile modulus序号 Lc/d002 纤维拉伸模量/GPa 拉伸模量预测值/GPa 拉伸模量真实值/GPa 预测精度/% 2 7.1 293 135.29 142 95.28 11 8 437 173.49 178 97.47 12 8.4 480 189.73 205 92.55 14 8 360 154.33 156 98.93 15 8.3 367 157.12 171 91.89 21 15 576 264.78 252 94.93 23 15 591 269.50 262 97.14 24 15 567 261.95 260 99.25 表 4 弯曲模量预测值与真实值的对比Table 4. Comparison between predicted and true bending modulus序号 Lc/d002 纤维拉伸强度/GPa 纤维拉伸模量/GPa 孔隙率/% 弯曲模量预测值/GPa 弯曲模量真实值/GPa 预测精度/% 1 5.1 3.282 234 17.2 77.88 70.8 90.00 3 8.3 3.850 335 12.1 78.71 79.2 99.39 7 8.4 3.742 289 13.4 77.10 74.9 97.06 10 7.4 4.167 420 9.7 96.36 113.0 85.27 11 8.0 5.878 437 11.9 120.11 118.0 98.21 14 8.0 5.301 360 10.5 115.75 110.0 94.77 18 8.7 4.031 396 12.0 83.50 83.7 99.76 22 15.0 3.985 564 13.0 107.12 113.0 94.80 ![]()
图 9 神经网络模型预测值与真实值的散点与折线分布图Figure 9. Scatter (a－b) and line chart (c－d) map of predicted and true values of neural network model: (a, c) tensile modulus and (b, d) flexural modulus通过试验获取材料力学性能的传统材料研制方法要耗费大量的人力物力和高达数小时的时间成本,即使是有限元模拟计算,耗时也在10 min以上[23]。利用本平台的预测功能,使用1个CPU核心,调用机器学习模型仅需0.001 s,就可以得到极具指导价值的性能参数,极大地提升了材料性能分析的效率,充分证明了平台的功能和机器学习预测方法的研究价值。
4. 结论
（1）以MySQL Workbench 8.0为数据库平台,充分考虑材料数据结构与完整性,建立了材料表、试验表、工艺表等共67张表的数据库实体模型,为C/SiC复合材料的正规化、制度化以及各种数据的录入和管理提供了强大工具。通过Web开发,构建了应用于指导C/SiC复合材料组分设计与工艺实现方法的材料数据库查询管理及性能预测一体化平台,设计便于分析的人机交互接口,具有对材料组分、制备工艺、试验性能等材料设计相关数据的查询、维护、辅助分析、案例推理、性能预测等能力。
（2）采用最小二乘法拟合多元线性回归正规方程的方法获得了不同微观结构参量对C/SiC复合材料拉伸性能与弯曲性能的重要性评价,对比发现,纤维拉伸模量和Lc/d002对拉伸性能具有比较大的影响权重,而纤维拉伸强度、纤维拉伸模量、Lc/d002和孔隙率则对弯曲性能具有较高影响力。
（3）开展了通过材料微观结构参量预测力学性能的机器学习性能预测方法的研究,以交叉验证的方式,确定最优参数,搭建神经网络模型,结果表明拉伸模量的平均预测精度达到95.93%,均方误差为8.21 GPa,弯曲模量的平均预测精度达到94.91%,均方误差为4.18 GPa；该方法实现了对材料性能的较高精度预测,可以有效帮助设计人员进行材料性能的辅助预测分析。
-
![]()
图 1 C/SiC复合材料数据库系统的开发流程
Figure 1. Development process of database system of C/SiC composites
![]()
图 2 C/SiC复合材料数据库系统的功能模块
Figure 2. Function module of database system of C/SiC composites
![]()
图 3 C/SiC复合材料数据库的三层架构
Figure 3. Three-layer architecture of database of C/SiC composite material
![]()
图 4 C/SiC复合材料数据库材料部分的E-R模型
Figure 4. E-R model for material part of database of C/SiC composite material
![]()
图 5 不同特征参数对不同性能预测结果的影响权重
Figure 5. Influence weigth evaluation of different feature parameters on different performance prediction results: (a) tensile modulus and (b) flexural modulus
![]()
图 6 材料烧蚀设计分析视图映射关系
Figure 6. Mapping relationship of design analysis view for material ablation
![]()
图 7 3种超参数的交叉验证数据评分及寻优结果分布
Figure 7. Cross-validation data scoring and optimization result distribution for three hyperparameters: (a) tensile modulus and (b) flexural modulus
![]()
图 8 2种性能参数的预测精度分布对比箱线图
Figure 8. Box chart of prediction accuracy distribution of two property parameters
![]()
图 9 神经网络模型预测值与真实值的散点与折线分布图
Figure 9. Scatter (a－b) and line chart (c－d) map of predicted and true values of neural network model: (a, c) tensile modulus and (b, d) flexural modulus
表 1 烧蚀性能表表头字段信息
Table 1 Ablation performance table header field information
序号 属性名 字段名 数据类型 非空 1 烧蚀性能编号 id PK、BIGINT YES 2 名称 name VARCHAR（50） YES 3 质量烧蚀量 mass_ablation DECIMAL（6,2） NO 4 质量烧蚀率 mass_ablation_rate DECIMAL（6,2） NO 5 线烧蚀量 linear_ablation DECIMAL（6,2） NO 6 线烧蚀率 linear_ablation_rate DECIMAL（6,2） NO 7 烧蚀过程产物 process_products VARCHAR（255） NO 8 温度跃升发生时间 temperature_jump_time INT NO 9 跃升温度 temperature_jump INT NO 10 烧蚀后表面形貌图 surface_morphology_after_ablation VARCHAR（255） NO 11 烧蚀后截面形貌图 section_morphology_after_ablation VARCHAR（255） NO 12 烧蚀保护层状态 ablative_protective_layer VARCHAR（255） NO 13 保护层消耗速度 protection_layer_consumption_rate DECIMAL（6,2） NO 
下载: 导出CSV
表 2 神经网络预测模型的超参数
Table 2 Hyperparameters of neural network prediction model
模型 学习率 最大迭代步 隐藏层层数 隐藏层节点数 激活函数 损失函数 拉伸模量预测模型 0.12 10 000 2 （4,4） ReLU MSE 弯曲模量预测模型 0.10 20 000 1 （6） ReLU MSE
下载: 导出CSV
表 3 拉伸模量预测值与真实值的对比
Table 3 Comparison between predicted and true tensile modulus
序号 Lc/d002 纤维拉伸模量/GPa 拉伸模量预测值/GPa 拉伸模量真实值/GPa 预测精度/% 2 7.1 293 135.29 142 95.28 11 8 437 173.49 178 97.47 12 8.4 480 189.73 205 92.55 14 8 360 154.33 156 98.93 15 8.3 367 157.12 171 91.89 21 15 576 264.78 252 94.93 23 15 591 269.50 262 97.14 24 15 567 261.95 260 99.25
下载: 导出CSV
表 4 弯曲模量预测值与真实值的对比
Table 4 Comparison between predicted and true bending modulus
序号 Lc/d002 纤维拉伸强度/GPa 纤维拉伸模量/GPa 孔隙率/% 弯曲模量预测值/GPa 弯曲模量真实值/GPa 预测精度/% 1 5.1 3.282 234 17.2 77.88 70.8 90.00 3 8.3 3.850 335 12.1 78.71 79.2 99.39 7 8.4 3.742 289 13.4 77.10 74.9 97.06 10 7.4 4.167 420 9.7 96.36 113.0 85.27 11 8.0 5.878 437 11.9 120.11 118.0 98.21 14 8.0 5.301 360 10.5 115.75 110.0 94.77 18 8.7 4.031 396 12.0 83.50 83.7 99.76 22 15.0 3.985 564 13.0 107.12 113.0 94.80
下载: 导出CSV
-
[1] 董士博碳/碳化硅复合材料的高温力学性能研究哈尔滨哈尔滨工业大学2021董士博 ．碳/碳化硅复合材料的高温力学性能研究[D]．哈尔滨：哈尔滨工业大学,2021. DONG S BStudy on high temperature mechanical properties of C/SiC compositesHarbinHarbin Institute of Technology2021DONG S B. Study on high temperature mechanical properties of C/SiC composites[D]. Harbin: Harbin Institute of Technology, 2021.
[2] ZHANG X H, DU B H, HU P, et al. Thermal response, oxidation and ablation of ultra-high temperature ceramics, C/SiC, C/C, graphite and graphite-ceramics[J]. Journal of Materials Science & Technology, 2022, 102: 137-158. [3] 赵正爽面向材料基因组的材料信息学技术研究成都电子科技大学2017赵正爽 ．面向材料基因组的材料信息学技术研究[D]．成都：电子科技大学,2017. ZHAO Z SMaterials genome initiative oriented materials informatics technology researchChengduUniversity of Electronic Science and Technology of China2017ZHAO Z S. Materials genome initiative oriented materials informatics technology research[D]. Chengdu: University of Electronic Science and Technology of China, 2017.
[4] XIE J X, SU Y J, ZHANG D W, et al. A vision of materials genome engineering in China[J]. Engineering, 2022, 10: 10-12. [5] 贾丹润滑材料数据库平台设计及机器学习性能预测方法研究北京机械科学研究总院2021贾丹 ．润滑材料数据库平台设计及机器学习性能预测方法研究[D]．北京：机械科学研究总院,2021. JIA DResearch on method of database platform design and machine learning performance prediction of lubricating materialsBeijingChina Academy of Machinery Science and Technology2021JIA D. Research on method of database platform design and machine learning performance prediction of lubricating materials[D]. Beijing: China Academy of Machinery Science and Technology, 2021.
[6] 王绍青,叶恒强 ．晶体材料基因组问题第一原理计算研究[J]．科学通报,2013,58（35）：3623-3632. WANG S Q, YE H Q. First-principles calculation of crystalline materials genome[J]. Chinese Science Bulletin, 2013, 58(35): 3623-3632.
[7] CHUN D M, KIM H J, LEE J C, et al. Web-based material database for material selection and its application programming interface (API) for CAD[J]. Key Engineering Materials, 2007, 345/346: 1593-1596. [8] SAAL J E, KIRKLIN S, AYKOL M, et al. Materials design and discovery with high-throughput density functional theory: The open quantum materials database (OQMD)[J]. JOM, 2013, 65(11): 1501-1509. [9] 夏晴,殷国富,胡晓兵,等 ．基于Web技术的工程材料数据库系统的开发[J]．机械,2005,32（4）：55-57. XIA Q, YIN G F, HU X B, et al. Development of engineering material database system on web[J]. Machinery, 2005, 32(4): 55-57.
[10] 成博,弓站朋,邓俊楷,等 ．针刺C/C复合材料结构-工艺-性能一体化软件平台[J]．固体火箭技术,2022,45（5）：807-814. CHENG B, GONG Z P, DENG J K, et al. Structure-process-performance integrated software platform for needled C/C composite[J]. Journal of Solid Rocket Technology, 2022, 45(5): 807-814.
[11] 王景艳,陈明和,王辉,等 ．基于Web技术的Dynaform材料数据库的设计与开发[J]．机械工程材料,2016,40（10）：19-23. WANG J Y, CHEN M H, WANG H, et al. Design and development of dynaform material database based on web technology[J]. Materials for Mechanical Engineering, 2016, 40(10): 19-23.
[12] JIA D, DUAN H T, ZHAN S P, et al. Design and development of lubricating material database and research on performance prediction method of machine learning[J]. Scientific Reports, 2019, 9: 20277. [13] 黄光胜,陈建,马世伟,等 ．民机材料工艺知识库系统构建的研究[J]．科技创新导报,2017,14（7）：8-9. HUANG G S, CHEN J, MA S W, et al. Research on the construction of civil aircraft material process knowledge base system[J]. Science and Technology Innovation Herald, 2017, 14(7): 8-9.
[14] ZHANG D P, BADARCH T. Research on principles and problems of computer software database design[J]. American Journal of Computer Science and Technology, 2023, 6(1). [15] 王晓辉,王立凯,常亮,等 ．支持强度分析的轻量级材料数据库的设计与开发[J]．计算机应用与软件,2019,36（2）：93-97. WANG X H, WANG L K, CHANG L, et al. Design and development of lightweight material database supporting strength analysis[J]. Computer Applications and Software, 2019, 36(2): 93-97.
[16] 任小平,刘战强,万熠,等 ．难加工材料切削数据库系统的研究与开发[J]．工具技术,2009,43（10）：39-41. REN X P, LIU Z Q, WAN Y, et al. R & D of machining database system for difficult-to-cut materials[J]. Tool Engineering, 2009, 43(10): 39-41.
[17] 张永奎 ．数据库原理与设计[M]．北京：人民邮电出版社,2019. ZHANG Y K. Principle of Database[M]. Beijing: The People′s Posts and Telecommunications Press, 2019.
[18] JUAN Y F, DAI Y B, YANG Y, et al. Accelerating materials discovery using machine learning[J]. Journal of Materials Science & Technology, 2021, 79: 178-190. [19] 吴金泰高强/高模碳纤维增强C/SiC复合材料制备及其性能研究长沙国防科学技术大学2015吴金泰 ．高强/高模碳纤维增强C/SiC复合材料制备及其性能研究[D]．长沙：国防科学技术大学,2015. WU J TPreparation and properties of high-strength or high-modulus carbon fibers reinforced C/SiC compositesChangshaNational University of Defense Technology2015WU J T. Preparation and properties of high-strength or high-modulus carbon fibers reinforced C/SiC composites[D]. Changsha: National University of Defense Technology, 2015.
[20] LI Z Y, DENG Z H, GE Z G, et al. A hybrid approach of case-based reasoning and process reasoning to typical parts grinding process intelligent decision[J]. International Journal of Production Research, 2023, 61(2): 503-519. [21] 杨福军,丁涛,付眸,等 ．基于RBAC的权限复杂性与可靠性控制模型研究[J]．计算机应用与软件,2022,39（1）：30-38. YANG F J, DING T, FU M, et al. RBAC-based authority complexity and reliability control model[J]. Computer Applications and Software, 2022, 39(1): 30-38.
[22] 高志玉,樊献金,高思达,等 ．基于多模型机器学习的合金结构钢回火力学性能研究[J]．材料导报,2023,37（6）：148-154. GAO Z Y, FAN X J, GAO S D, et al. Study on tempering mechanical properties of alloy structural steel based on multi-model machine learning[J]. Materials Reports, 2023, 37(6): 148-154.
[23] 罗磊,邢海峰,王松涛 ．基于机器学习的单孔绝热气膜冷却效率分布预测研究[J]．推进技术,2022,43（4）：218-228. LUO L, XING H F, WANG S T. Prediction of adiabatic film cooling efficiency distribution of single hole based on machine learning[J]. Journal of Propulsion Technology, 2022, 43(4): 218-228.
计量
- 文章访问数: 129
- HTML全文浏览量: 29
- PDF下载量: 40
