【摘要】：近年來,熱電材料由于具有能夠在熱能與電能之間直接轉換,體積小,可靠性高,環(huán)境友好等特點,成為了目前材料領域內研究的熱門方向。但是對熱電材料的研究,通過大量實驗觀察數(shù)據(jù),憑借直覺提出假設然后驗證假設的傳統(tǒng)材料研究方法,已經(jīng)很明顯不適用于當今高速發(fā)展的數(shù)字智能時代。利用第一性原理,能夠不斷完善熱電理論和進行新型熱電材料設計,但是研發(fā)周期依舊過長。因此,探尋新的研究方法來輔助加快新型熱電材料的研發(fā)具有重要意義。針對上述新型熱電材料設計研發(fā)存在的問題,本文提出了一種基于機器學習進行材料熱電性能的預測方法,重點是通過機器學習方法對熱電材料塞貝克系數(shù)進行預測,幫助后續(xù)熱電材料研究人員快速篩選出具有理想塞貝克系數(shù)的熱電材料。同時,我們還借助訓練好的機器學習模型找到了影響塞貝克系數(shù)的重要特征。因此,本文的工作內容大致分為兩個部分:第一部分,本文通過開源材料數(shù)據(jù)庫Materials Project獲取了2233 1條半導體材料的塞貝克系數(shù)數(shù)據(jù),構建了回歸模型的數(shù)據(jù)集。然后從化合物的構成元素性質和空間結構信息兩個方面進行特征工程,將選擇后的元素類型特征和空間結構型特征組合形成向量,作為數(shù)據(jù)集每一個化合物的“描述符”,使用它訓練出能夠預測塞貝克系數(shù)的梯度提升決策樹(GBDT)模型。模型在測試集預測效果達到R2=0.81,MAE=20.52 μ V/K,RMSE=25.36 μ V/K,MAPE=5.62%。另外利用GBDT模型的可解釋性,得到了這部分輸入特征變量的重要度。第二部分,為了挖掘出材料能帶結構中與塞貝克系數(shù)密切相關的特征,本文進一步獲取了 516個半導體材料的能帶結構數(shù)據(jù),首先使用經(jīng)過處理后的能帶數(shù)據(jù)訓練能夠預測塞貝克系數(shù)的GBDT模型,然后借助該模型結合聚類的方式提取了 4類能帶中對塞貝克系數(shù)影響大的特征,最后驗證了提取特征的有效性。
【圖文】：

對該材料的進一步研宄，如果該材料性能符合期望，則將該材料數(shù)據(jù)添加到訓練數(shù)據(jù)集逡逑當中，再次重復進行對訓練集數(shù)據(jù)的模型訓練，如此不斷循環(huán)此過程直到所有材料列舉逡逑完為止，圖１－１展示了該過程。這一自適應學習的方法對自動化地篩選出符合要求的材逡逑料空間結構、加快新材料設計和發(fā)現(xiàn)起到顯著的效果。ＫｅｉｓｕｋｅＴａｋａｈａｓｈｉＭ使用通過第逡逑一性原理計算得到的數(shù)據(jù)集，然后運用支持向量機算法成功預測材料晶體結構類型，對逡逑應用機器學習方法的預測材料的屬性這一過程進行了概述，為今后的科研人員開展此類逡逑研宄提供實質性參考。逡逑第二方面，對于構建材料晶體結構和性能量化“描述符”的方法研究。材料的“描逡逑述符”作為輸入到機器學習模型中的特征向量，對訓練完成的模型預測準確度和泛化能逡逑力有著極為重要的影響，其重要程度甚至超過了選擇的機器學習算法。面對不同的研宄逡逑對象和應用領域我們需要使用不同的材料量化描述方法，，可以歸納為：一方面，可以根逡逑據(jù)材料科學領域的專業(yè)理論知識建立對數(shù)據(jù)集中各個材料的量化描述，也可以稱之為逡逑“描述符”

，，，展和進步和計算機性能的不斷提高，越來越多的材料數(shù)據(jù)庫向公眾開放。如晶體結構數(shù)逡逑據(jù)庫（ＩＣＳＤ，Ｉｎｏｒｇａｎｉｃ邋Ｃｒｙｓｔａｌ邋Ｓｔｒｕｃｔｕｒｅ邋Ｄａｔａｂａｓｅ）、綜合型材料基礎性能數(shù)據(jù)庫邋ＭａｔＮａｖｉ、逡逑ＭａｔＷｅｂ、Ｍａｔｅｒｉａｌ邋Ｐｒｏｊｅｃｔ、劍橋結構數(shù)據(jù)庫（ＣＳＤ，邋Ｃａｍｂｒｉｄｇｅ邋Ｓｔｒｕｃｔｕｒａｌ邋Ｄａｔａｂａｓｅ）、以逡逑ＡＦＬＯＷ邋網(wǎng)站（Ａｕｔｏｍａｔｉｃ－ＦＬＯＷ）及邋ＮＯＭＡＤ邋網(wǎng)站（Ｎｏｖｅｌ邋Ｍａｔｅｒｉａｌｓ邋Ｄｉｓｃｏｖｅｒｙ）等。這些逡逑開源的數(shù)據(jù)庫一方面提供了材料領域大量的計算和實驗數(shù)據(jù)，另一方面提供了常用的材逡逑料數(shù)據(jù)分析工具，對我們的研宄有著巨大幫助。逡逑本課題用于熱電性能預測的數(shù)據(jù)來源主要是現(xiàn)有的材料工程數(shù)據(jù)庫Ｍａｔｅｒｉａｌ逡逑ｐｒｏｊｅｃｔ（ＭＰ），而ＭＰ網(wǎng)站的ＲＥＳＴＡＰＩ被整合到了材料基因分析軟件包ｐｙｍａｔｇｅｎ（Ｐｙｔｈｏｎ逡逑Ｍａｔｅｒｉａｌｓ邋Ｇｅｎｏｍｉｃｓ），我們通過該工具實現(xiàn)對材料數(shù)據(jù)的下載。Ｐｙｍａｔｇｅｎ是一個功能強逡逑大的開源的Ｐｙｔｈｏｎ模塊，主要用來做材料分析，在本文工作中，除了獲取數(shù)據(jù)，我們多逡逑次用到了邋Ｐｙｍａｔｇｅｎ。Ｐｙｍａｔｇｅｎ有以下主要特點：逡逑（１）具有高移植性性的代表著元素，分子，結構對象的類；逡逑（２）支持多種輸入格式，包括ＶＡＳＰ，邋ＣＩＦ，ＸＹＺ等；逡逑（３）強大的分析工具，具有生成相圖，進行散射分析等功能；逡逑（４）電子結構分析，包括電子態(tài)密度和電子能帶結構。逡逑
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;TB34

【相似文獻】

相關期刊論文 前10條

1 繆婷婷;馬維剛;李震;張興;;一種測量熱電材料塞貝克系數(shù)的新方法[J];工程熱物理學報;2011年04期

2 王善慈;多晶硅敏感技術（連載七）[J];傳感器技術;1995年01期

3 ;高性能熱電變換材料[J];金屬功能材料;1999年05期

4 和清霖;尚曉星;宋紅章;郝好山;;Al摻雜對YBaCo_4O_7氧吸附和電輸運性能的影響[J];功能材料;2014年16期

5 ;銅離子的類液體狀熱電學[J];中國基礎科學;2012年05期

6 賈陽;任德鵬;;溫差發(fā)電器中熱電材料物性的影響分析[J];電源技術;2008年04期

7 鄭文禮,李志文,劉炳燦,田強;熱電材料研究進展[J];大學物理;2004年11期

8 鄭文禮;劉炳燦;李志文;田強;;熱電材料研究進展[J];物理通報;2003年08期

9 李蒙;李洪濤;吳益文;郅惠博;龔思維;周小剛;吳曉紅;周輝;季誠昌;宿太超;;熱電材料的應用、研究及性能測試進展[J];理化檢驗(物理分冊);2013年01期

10 常瀟琳;楊崇立;朱春暉;李壯志;周鴻娟;侯登錄;;塞貝克系數(shù)和電阻率測量設備的搭建[J];物理實驗;2013年06期

相關會議論文 前3條

1 神政武;王藝霖;王為;;電沉積Bi_2Te_3/nano-SiC納米復合溫差發(fā)電材料[A];第十屆全國表面工程大會暨第六屆全國青年表面工程論壇論文摘要集（一）[C];2014年

2 徐斌;王淵旭;;ZrNiSn基half-Heusler化合物Ni被Y部分替代對熱電性的影響[A];2011中國材料研討會論文摘要集[C];2011年

3 黃大真;張鳳嬌;臧亞萍;狄重安;朱道本;;有機光熱電器件的制備與功能應用[A];2015年全國高分子學術論文報告會論文摘要集——主題H 能源高分子[C];2015年

相關博士學位論文 前8條

1 孫亞洲;p型BiCuSeO基硒氧化物熱電傳輸特性研究[D];中國科學技術大學;2017年

2 郝好山;稀土—鋇—鈷—氧材料的氧擴散與電輸運性能研究[D];鄭州大學;2007年

3 高君玲;硒碲化物熱電材料的輸運性能研究與優(yōu)化[D];北京科技大學;2018年

4 歐云;鈷基熱電氧化物陶瓷的制備與性能表征[D];湘潭大學;2014年

5 彭麗萍;異價摻雜TiO_2的電子結構和光學及熱電性能研究[D];華中科技大學;2014年

6 薛惠杰;耦合量子點系統(tǒng)熱電和熱自旋效應[D];哈爾濱工業(yè)大學;2012年

7 薛麗;CuGaTe_2半導體電子結構和熱電性能的第一性原理研究[D];華中科技大學;2014年

8 慈朋亮;硅微通道板制備及其熱電性能研究[D];華東師范大學;2011年

相關碩士學位論文 前10條

1 陳佳;機器學習在材料熱電性能預測中的應用[D];北京郵電大學;2019年

2 蔡云萍;ZnO摻雜及其熱學性質研究[D];廈門大學;2017年

3 何煦;半導體熱電材料性能參數(shù)測量方法及裝置研究[D];華中科技大學;2017年

4 段志浩;Fe薄膜中縱向自旋塞貝克系數(shù)的定量測量[D];南京大學;2018年

5 李佳書;摻雜Ca_3CO_4O_9熱電材料制備與性能研究[D];大連工業(yè)大學;2016年

6 陳鏡瀟;B_4C基復合材料熱電性能研究[D];哈爾濱工業(yè)大學;2013年

7 沈天涵;聚偏氟乙烯/碳納米管熱電材料的制備及其性能研究[D];武漢工程大學;2015年

8 張喜雯;Ba_2ZnPn_2(Pn=As、Sb、Bi)和FeZr/Hf_xNb_(1-x)Sb_(1-y)Sn_y的高熱電性能研究與預測[D];河南大學;2017年

9 蔡曉君;碲化鉛基塊體納米材料的制備及其熱電性能研究[D];鄭州大學;2015年

10 張奧迪;GaN基熱電材料表征及性質研究[D];河北科技大學;2015年

本文編號：2664878