本发明涉及钽酸盐热障涂层，具体涉及一种稀土钽酸盐材料热导率预测模型的构建方法及应用。
背景技术：
1、热障涂层(tbcs)材料是航空发动机、燃气轮机的重要防护材料，主要由合金基体、粘结层、热生长氧化物层(tgo)、顶部陶瓷层组成。具有耐高温腐蚀、抗氧化性等优点，近年来成为提高热端部件工作温度，延长服役寿命的重要方法。
2、然而，稀土钽酸盐热障涂层材料涉及的元素种类众多，且不同元素配比也会极大地影响材料的物理性能，这就构成了一个复杂高维的搜索空间，，依靠传统的试错法非常消耗时间和成本，基于密度泛函理论(dft)的高通量计算的出现在一定程度上加速了搜索过程，但该方法仍面临建模困难，计算资源消耗大等问题。
3、近年来，人工智能和材料信息学的发展取得了卓越的成果，数据驱动下的机器学习技术被认为是材料设计领域的一种可行的方法。机器学习方法作为材料研究的第四范式，通过构建有效的材料特征(成分、工艺等)作为输入，以一种或多种性质作为输出，训练机器学习模型并快速建立起两者之间的映射关系，为快速预测筛选具有低热导率的新型稀土钽酸盐热障涂层材料提供了新的思路。
技术实现思路
1、本发明的目的在于提供一种稀土钽酸盐材料热导率预测模型的构建方法及应用，本发明提出了基于数据驱动的机器学习回归模型的稀土钽酸盐材料研究与优化方法，对比传统的分子动力学、密度泛函理论计算方法，该方法极大地缩短了计算时间，减少了计算资源使用量，在实验前可先使用该模型进行热导率预测，降低试错成本，为加速发现具有低热导率的稀土钽酸盐材料提供了新思路。
2、为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
3、一种稀土钽酸盐材料热导率预测模型的构建方法，包括以下步骤：
4、s1：采集每种稀土钽酸盐材料对应20-900℃热导率实验数据，所采集的数据的化学式均为retao4，其中，re为稀土元素y、ce、nd、sm、eu、gd、dy、lu、ho其中一种或多种的组合，ta代表钽元素，o代表氧元素，re：ta：o的元素元素剂量比为1：1：4；
5、s2：以元素剂量比为权重，对re、ta、o元素对应的元素属性进行加权数学运算得到加权特征，将加权特征作为初始特征；
6、s3：通过计算初始特征间皮尔逊相关系数剔除相关性>0.85的冗余初始特征，构建特征池。
7、s4：基于s3计算得到的特征池，选用8种回归模型，以十次十折交叉验证的平均决定系数(r2)为判据，进行最优模型选择，最终梯度提升回归树(gbrt)为最优模型；其中，所选用的8种回归模型分别为：gbrt(梯度提升回归树)、xgboost(分布式梯度增强库)、svr(支持向量回归)、rf(随机森林)、lr(岭回归)、rr(桥回归)、adaboost(集成增强算法)、lasso(最小绝对收缩和选择算法)；十折交叉验证：将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。
8、s5：根据s4选择出的gbrt模型，联合特征池，以十次十折交叉验证的平均决定系数(r2)为判据，进行子特征迭代筛选，筛选出gbrt模型(r2)最高时对应的子特征集；子集构建方法：首先选择温度为固定特征(即每次特征子集中都含有温度)，然后从剩余特征池中分别选取一至八种特征进行组合，最终共有255种特征组合。
9、s6：以s5筛选出的子特征集为输入自变量，稀土钽酸盐材料的热导率实验数据值为输出因变量，使用python库中的scikit-learn包，构建稀土钽酸盐材料热导率预测gbrt模型。
10、回归模型是一种广泛应用于统计学、机器学习和数据科学中的分析工具，用于描述因变量与一个或多个自变量之间的关系。它基于概率论、统计学和算法理论，旨在通过拟合一个数学模型来解释和预测数据中的趋势和模式。回归模型不仅在经济学、金融学、社会科学等传统领域有广泛应用，还在近年来迅速扩展到生物医学、工程学和材料科学等新兴领域。例如，在材料科学中，回归模型被用来预测材料的性能和特性，从而指导新材料的设计和优化。
11、回归分析的一个核心优势在于其解释性强，可以明确地量化自变量对因变量的影响，同时提供显著性检验等统计工具来评估模型的可靠性。这使得回归模型不仅是预测工具，更是探索数据背后因果关系的重要方法。
12、进一步的，所述s1中的稀土钽酸盐数据集re位包含至少一条两种元素至十种元素组合的稀土钽酸盐热导率数据。
13、进一步的，所述s2中元素特征包括：原子序数、原子质量、周期、族、密度、熔点、体积模量、质量无序参数、pauling电负性、ar电负性、mb电负性、第一电离能、电子亲和势、clementi有效核电荷数、slater有效核电荷数、电荷半径比、离子键强度、re位与ta离子半径之比、半径无序参数与共价半径。
14、进一步的，所述s3中，使用皮尔逊相关性系数剔除冗余特征，计算公式为：
15、其中，x和y是样本中两个特征的平均值，xi和yi表示两个特征的实际值。
16、进一步的，所述s4中使用了8种不同的回归模型进行预测，具体方法为：使用python库中的scikit-learn包，调用每一种模型，并对每种模型使用默认输入参数，十折交叉验证：1、将整个数据集随机划分成十个大小相似的子集。每个子集都包含大约10％的数据。2、进行十次训练和验证循环。在每次循环中，选择其中一个子集作为验证集(测试集)，其余九个子集作为训练集，第一次循环：使用第1到第9个子集作为训练集，第10个子集作为验证集。第二次循环：使用第1到第8和第10个子集作为训练集，第9个子集作为验证集。以此类推，直到第十次循环：使用第2到第10个子集作为训练集，第1个子集作为验证集。在每次循环中，使用训练集训练模型，然后用验证集评估模型的性能，将十次验证的性能指标取平均值，作为模型的最终评估结果。最终，选择选择十次十折交叉验证平均r2最高(0.972)的模型即(gbrt模型)进行特征子集筛选。
17、进一步的，所述s5中子特征迭代筛选方法是：从特征池中选择温度和其他8种特征的不同数量的组合即c(8，n)，筛选出模型精度最高时对应的子特征。具体选择方法为：从8个特征中选出一个特征，如：有效核电荷数，此时，输入特征为温度、有效核电荷数，计算r2和rmse并记录数据，继续选择特征，如：选择离子键强度，此时，输入特征为温度、离子键强度，计算r2和rmse并记录数据，直到8个特征全部选完。之后，从8个特征中选出两个特征，如：选择有效核电荷数和离子键强度，此时输入特征为温度、有效核电荷数和离子键强度，计算r2和rmse并记录数据，重复该操作直到所有2特征组合都被选完，以此类推，直到8特征组合全部选完，共计255种排列组合。将特征组合的r2按照降序排列以及rmse按升序排列，rmse最低的特征组合即为最优特征组合，最终，筛选出的特征组合为：温度、离子键强度、有效核电荷数。
18、进一步的，所述s6中热导率预测模型是基于gbrt算法构建的。具体构建方法为：使用s5中筛选出的特征为输入自变量，稀土钽酸盐材料的热导率实验数据值作为输出因变量，使用scikit-learn库中的gradientboostingregressor类初始化gbrt模型。模型需要寻优的参数选择为n_estimators(迭代次数)、learning_rate(学习率)、max_depth(决策树的最大深度)、subsample(子采样比例)。使用gridsearchcv函数在选定范围内寻找最优值。具体优化结果如下：
19、
20、梯度提升回归树算法(即gbrt算法)是机器学习回归领域的经典集成算法，它由多个弱学习器(决策树)共同完成，通过链式调用将每个弱学习器的预测结果累加作为最终预测结果进行输出。其中的弱学习器(决策树)是一种以树结构(包括二叉树与多叉树)来进行判定预测的模型。通过信息熵对自变量进行分类判定，并在树的末端获得预测结果。
21、另一方面，本发明提出上述方法在稀土钽酸盐热导率的快速预测筛选中的应用。
22、本发明的有益效果：
23、本发明通过构建稀土钽酸盐材料的热导率预测模型，实现了稀土钽酸盐材料热导率的快速预测。传统的试错法虽然能够最终找到符合要求的材料，但这种方法耗时长、成本高，且不具备系统性和高效性。通过基于密度泛函理论(dft)的高通量计算，本发明能够快速获取材料的基本物理参数，为后续的机器学习模型提供数据支撑。具体技术内容包括：通过加权数学运算获取初始特征，并利用皮尔逊相关系数剔除冗余特征，最终构建特征池。然后，选用多种回归模型并进行十次十折交叉验证，以确定最优模型(gbrt)。这种方法通过数据驱动的机器学习技术，实现了稀土钽酸盐材料热导率的快速、高效预测，极大地减少了实验试错的成本和时间。
24、本发明采用了元素剂量比的加权数学运算和皮尔逊相关系数剔除冗余特征的方式，构建了一个高精度的成分-热导率映射模型。首先，采集稀土钽酸盐材料在20-900℃范围内的热导率实验数据，并进行加权平均特征计算，确保每个元素的特性都得到充分反映。接着，通过计算初始特征间的皮尔逊相关系数，剔除相关性大于0.85的冗余特征，构建了有效的特征池。最终，选用8种回归模型，以十次十折交叉验证的平均决定系数($r^2$)为判据，选择gbrt为最优模型。通过这种系统的特征工程和模型优化过程，建立了一个高精度的成分-热导率映射模型，为新材料的设计提供了可靠的工具。
25、本发明在特征工程和特征筛选方面进行了深入的研究和优化。首先，通过元素剂量比的加权数学运算，获取初始特征，并利用皮尔逊相关系数剔除冗余特征，构建了一个有效的特征池。然后，基于特征池，选用8种回归模型进行预测，并通过十次十折交叉验证选择最优模型(gbrt)。在此基础上，进一步进行子特征迭代筛选，从特征池中选择温度和其他8种特征的不同组合，进行模型精度的优化筛选。最终筛选出的最优子特征集包括温度、离子键强度和有效核电荷数。这种特征工程和特征筛选的方法，不仅提高了模型的预测性能和泛化能力，还确保了模型在实际应用中的高效性和准确性。
26、本发明通过机器学习方法，克服了传统试错法和基于第一性原理的计算方法在材料热导率预测中的局限性。传统方法虽然可以预测材料的热导率，但面临着高成本、高时间消耗以及建模困难等问题。本发明通过机器学习技术，特别是gbrt模型的应用，有效地解决了这些问题。通过构建高效的成分-热导率映射模型，可以在实验前快速预估材料的热导率，从而筛选出具有潜力的材料，再进行进一步实验验证。这一流程不仅大幅减少了实验试错的次数，节约了实验成本，还提高了预测的效率和准确性。此外，模型的泛化能力通过十折交叉验证和子特征筛选得到了保证，使其在面对新的数据时，依然能够保持高水平的预测准确性。通过这种数据驱动的机器学习方法，本发明为新材料的设计和发现提供了有效的工具，具有显著的实用价值和应用前景。
27、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
1.一种稀土钽酸盐材料热导率预测模型的构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的稀土钽酸盐材料热导率预测模型的构建方法，其特征在于：所述s1中的稀土钽酸盐数据集re位包含至少一条两种元素至十种元素组合的稀土钽酸盐热导率数据。
3.如权利要求1所述的稀土钽酸盐材料热导率预测模型的构建方法，其特征在于：所述s2中元素特征包括：原子序数、原子质量、周期、族、密度、熔点、体积模量、质量无序参数、pauling电负性、ar电负性、mb电负性、第一电离能、电子亲和势、clementi有效核电荷数、slater有效核电荷数、电荷半径比、离子键强度、re位与ta离子半径之比、半径无序参数与共价半径。
4.如权利要求1所述的稀土钽酸盐材料热导率预测模型的构建方法，其特征在于：所述s3中，使用皮尔逊相关性系数剔除冗余特征，计算公式为：
5.如权利要求1所述的稀土钽酸盐材料热导率预测模型的构建方法，其特征在于：所述s4中使用了8种不同的回归模型进行预测，具体方法为：使用python库中的scikit-learn包，调用每一种模型，并对每种模型使用默认输入参数，十折交叉验证具体包括：将整个数据集随机划分成十个大小相似的子集；每个子集都包含大约10％的数据；进行十次训练和验证循环具体包括：在每次循环中，选择其中一个子集作为验证集，其余九个子集作为训练集，第一次循环：使用第1到第9个子集作为训练集，第10个子集作为验证集；第二次循环：使用第1到第8和第10个子集作为训练集，第9个子集作为验证集；以此类推，直到第十次循环：使用第2到第10个子集作为训练集，第1个子集作为验证集；在每次循环中，使用训练集训练模型，然后用验证集评估模型的性能，将十次验证的性能指标取平均值，作为模型的最终评估结果；最终，选择选择十次十折交叉验证平均r2最高的模型进行特征子集筛选。
6.如权利要求1所述的稀土钽酸盐材料热导率预测模型的构建方法，其特征在于：所述s5中子特征迭代筛选方法包括：从特征池中选择温度和其他8种特征的不同数量的组合即c(8，n)，筛选出模型精度最高时对应的子特征，计算r2和rmse并记录数据，将特征组合的r2按照降序排列以及rmse按升序排列，rmse最低的特征组合即为最优特征组合。
7.如权利要求1所述的稀土钽酸盐材料热导率预测模型的构建方法，其特征在于：所述s6中热导率预测模型是基于gbrt算法构建的；具体构建方法为：使用s5中筛选出的特征为输入自变量，稀土钽酸盐材料的热导率实验数据值作为输出因变量，使用scikit-learn库中的gradientboostingregressor类初始化gbrt模型；模型寻优的参数选择包括：n_estimators、learning_rate、max_depth、subsample；使用gridsearchcv函数在选定范围内寻找最优值。
8.如权利要求1-7任一项所述方法在稀土钽酸盐热导率的快速预测筛选中的应用。
