摘要
随着机器学习算法的快速发展，研究人员开始多领域的交叉研究，材料信息学因此诞生。这使得原本以数据为中心但由于计算时间、实验成本等效益问题而无法采用传统方法测量或计算的材料特性问题迎刃而解。多孔介质有广泛的工程应用领域，热导率与微观结构作为多孔介质的重要物理性质，一直是科研人员研究的重点。因此我们通过利用机器学习算法对多孔介质热导率与微观结构进行交叉研究。 通过四参数随机生成算法和格子玻尔兹曼方法生成多孔介质的数据集，为了考虑微观结构对多孔介质的影响，我们选取了影响多孔介质有效导热系数的五个因素作为特征，即孔隙率、纵横比、热流路径长度、平均孔隙大小、各向同异性。通过控制变量法,利用十种机器学习算法分别训练十个模型并对比预测效果以及在MAE、RMSE、R2三个评定指标上的评分，选出最优的机器学习模型——随机森林回归模型。此外使用改进后的自编码器对多孔介质灰度图进行数据压缩,得到隐藏向量。利用隐藏向量训练全连接神经网络模型，然后将训练完成的解码器与全连接网络进行拼接，实现多孔介质反向设计网络的搭建。使用卷积神经网络对生成图片进行验证，发现其生成图像与预设输入基本一致。同时我们采用更加强力的分类条件生成对抗网络模型，使用孔隙率、热导率、各向同异性作为多孔介质灰度图的标签，通过优化模型、添加局部损失函数，实现反向生成多孔介质结构图。 本文提出一种利用机器学习算法与多孔介质交叉研究的新框架。一方面通过机器学习预测多孔介质热导率，另一方面使用自建的反向设计网络和分类条件对抗网络，实现通过多孔介质的微观结构参数，反向生成多孔介质结构。
NETL