大数据、人工智能、超算协同的材料性能预测方法

    公开(公告)号:CN108876038B

    公开(公告)日:2021-07-16

    申请号:CN201810629623.3

    申请日:2018-06-19

    Abstract: 本发明提供一种大数据、人工智能、超算协同的材料性能预测方法,涉及材料性能预测技术领域,所述方法包括:获取原始数据集并进行预处理;创建多个不同的贝叶斯深度网络模型;构造权重的高斯先验分布;构造似然函数;根据贝叶斯准则计算权重的后验概率分布函数;然后利用高斯近似方法在超级计算机上并行求解每个模型的参数后验,直至参数后验收敛;之后利用预测集通过每个网络模型得到预测输出,计算每个贝叶斯深度网络模型的占所有网络的权重比;最后根据训练好的贝叶斯深度网络模型对预测集进行预测,得到最终预测值和预测值的误差条,至此,整个网络模型构建完毕。本发明的方法能够提高材料性能预测的质量和效率。

    大数据、人工智能、超算协同的材料性能预测方法

    公开(公告)号:CN108876038A

    公开(公告)日:2018-11-23

    申请号:CN201810629623.3

    申请日:2018-06-19

    Abstract: 本发明提供一种大数据、人工智能、超算协同的材料性能预测方法,涉及材料性能预测技术领域,所述方法包括:获取原始数据集并进行预处理;创建多个不同的贝叶斯深度网络模型;构造权重的高斯先验分布;构造似然函数;根据贝叶斯准则计算权重的后验概率分布函数;然后利用高斯近似方法在超级计算机上并行求解每个模型的参数后验,直至参数后验收敛;之后利用预测集通过每个网络模型得到预测输出,计算每个贝叶斯深度网络模型的占所有网络的权重比;最后根据训练好的贝叶斯深度网络模型对预测集进行预测,得到最终预测值和预测值的误差条,至此,整个网络模型构建完毕。本发明的方法能够提高材料性能预测的质量和效率。

    特征线追踪方法、堆芯中子物理计算方法和装置

    公开(公告)号:CN111666689B

    公开(公告)日:2023-09-29

    申请号:CN202010519286.X

    申请日:2020-06-09

    Abstract: 一种特征线追踪方法、堆芯中子物理计算方法及装置以及计算机可读储存介质,所述特征线追踪方法包括:按层级由上到下依次判断每个所述层级中符合第一预设条件的所述子模型与所述特征线的交集是否符合第二预设条件;获得最下层级符合所述第一预设条件的所述子模型与所述特征线的符合所述第二预设条件的交集,根据获得的所述交集得到所述特征线与所述堆芯的所有材料的分段对应关系。这种特征线追踪方法减小了计算量,提高了计算效率。

Patent Agency Ranking