一种高分子材料的配方设计优化方法及装置与流程

本发明涉及高分子材料配方设计，具体涉及一种高分子材料的配方设计优化方法及装置。

背景技术：

1、高分子材料因其独特的性能——优异的机械强度、良好的耐化学腐蚀性以及可加工性，在塑料包装、医疗器械、纺织品、汽车零部件、建筑材料、航空航天、光导纤维等诸多方面都发挥着不可或缺的巨大作用。实现这些广泛应用的关键，则是高分子材料的配方设计。根据目标产品的性能要求，通过精确选择高分子基材、添加剂的种类及相应比例以及各种工艺条件的组合，来调控高分子材料的物理、化学及机械性能。一个优异的高分子材料配方可以实现不同组分特点的取长补短，实现最大的经济效益和生产价值，因此配方设计在研发新型高分子材料和产品中扮演着至关重要的角色。

2、目前看来，常规的高分子配方设计不仅要求设计人员具备深厚的材料科学基础知识，还需熟悉各种添加剂的作用机理及加工工艺对材料性能的影响程度等。目前，高分子配方设计主要依赖正交法设计实验然后进行验证，面对巨大的搜索空间，需要进行大量尝试，耗时又耗力。而且，现有技术往往在较为简单的场景下能够表现良好，但面临多指标多组分的复杂体系时，缺少高效合理的配方设计工具和方法。与此同时，现有方法不能在给出配方的同时提供相应的制备方法和工艺参数，分开予以优化将导致生产效率下降。

3、因此，如何发明一种高分子材料的配方设计优化方法，能够从所有可能的配方空间中快速搜索到最优或者接近最优性能的配方，显著降低实验次数，提高效率，成为亟需解决的问题。

技术实现思路

1、为此，本发明提供一种高分子材料的配方设计优化方法及装置，能够将常见的配方设计问题转化为了多维空间的全局优化问题，并利用全局优化算法来确定配方中的组分及其含量，能够从所有可能的配方空间中快速搜索到最优或者接近最优性能的配方，相较于传统的正交实验法、网格搜索法等，能够显著降低实验次数。

2、为了实现上述目的，本发明提供如下技术方案：一种高分子材料的配方设计优化方法，包括：

3、根据历史数据信息，汇总生成历史高分子配方数据集；将所述历史高分子配方数据集中的配方数据通过全局优化算法进行优化推荐，获得第一最优推荐配方；

4、构建高分子性能预测模型，并对所述高分子性能预测模型进行训练，获得训练好的所述高分子性能预测模型；

5、将所述第一最优推荐配方输入训练好的所述高分子性能预测模型，通过所述高分子性能预测模型进行性能预测，获得所述第一最优推荐配方对应的性能预测值；

6、将所述第一最优推荐配方与所述第一最优推荐配方对应的性能预测值按照设定格式进行拼接，生成新高分子配方数据；将所述新高分子配方数据汇入所述历史高分子配方数据集中，形成新高分子配方数据集；

7、将所述新高分子配方数据集中的配方数据通过所述全局优化算法进行优化推荐，获得第二最优推荐配方；将所述第二最优推荐配方输入训练好的所述高分子性能预测模型进行性能预测，获得所述第二最优推荐配方对应的性能预测值；通过迭代推荐及预测处理，直至最优推荐配方对应的性能预测值达到设定数值，完成迭代；将所述最优推荐配方作为最终推荐配方，并进行实验验证。

8、作为一种高分子材料的配方设计优化方法的优选方案，所述全局优化算法包括：贝叶斯优化算法、遗传算法、粒子群优化算法和进化算法。

9、作为一种高分子材料的配方设计优化方法的优选方案，在将所述历史高分子配方数据集中的配方数据通过所述全局优化算法进行优化推荐的过程中，通过贝叶斯优化算法拟合所述配方数据构建出用于近似真实分布的代理模型；通过所述代理模型最大化采集函数确定最优推荐配方；所述采集函数的表达式为：

10、 ；

11、式中，a( x)为采集函数的值；u( x)为代理模型对目标函数在 x处的预测均值；σ(x)为代理模型对目标函数在 x处的预测标准差； k为常数，其作用是在探索和利用这两种搜索策略中进行权衡。

12、作为一种高分子材料的配方设计优化方法的优选方案，所述高分子性能预测模型包括：随机森林模型、神经网络模型和线性回归模型。

13、作为一种高分子材料的配方设计优化方法的优选方案，所述高分子性能预测模型的表达式为：

14、 ；

15、式中，y为性能预测值； f()为性能预测模型，该模型通过学习拟合了配方数据与性能之间的复杂函数关系； x为多个配方数据中的配方组成及工艺条件。

16、本发明还提供一种高分子材料的配方设计优化装置，基于以上一种高分子材料的配方设计优化方法，包括：

17、最优推荐配方获取模块，用于根基历史数据信息，汇总生成历史高分子配方数据集；将所述历史高分子配方数据集中的配方数据通过全局优化算法进行优化推荐，获得第一最优推荐配方；

18、高分子性能预测模型构建及训练模块，用于构建高分子性能预测模型，并对所述高分子性能预测模型进行训练，获得训练好的所述高分子性能预测模型；

19、性能预测值获取模块，用于将所述第一最优推荐配方输入训练好的所述高分子性能预测模型，通过所述高分子性能预测模型进行性能预测，获得所述第一最优推荐配方对应的性能预测值；

20、新高分子配方数据集生成模块，用于将所述第一最优推荐配方与所述第一最优推荐配方对应的性能预测值按照设定格式进行拼接，生成新高分子配方数据；将所述新高分子配方数据汇入所述历史高分子配方数据集中，形成新高分子配方数据集；

21、最终推荐配方获取模块，用于将所述新高分子配方数据集中的配方数据通过所述全局优化算法进行优化推荐，获得第二最优推荐配方；将所述第二最优推荐配方输入训练好的所述高分子性能预测模型进行性能预测，获得所述第二最优推荐配方对应的性能预测值；通过迭代推荐及预测处理，直至最优推荐配方对应的性能预测值达到设定数值，完成迭代；将所述最优推荐配方作为最终推荐配方，并进行实验验证。

22、作为一种高分子材料的配方设计优化装置的优选方案，所述最优推荐配方获取模块中，所述全局优化算法包括：贝叶斯优化算法、遗传算法、粒子群优化算法和进化算法。

23、作为一种高分子材料的配方设计优化装置的优选方案，所述最优推荐配方获取模块中，在将所述历史高分子配方数据集中的配方数据通过所述全局优化算法进行优化推荐的过程中，通过贝叶斯优化算法拟合所述配方数据构建出用于近似真实分布的代理模型；通过所述代理模型最大化采集函数确定最优推荐配方；所述采集函数的表达式为：

24、 ；

25、式中，a( x)为采集函数的值；u( x)为代理模型对目标函数在 x处的预测均值；σ(x)为代理模型对目标函数在 x处的预测标准差； k为常数，其作用是在探索和利用这两种搜索策略中进行权衡。

26、作为一种高分子材料的配方设计优化装置的优选方案，所述高分子性能预测模型构建及训练模块中，所述高分子性能预测模型包括：随机森林模型、神经网络模型和线性回归模型。

27、作为一种高分子材料的配方设计优化装置的优选方案，所述高分子性能预测模型构建及训练模块中，所述高分子性能预测模型的表达式为：

28、 ；

29、式中，y为性能预测值； f()为性能预测模型，该模型通过学习拟合了配方数据与性能之间的复杂函数关系； x为多个配方数据中的配方组成及工艺条件。

30、本发明具有如下优点：根据历史数据信息，汇总生成历史高分子配方数据集；将所述历史高分子配方数据集中的配方数据通过全局优化算法进行优化推荐，获得第一最优推荐配方；构建高分子性能预测模型，并对所述高分子性能预测模型进行训练，获得训练好的所述高分子性能预测模型；将所述第一最优推荐配方输入训练好的所述高分子性能预测模型，通过所述高分子性能预测模型进行性能预测，获得所述第一最优推荐配方对应的性能预测值；将所述第一最优推荐配方与所述第一最优推荐配方对应的性能预测值按照设定格式进行拼接，生成新高分子配方数据；将所述新高分子配方数据汇入所述历史高分子配方数据集中，形成新高分子配方数据集；将所述新高分子配方数据集中的配方数据通过所述全局优化算法进行优化推荐，获得第二最优推荐配方；将所述第二最优推荐配方输入训练好的所述高分子性能预测模型进行性能预测，获得所述第二最优推荐配方对应的性能预测值；通过迭代推荐及预测处理，直至最优推荐配方对应的性能预测值达到设定数值，完成迭代；将所述最优推荐配方作为最终推荐配方，并进行实验验证。本发明将常见的配方设计问题转化为了多维空间的全局优化问题，并利用全局优化算法来确定配方中的组分及其含量，能够从所有可能的配方空间中快速搜索到最优或者接近最优性能的配方，相较于传统的正交实验法、网格搜索法等，能够显著降低实验次数。本发明相较于梯度下降等局部优化算法，不易陷入局部最优，因而更加适用于多模态问题和相对复杂的优化任务。本发明在贝叶斯优化算法推荐出配方后，性能预测模型可在对这些配方进行实验验证前初步评估该配方和工艺参数的合理性及可行性，从而精简出真正具备潜力的配方来进行实验验证，大幅降低了配方设计的试错成本。同时，本发明能够实现优化算法的自动迭代，交由机器自主执行，一定程度上减轻了相关实验人员的负担，同时也降低了结果的不确定性，能够在进行实验验证前给出一些参考，起到对优化算法的有益补充效果。本发明可以根据所需性能针对性地给出相对应的配方及工艺参数，可以针对不同的制备体系进行个性化适配与调整，可实现多个指标同时进行优化。