本发明属于计算材料科学，特别涉及一种复合材料稳定性能预测方法及相关装置。
背景技术：
1、在当今材料科学与工程领域，复合材料因其独特的物理和化学性能，被广泛应用于航空航天、汽车制造、能源设备及基础设施建设等多个行业；复合材料通常以一种材料作为基体，另一种或多种材料作为增强体，通过物理或化学的方法形成具有新性能的材料；随着应用范围的不断拓展，确保复合材料在复杂服役环境下的长期稳定性和可靠性成为研究的重点；然而，复合材料的稳定性能受到多种因素的影响，包括但不限于环境因素、材料属性特征；因此，精确预测复合材料在特定服役环境下的稳定性能，对提升产品设计的可靠性和延长使用寿命至关重要。
2、目前，针对复合材料的稳定性能预测方法主要包括：基于传统力学模型的分析方法、有限元模拟方法及简单的统计学习方法等；上述方案在处理高维度、非线性及动态变换的环境因素和材料稳定性能之间的关系时，存在显著的局限性，无法实现高效、精确的预测效果；具体如下：现有的预测方法往往忽视了环境因素与材料属性特征的动态交互作用，难以准确捕捉环境因素的细微变换对材料稳定性能的即时影响；其次，传统的预测模型在处理大数据集和复杂时间序列数据方面能力有限，特别是在面对实时监测数据与长期趋势预测的融合过程。
技术实现思路
1、针对现有技术中存在的技术问题，本发明提供了一种复合材料稳定性能预测方法及相关装置，以解决现有的预测方法存在显著的局限性，无法实现高效、精确的预测效果的技术问题。
2、为达到上述目的，本发明采用的技术方案为：
3、本发明提供了一种复合材料稳定性能预测方法，包括：
4、对待测材料服役环境数据和待测材料属性数据进行采集，获得初始数据集；
5、基于时间序列分析方法，从初始数据集中提取影响待测材料稳定性能的待测材料服役环境数据，得到关键服役环境影响因子集；
6、根据初始数据集和关键服役环境影响因子集，并结合预构建的与环境影响适应性相关的自适应特征权重矩阵，生成输入特征向量；
7、将输入特征向量输入至预构建的复合材料稳定性能预测模型中，输出得到待测材料稳定性能预测结果；其中，预构建的复合材料稳定性能预测模型采用集成循环神经网络模型，并引入注意力机制和模型权重策略。
8、进一步的，待测材料服役环境数据包括待测材料服役环境中的温度、湿度、压力及振动频率；待测材料属性数据包括待测材料的微观结构参数和成分特征参数；
9、其中，待测材料的微观结构参数包括待测材料中增强体的直径、增强体的排列结构参数以及增强体与基体的界面特性参数；待测材料的成分特征参数包括待测材料的密度、孔隙率及化学成分比例。
10、进一步的，根据初始数据集和关键服役环境影响因子集，并结合预构建的与环境影响适应性相关的自适应特征权重矩阵，生成输入特征向量的过程，具体步骤如下：
11、从初始数据集中选择待测材料属性数据，构建待测材料属性特征矩阵；
12、对待测材料属性特征矩阵进行降维处理，获得降维后的特征矩阵；
13、基于降维后的特征矩阵和关键服役环境影响因子集，构建扩展特征矩阵；
14、对扩展特征矩阵进行稀疏表示学习，获得稀疏特征权重矩阵；其中，稀疏特征权重矩阵，具体为：
15、
16、
17、其中，为稀疏特征权重矩阵；为最小角回归分析算法；为衡量扩展特征矩阵与扩展特征矩阵和稀疏特征权重矩阵之积之间差异的l2范数平方；为稀疏特征权重矩阵中计算向量元素绝对值之和的l1范数；为正则化参数；为扩展特征矩阵；
18、基于关键服役环境影响因子集，对稀疏特征权重矩阵进行优化，获得预构建的与环境影响适应性相关的自适应特征权重矩阵；
19、利用预构建的与环境影响适应性相关的自适应特征权重矩阵，对降维后的特征矩阵进行加权重组，获得输入特征向量。
20、进一步的，基于关键服役环境影响因子集，对稀疏特征权重矩阵进行优化，获得预构建的与环境影响适应性相关的自适应特征权重矩阵的过程，具体步骤如下：
21、基于关键服役环境影响因子集，对稀疏特征权重矩阵中的特征权重元素进行优化，获得与环境影响适应性相关的自适应特征权重元素；
22、对与环境影响适应性相关的自适应特征权重元素进行组合，得到预构建的与环境影响适应性相关的自适应特征权重矩阵；
23、其中，与环境影响适应性相关的自适应特征权重元素，具体为：
24、
25、其中，为与环境影响适应性相关的自适应特征权重元素；为稀疏特征权重矩阵中的特征权重元素；为关键服役环境影响因子集中的第个元素；为关键服役环境影响因子集中元素的均值；为关键服役环境影响因子集中元素的标准差；为自然指数函数。
26、进一步的，集成循环神经网络模型包括若干个lstm子模型，lstm子模型的数量与输入特征向量中的特征序列的数量相同；lstm子模型，用于捕获输入特征向量中的特征序列随时间步进的隐藏状态；
27、其中，捕获输入特征向量中的特征序列随时间步进的隐藏状态的过程，具体为：
28、
29、其中，为输入特征向量中的第个特征序列在时间步时的隐藏状态；为长短期记忆网络算法；为输入特征向量中的第个特征序列；为输入特征向量中的第个特征序列在时间步时的隐藏状态；
30、注意力机制，具体为：
31、
32、其中，为输入特征向量中的第个特征序列在时间步时的注意力权重；为输入特征向量中的特征序列的数量；
33、模型权重策略，具体为：
34、
35、其中，为经过环境影响适应性调整后第个lstm子模型的权重；为预设的环境影响适应性权重分配函数；为第个lstm子模型调整前的权重；为关键服役环境影响因子集；为关键服役环境影响因子集的标准差；为平衡系数；为非线性调整项指数。
36、进一步的，将输入特征向量输入至预构建的复合材料稳定性能预测模型中，输出得到待测材料稳定性能预测结果之后，还包括反馈优化步骤；
37、其中，反馈优化步骤，具体如下：
38、基于待测材料稳定性能预测结果与待测材料稳定性能实际监测结果，对降维后的特征矩阵与关键服役环境影响因子集进行全局敏感性分析，获得预测结果误差分析结果；
39、根据预测结果误差分析结果，构建动态权重更新函数；
40、利用动态权重更新函数，对扩展特征矩阵进行更新，获得更新后的扩展特征矩阵；其中，更新后的扩展特征矩阵，具体为：
41、
42、其中，为更新后的扩展特征矩阵；为降维后的特征矩阵中的第行特征序列；为降维后的特征矩阵的行索引；为关键服役环境影响因子集中的第个元素，为关键服役环境影响因子集的元素索引；为时间步时降维后的特征矩阵中的第行特征序列与关键服役环境影响因子集中的第个元素的动态权重；
43、基于更新后的扩展特征矩阵，生成更新后的输入特征向量；
44、基于更新后的输入特征向量，对集成循环神经网络模型的模型参数以及模型权重策略的特征参数进行调整，获得优化后的复合材料稳定性能预测模型；其中，基于更新后的输入特征向量，对集成循环神经网络模型的模型参数以及模型权重策略的特征参数进行调整，获得优化后的复合材料稳定性能预测模型的过程，具体步骤如下：
45、将更新后的输入特征向量输入至预构建的复合材料稳定性能预测模型中，输出得到新的待测材料稳定性能预测结果；
46、采用均方误差计算方法，对新的待测材料稳定性能预测结果与待测材料稳定性能实际监测结果的均方误差进行计算，得到新的预测结果的均方误差；
47、基于新的预测结果的均方误差，对集成循环神经网络模型的模型参数进行调整，获得优化后的模型参数；
48、其中，基于新的预测结果的均方误差，对集成循环神经网络模型的模型参数进行调整，获得优化后的模型参数的过程，具体如下：
49、
50、其中，为优化后的模型参数；为调整前集成循环神经网络模型的模型参数；为学习率；为集成循环神经网络模型的模型参数的梯度向量；为新的预测结果的均方误差；为模型参数更新强度的衰减系数；
51、基于更新后的扩展特征矩阵和新的预测结果的均方误差，构建环境影响适应性损失函数；其中，环境影响适应性损失函数，具体为：
52、
53、其中，为环境影响适应性损失函数；为环境因素的调节系数；为环境影响因子在损失函数中的比重；
54、根据环境影响适应性损失函数和优化后的模型参数，构建环境影响适应性函数；利用环境影响适应性函数，对模型权重策略的特征参数进行调整，获得优化后的特征参数；其中，模型权重策略的特征参数包括平衡系数和非线性度的调整项指数；
55、具体的，利用环境影响适应性函数，对模型权重策略的特征参数进行调整，获得优化后的特征参数的实施步骤，如下：
56、
57、
58、其中，为优化后的平衡系数；为优化后的非线性调整项指数；为新的待测材料稳定性能预测结果；为待测材料稳定性能实际监测结果；为环境影响适应性函数；
59、将优化后的模型参数、优化后的平衡系数及优化后的非线性调整项指数代入至预构建的复合材料稳定性能预测模型，获得优化后的复合材料稳定性能预测模型；
60、将更新后的输入特征向量重新输入至优化后的复合材料稳定性能预测模型，输出得到最优的待测材料稳定性能预测结果。
61、进一步的，动态权重更新函数，具体为：
62、
63、其中，为时间步时降维后的特征矩阵中的第行特征序列与关键服役环境影响因子集中的第个元素的动态权重；为时间步时降维后的特征矩阵中的第行特征序列与关键服役环境影响因子集中的第个元素的动态权重；为学习率；为决定权重变化的符号函数；为降维后的特征矩阵中的第行特征序列与关键服役环境影响因子集中的第个元素的贡献度；为降维后的特征矩阵中的特征序列与关键服役环境影响因子集中的元素的贡献度平均值。
64、本发明还提供了一种复合材料稳定性能预测系统，包括：
65、数据采集模块，用于对待测材料服役环境数据和待测材料属性数据进行采集，获得初始数据集；
66、关键环境因子提取模块，用于基于时间序列分析方法，从初始数据集中提取影响待测材料稳定性能的待测材料服役环境数据，得到关键服役环境影响因子集；
67、输入特征向量生成模块，用于根据初始数据集和关键服役环境影响因子集，并结合预构建的与环境影响适应性相关的自适应特征权重矩阵，生成输入特征向量；
68、性能预测模块，用于将输入特征向量输入至预构建的复合材料稳定性能预测模型中，输出得到待测材料稳定性能预测结果；其中，预构建的复合材料稳定性能预测模型采用集成循环神经网络模型，并引入注意力机制和模型权重策略。
69、本发明还提供了一种复合材料稳定性能预测设备，包括：
70、存储器，用于存储计算机程序；
71、处理器，用于执行所述计算机程序时实现所述的复合材料稳定性能预测方法的步骤。
72、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的复合材料稳定性能预测方法的步骤。
73、与现有技术相比，本发明的有益效果为：
74、本发明提供的复合材料稳定性能预测方法，利用待测材料服役环境数据和待测材料属性数据构建初始数据集，实现对待测材料实际工作环境中多维度参数的全面覆盖；利用时间序列分析方法对初始数据集进行分析处理，获得关键服役环境影响因子集，能够有效地捕捉服役环境影响因素随时间的变化规律及其对材料稳定性能可能产生的动态影响；将初始数据集与关键服役环境影响因子集相结合，并基于预构建的与环境影响适应性相关的自适应特征权重矩阵，生成优化后的特征向量，确保了预测模型的精准度和效率；预构建的复合材料稳定性能预测模型采用集成循环神经网络模型，并引入注意力机制和模型权重策略，能够有效学习并模拟材料稳定性能与环境因素之间的复杂非线性关系；本发明所述方法有效考虑了环境因素与材料属性的动态交互作用，实现精确捕捉环境因素对材料稳定性能的即时影响，进而实现对复合材料稳定性能的高效、精准预测。
75、本发明提供的复合材料稳定性能预测系统、复合材料稳定性能预测设备及计算机可读存储介质，具备上述复合材料稳定性能预测方法的全部优势。
1.一种复合材料稳定性能预测方法，其特征在于，包括：
2.根据权利要求1所述的一种复合材料稳定性能预测方法，其特征在于，待测材料服役环境数据包括待测材料服役环境中的温度、湿度、压力及振动频率；待测材料属性数据包括待测材料的微观结构参数和成分特征参数；
3.根据权利要求1所述的一种复合材料稳定性能预测方法，其特征在于，根据初始数据集和关键服役环境影响因子集，并结合预构建的与环境影响适应性相关的自适应特征权重矩阵，生成输入特征向量的过程，具体步骤如下：
4.根据权利要求3所述的一种复合材料稳定性能预测方法，其特征在于，基于关键服役环境影响因子集，对稀疏特征权重矩阵进行优化，获得预构建的与环境影响适应性相关的自适应特征权重矩阵的过程，具体步骤如下：
5.根据权利要求3所述的一种复合材料稳定性能预测方法，其特征在于，集成循环神经网络模型包括若干个lstm子模型，lstm子模型的数量与输入特征向量中的特征序列的数量相同；lstm子模型，用于捕获输入特征向量中的特征序列随时间步进的隐藏状态；
6.根据权利要求3所述的一种复合材料稳定性能预测方法，其特征在于，将输入特征向量输入至预构建的复合材料稳定性能预测模型中，输出得到待测材料稳定性能预测结果之后，还包括反馈优化步骤；
7.根据权利要求6所述的一种复合材料稳定性能预测方法，其特征在于，动态权重更新函数，具体为：
8.一种复合材料稳定性能预测系统，其特征在于，包括：
9.一种复合材料稳定性能预测设备，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的复合材料稳定性能预测方法的步骤。
