申请/专利权人：天津大学

申请日：2024-03-06

公开（公告）日：2024-05-17

公开（公告）号：CN118053514A

主分类号：G16C20/30

分类号：G16C20/30;G16C20/70;G16C20/90;G16C60/00;G06N20/00;G06N5/01;G06N20/20;G06N3/0985;G06N5/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开基于可解释机器学习的聚酰亚胺玻璃化转变温度预测方法，从数据库中收集聚酰亚胺的结构和玻璃化转变温度，选择差示扫描量热仪测试得到的数据，之后将重复单元两端用氢原子封端，通过其SMILES表达式生成对应的分子描述符，并选取最重要的若干个分子描述符；构建玻璃化转变温度预测模型并对模型进行优化，采用交叉验证对模型性能进行评估，在此过程中使用决定系数、平均绝对误差和均方根误差衡量模型；使用SHAP对模型进行解释，并进行了实验结果对比。具有准确性高、低成本、绿色环保的优点。能够解释影响相关性质的因素，快速指导实验合成，具有计算速度快、精度高、结构分析方便的特点。对实验室合成新型聚酰亚胺起指导作用。

主权项：1.基于可解释机器学习的聚酰亚胺玻璃化转变温度预测方法；其特征是，包括如下步骤：1从数据库中收集聚酰亚胺重复单元的结构和玻璃化转变温度信息，作为机器学习样本数据集；2对所述步骤1中的数据集进行预处理，选择差示扫描量热仪测试得到的玻璃化转变温度，之后将重复单元两端用氢原子封端，通过每个重复单元的SMILES表达式生成对应的分子描述符；3对步骤2中得到的分子描述符和玻璃化转变温度使用FeatureImportance方法分析，将所有描述符对玻璃化转变温度的重要程度进行排序，选取对玻璃化转变温度排序中靠前若干个分子描述符构建用于机器学习的数据集；4基于步骤3中得到的数据集构建玻璃化转变温度预测模型，70～80％的数据作为训练集，20～30％作为测试集；将分子描述符作为输入，输出其预测的玻璃化转变温度；5使用随机搜索、贝叶斯搜索或网格搜索调整超参数对步骤4的预测模型进行优化；6采用交叉验证的评估方式对步骤5中优化后的随机森林、极端树、XGBoost、LightGBM、CATBoost和深度神经网络模型性能进行评估；将步骤3中构建的数据集随机分为n组，n-1组用来训练，1组用于测试；使用R2、MAE和RMSE共3个评估指标衡量模型；选取出最优模型；7模型解释：使用SHAPSHapleyAdditiveexPlanation对步骤6中选取出的最优模型进行解释。

全文数据：

权利要求：

百度查询： 天津大学 基于可解释机器学习的聚酰亚胺玻璃化转变温度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD