典型文献
基于深度卷积神经网络的α-Fe晶界能预测
文献摘要：
本文提出了一种预测晶界能以研究α-Fe晶界性质的深度学习方法.在分子动力学生成的α-Fe对称倾斜晶界的基础上,通过中心对称参数和原予密度信息构造出晶界特征—积累中心对称参数,提出了数据增强和按倾斜角分层抽样的方法,建立了预测晶界能的卷积神经网络模型.测试集结果表明,预测晶界能的平均相对误差小于1.75％,平均每个晶界的预测用时在0.002 s以内.该方法在一定范围内具有较高的准确性和鲁棒性,提供了研究晶界的微观结构特征与宏观性能之间关联的途径.
文献关键词：
晶界;卷积神经网络;中心对称参数;晶界能
中图分类号：
作者姓名：
陈村;李六六;彭蕾;时靖谊
作者机构：
中国科学技术大学核探测与核电子学国家重点实验室,合肥230026;中国科学技术大学核科学技术学院,合肥230027
文献出处：
引用格式：
[1]陈村;李六六;彭蕾;时靖谊-.基于深度卷积神经网络的α-Fe晶界能预测)[J].原子与分子物理学报,2022(03):126-134
A类：
中心对称参数
B类：
深度卷积神经网络,晶界能,深度学习方法,分子动力学,倾斜晶界,晶界特征,数据增强,倾斜角,分层抽样,卷积神经网络模型,测试集,集结,平均相对误差,微观结构特征,宏观性能
AB值：
0.233639
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
