阅读说明：本技术 一种基于机器学习的薄膜材料导热性能测试系统及方法 (System and method for testing heat-conducting property of film material based on machine learning ) 是由 范利武 冯飙 涂敬 张宇鸿 俞自涛 于 2019-09-18 设计创作，主要内容包括：本发明公开了一种基于机器学习的薄膜材料导热性能测试系统及方法,包括压力加载端,形变测试端,表面扫描端,材料材质扫描端,外部环境模拟端,红外温度探测端,云计算学习端,数据输出端,结果反馈修正端。本发明首先通过加压、测厚、分析表面形貌和元素成分、模拟所处应用环境的温湿度条件、红外精确测温的方式对亚微米或纳米薄膜材料进行预处理,获得基本条件参数；接着通过云计算学习端的主机接收数据,运用统计机器学习的方法,构建模型对其导热系数以及界面热阻进行计算预测；并实时监控云计算学习端,对预测的模型以及算法不断修正,最后得到最优的亚微米或纳米的导热系数以及界面热阻预测结果。(The invention discloses a system and a method for testing heat conductivity of a film material based on machine learning. The method comprises the steps of firstly, preprocessing a submicron or nanometer film material in a mode of pressurizing, thickness measuring, surface appearance and element composition analyzing, temperature and humidity condition simulating the application environment, and infrared accurate temperature measurement to obtain basic condition parameters; then, receiving data through a host of a cloud computing learning end, and constructing a model to calculate and predict the heat conductivity coefficient and the interface thermal resistance of the model by using a statistical machine learning method; and monitoring the cloud computing learning end in real time, continuously correcting the predicted model and algorithm, and finally obtaining the optimal submicron or nanometer heat conductivity coefficient and interface thermal resistance prediction result.)

一种基于机器学习的薄膜材料导热性能测试系统及方法

技术领域

本发明涉及材料热物性稳态测试领域，尤其涉及一种基于机器学习的薄膜材料导热性能测试系统及方法。

背景技术

机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。自20世纪80年代以来，机器学习作为实现人工智能的途径，在人工智能界引起了广泛的兴趣，特别是近十几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之。机器学习不仅在基于知识的系统中得到应用，而且在自然语言理解、非单调推理、机器视觉、模式识别等许多领域也得到了广泛应用。一个系统是否具有学习能力已成为是否具有“智能”的一个标志。机器学习的研究主要分为两类研究方向：第一类是传统机器学习的研究，该类研究主要是研究学习机制，注重探索模拟人的学习机制；第二类是大数据环境下机器学习的研究，该类研究主要是研究如何有效利用信息，注重从巨量数据中获取隐藏的、有效的、可理解的知识。

目前针对亚微米或纳米级别尺度的材料的导热系数以及界面热阻值的导热测量存在难点。本文在一种改进型稳态导热测试方法的基础上，引入机器学习的功能。不需要输入参数，搭配基本的实验测试装置，自动输入参量，得到导热系数以及界面热阻的数据。

发明内容

本发明的目的在于克服现有测试手段费时费力，并且测试误差大，结果不精确的问题。将实验测量装置与机器学习技术相结合，提出了一种基于机器学习的薄膜材料导热性能测试系统及方法。通过对人工智能机器的合理利用，有效提高亚微米或纳米级别材料导热系数以及界面热阻的预测精度。

本发明公开了一种基于人工智能与机器学习的形变修正型薄膜材料导热系数及界面热阻的稳态测试系统，其特征在于所述系统包括压力加载端、形变测试端、表面扫描端、材料材质扫描端、外部环境模拟端、红外温度探测端、云计算学习端、数据输出端和结果反馈修正端。

所述的压力加载端包含精密液压装置，可对待测试的亚微米或纳米薄膜材料根据实际使用条件与使用寿命，加载相应的实际压力；所述形变测试端包含激光测厚装置，根据激光漫反射原理测试得到上述加载压力前后，待测试的亚微米或纳米薄膜材料的变形量以及厚度数据；所述表面扫描端包含表面粗糙度扫描测量装置，例如但不仅限于原子力显微镜，可以测试经过加压变形后，待测试的亚微米或纳米薄膜材料的表面形貌，进行粗糙度分析；所述材料材质扫描端包含材质分析系统，例如但不仅限于X射线衍射仪，可以测试待测试的亚微米或纳米薄膜材料的衍射图谱，进行材料成分分析；所述外部环境模拟端包含外部环境温湿度模拟腔室，可以模拟待测试的亚微米或纳米薄膜材料所处应用环境的温湿度条件；所述红外温度探测端包含红外测温装置，例如但不仅限于红外热像仪，可以测试处于外部环境温湿度模拟腔室内的待测试的亚微米或纳米薄膜材料的亚微米或纳米级别的上下表面温度数据，进行表面热分析；所述云计算学习端包含主机和云服务计算机集群，主机接收来自压力加载端、形变测试端、表面扫描端、材料材质扫描端、外部环境模拟端、红外温度探测端的压力、形变、表面粗糙度、环境温湿度和材料成分的数据，待测亚微米及纳米薄膜材料的上下表面温度数据，运用统计机器学习的方法，利用云服务计算机集群并根据统计模型和参数，采用最优化算法对薄膜材料的导热系数以及界面热阻进行预测，例如但不局限于决策树、贝叶斯学习算法等；所述数据输出端包含监控以及结果输出系统，可以监控云计算学习端的计算情况，针对计算量灵活分配计算集群节点资源；所述结果反馈修正端包含大数据系统以及实际试验台，可以把预测结果与实测实验结果相比较，对预测的模型以及算法不断修正，最后得到最优的导热系数以及界面热阻预测结果。

优选的，所述的压力加载端的精密液压装置包含速度控制系统，速度控制系统可以控制加压的速率，用于模拟材料在实际使用过程中的撞击磨损情况。

优选的，所述的形变测试端的激光测厚装置，利用激光脉冲信号与反射信号，测试待测试的亚微米或纳米薄膜材料亚微米或纳米级别的形变量。

优选的，所述的表面扫描端的表面粗糙度扫描测量装置，为原子力显微镜，可以得到待测试的亚微米或纳米薄膜材料表面的纳米级别形貌。

优选的，所述的红外温度探测端的红外测温装置为红外热像仪，可以达到纳米级别的空间识别精度，精确区分与测定待测试的亚微米或纳米薄膜材料上下表面的温度差。

优选的，所述的材料材质扫描端的材质分析系统为X射线衍射仪，可以精确测定待测试的亚微米或纳米薄膜材料在纳米级别尺寸下的衍射图谱，进行材料成分分析。

优选的，所述的外部环境温湿度模拟腔室含有冷热源、送风系统、环境温湿度控制以及监测系统。

本发明还公开了所述的系统的测试方法，其特征在于：

首先根据亚微米或纳米薄膜材料的实际使用条件，通过压力加载端的精密液压装置，对亚微米或纳米薄膜材料加压；同时控制加压装置的加压速率以及撞击速率，根据实际使用条件与使用寿命，复现亚微米或纳米薄膜材料在长期受压情况下的撞击磨损情况；

接着将经过挤压变形的亚微米或纳米薄膜材料移送至形变测试端，利用激光测厚装置发射激光光源，收集激光漫反射的信号，从而得到上述精密液压装置加压前后，待测试的亚微米或纳米薄膜材料的变形量以及厚度数据；

然后将亚微米或纳米薄膜材料移送至表面扫描端，利用表面粗糙度扫描测量装置，例如但不仅限于原子力显微镜，可以对经过加压变形后，待测试的亚微米或纳米薄膜材料的上下表面形貌进行扫描分析，得到亚微米或纳米薄膜材料的表面粗糙度数据；

接着将亚微米或纳米薄膜材料移送至材料材质扫描端，利用材质分析系统，例如但不仅限于X射线衍射仪，对待测试的亚微米或纳米薄膜材料的纳米级别的衍射图谱进行分析，得到材料所包含的元素成分以及各成分含量数据；

然后将亚微米或纳米薄膜材料置于外部环境模拟端的外部环境温湿度模拟腔室内，外部环境温湿度模拟腔室含有冷热源、送风系统、环境温湿度控制以及监测系统，可以模拟待测试的亚微米或纳米薄膜材料的所处应用环境的温湿度条件；

接着利用红外温度探测端的红外测温装置，例如但不仅限于红外热像仪，实时监测处于外部环境温湿度模拟腔室内的待测试的亚微米或纳米薄膜材料的亚微米或纳米级别的上下表面温度数据，并将温度数据实时记录；

接着将上述操作得到的来自压力加载端、形变测试端、表面扫描端、材料材质扫描端、外部环境模拟端、红外温度探测端的压力，形变，表面粗糙度，环境温湿度和材料成分的数据，以及待测亚微米及纳米薄膜材料的上下表面温度数据传输到云计算学习端的主机上，主机接收输送过来的数据，运用统计机器学习的方法，利用云服务计算机集群的计算资源并根据统计模型和参数，采用最优化算法在云服务计算机集群上对所构建模型的导热系数以及界面热阻进行计算预测，例如但不局限于决策树、贝叶斯学习算法等。然后云计算学习端计算得到的预测数据在数据输出端显示出来，同时数据输出端可以监控云计算学习端的计算情况，针对计算量灵活合理分配计算集群节点资源；然后数据输出端将预测得到的亚微米或纳米薄膜导热系数和界面热阻的结果反馈到反馈修正端，反馈修正端一方面与大数据系统连接，可以得到不同条件下各种材料的导热系数以及界面热阻的数据，同时反馈修正段也与实际试验台相连接，可以得到实际测试得到的导热系数以及界面热阻值；反馈修正端可以把预测结果与大数据和实测实验结果相比较，将结果偏差反馈到云计算学习端的主机上，主机对预测的模型以及算法不断进行修正，得到最优的导热系数以及界面热阻预测模型，用于亚微米或纳米薄膜材料导热系数及界面热阻的预测。

本发明与现有技术相比，具有如下的有益效果：

(1)本系统无需输入参数，所有模型需要的数据均由实验测试获得，可以模拟亚微米及纳米薄膜材料的实际使用情况，得到精确的模型参数；

(2)本系统引入形变修正的变量参数，考虑了实际情况下亚微米及纳米薄膜材料的变形情况，得到的导热系数以及界面热阻值更加精确；

(3)本系统将人工智能、机械学习手段来预测亚微米及纳米薄膜材料的导热系数与界面热阻，解决了传统稳态测试方法不能测试亚微米及纳米尺度材料的导热系数与界面热阻的缺陷；

(4)本系统将人工智能、机械学习手段与实验测试手段相结合，避免了繁琐的稳态导热测试所消耗的人力与时间成本，更加灵活、高效；

(5)本系统的人工智能、机械学习手段考虑结果与实验值对比，并进行结果修正，预测值更加精确；

(6)本系统的良好扩展性与适用性，可以基于此应用于其他测试系统的开发预测。

附图说明

图1为一种基于机器学习的薄膜材料导热性能测试系统及方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步详细地说明。

如图1所示，本发明的基于人工智能与机器学习的形变修正型薄膜材料导热系数及界面热阻的稳态测试系统，包括压力加载端，形变测试端，表面扫描端，材料材质扫描端，外部环境模拟端，红外温度探测端，云计算学习端，数据输出端，结果反馈修正端。

首先根据亚微米或纳米薄膜材料的实际使用条件，通过压力加载端的精密液压装置，对亚微米或纳米薄膜材料加压。同时控制加压装置的加压速率以及撞击速率，根据实际使用条件与使用寿命，复现亚微米或纳米薄膜材料在长期受压情况下的撞击磨损情况。接着将经过挤压变形的亚微米或纳米薄膜材料移送至形变测试端，利用激光测厚装置发射激光光源。收集激光漫反射的信号，从而得到上述精密液压装置加压前后，待测试的亚微米或纳米薄膜材料的变形量以及厚度数据。然后将亚微米或纳米薄膜材料移送至表面扫描端。利用表面粗糙度扫描测量装置，例如但不仅限于原子力显微镜，可以对经过加压变形后，待测试的亚微米或纳米薄膜材料的上下表面形貌进行扫描分析，得到亚微米或纳米薄膜材料的表面粗糙度数据。接着将亚微米或纳米薄膜材料移送至材料材质扫描端，利用材质分析系统，例如但不仅限于X射线衍射仪，对待测试的亚微米或纳米薄膜材料的纳米级别的衍射图谱进行分析，得到材料所包含的元素成分以及各成分含量数据。然后将亚微米或纳米薄膜材料置于外部环境模拟端的外部环境温湿度模拟腔室内。外部环境温湿度模拟腔室含有冷热源、送风系统、环境温湿度控制以及监测系统，可以模拟待测试的亚微米或纳米薄膜材料的所处应用环境的温湿度条件。接着利用红外温度探测端的红外测温装置，例如但不仅限于红外热像仪，实时监测处于外部环境温湿度模拟腔室内的待测试的亚微米或纳米薄膜材料的亚微米或纳米级别的上下表面温度数据，并将温度数据实时记录。接着将上述操作得到的来自压力加载端，形变测试端，表面扫描端，材料材质扫描端，外部环境模拟端，红外温度探测端的压力，形变，表面粗糙度，环境温湿度和材料成分的数据，待测亚微米及纳米薄膜材料的上下表面温度等数据传输到云计算学习端的主机上。主机接收输送过来的参数，运用统计机器学习的方法，利用云服务计算机集群的计算资源并根据统计模型和参数，采用最优化算法在云服务计算机集群上对所构建模型的导热系数以及界面热阻进行计算预测，例如但不局限于决策树、贝叶斯学习算法等。然后云计算学习端计算得到的预测数据在数据输出端显示出来，同时数据输出端可以监控云计算学习端的计算情况，针对计算量灵活合理分配计算集群节点资源。然后数据输出端将预测得到的亚微米或纳米薄膜导热系数和界面热阻的结果反馈到反馈修正端。反馈修正端一方面与大数据系统连接，可以得到不同条件下各种材料的导热系数以及界面热阻的数据。同时反馈修正端也与实际试验台相连接，可以得到实际测试得到的导热系数以及界面热阻值。因此反馈修正端可以把预测结果与大数据和实测实验结果相比较，将结果偏差反馈到云计算学习端的主机上。从而对预测的模型以及算法不断修正，最后得到最优的亚微米或纳米的导热系数以及界面热阻预测结果。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述实施例序号仅仅用于描述，不代表实施例的优劣。上述实施例仅为本发明的较佳实施例，但本发明的实施方式并不受上述实施例的限制，其他任何在本发明的精神和原则之内，所作的修改、替代、组合、简化、改进等，都包含在本发明的保护范围之内。