计算机硕士论文选题代写：基于机器学习的硅酸盐玻璃组分与性能探讨
本文是一篇计算机论文，本文的研究对象包含基板玻璃和LAS(Li2O-Al2O3-SiO2)微晶玻璃。截至目前，研究者们已经采用机器学习算法对许多氧化物玻璃的性质进行了系统研究，包括杨氏模量、热膨胀系数、粘度、密度和液相线温度。
第一章绪论
1.1研究背景与意义
随着人工智能和大数据的迅速发展，学科交叉融合、双向赋能、共谋共创已经成为推动新一轮科技革命和产业革命的重要力量。新材料作为支撑现代制造业发展的重要物质基础，其研发水平及产业化规模成为衡量一个国家经济社会发展、科技进步和国防实力的重要标志。经过几个世纪的发展，材料科学领域积累了大量数据[1]，然而，人类认知能力的内在局限使得人类难以吸收和处理每日产生的大量数据和文献[2]。在当今的研究和工业应用中，机器学习算法已成为新材料设计与研发的重要且有效的工具。硅酸盐玻璃作为主要由硅氧化物构成的无机非晶态材料，可广泛应用于生产技术材料，如智能手机屏幕[3]，透镜、光纤等光学器件，高性能显示器，汽车仪表盘[4]，灯具，厨具[5,6]以及骨修复材料[7]等等。尽管硅酸盐玻璃应用广泛，其当前的研究方法主要是一种基于大量实验的“试错法”，以经验为指导，辅以少量的计算机模拟计算，这种方式耗费了大量的人力、时间、材料和财力资源[8]。如何利用机器学习技术，从大量的硅酸盐玻璃数据中分析、挖掘潜在有效信息，推动高性能硅酸盐玻璃材料的研发已经成为当下的研究热点。
开发具有改进性能的新型玻璃是解决我们社会所面临的一些重大挑战的关键[9-10]。尽管设计新材料始终是一项艰巨的任务，但新型玻璃的设计面临一些独特的挑战。首先，几乎周期表中的所有元素在冷却速度足够快时都可以形成玻璃[11]。其次，与晶体不同，玻璃本质上处于非平衡状态，因此在其成玻能力范围内，其化学计量比可以呈现连续变化[12]。由于这两个原因，玻璃所能覆盖的成分范围几乎是无限的，而迄今为止，人类仅探索了其中的极小一部分[13]。尽管玻璃的广阔成分空间为发现具有非凡特性的全新玻璃提供了无限可能，但高效探索这样一个高维空间是极具挑战性的，而基于试错法的传统发现方法（即爱迪生式方法）效率极低[14]。
1.2国内外研究现状
本小节主要介绍与本课题研究内容相关的国内外研究现状，包含基板玻璃和LAS(Li2O-Al2O3-SiO2)微晶玻璃。
1.2.1基板玻璃研究现状
在当今时代，由于显示屏在电视、汽车仪表盘、手机和可穿戴设备中的广泛使用，市场对性能更优、尺寸更大、分辨率更高的显示器的需求激增。基板玻璃是这些尖端显示技术，特别是薄膜晶体管（TFT）技术发展的关键。然而，在生产过程中，这些技术面临一系列挑战[3]。玻璃基板在典型的TFT背板制造过程中会经历显著的形状或尺寸变化，从而引发应变，这种应变被称为总节距（TP）的变化。在基板玻璃的各种属性中，总节距变化（TPV）尤为重要，它代表了玻璃在单张或多张基板内外移动的偏差。为了确保卓越的TPV性能，基板玻璃必须具备协调一致的物理性能，以有效应对各种应变来源，包括弹性变形、应力松弛和压缩。因此，要实现最佳的TPV性能，关键在于精确平衡玻璃的成分，使这些物理属性之间达到最佳的协调与均衡。
在追求卓越的TPV性能过程中，玻璃的特性变得尤为重要。玻璃是一种无定形材料，具有无序的原子和分子结构，同时具备固有的化学计量特性，这使得其属性具有一定的不确定性[27]。然而，传统方法如试错法以及经典计算技术（例如从头计算和经典分子动力学模拟）已被证明耗时、昂贵，且数据输出有限[28,29]。随着计算机技术的快速发展，机器学习（ML）算法作为设计新型玻璃成分的一种替代方法应运而生，克服了传统方法的不足。基于ML的策略的主要目标是明确所需的性能并识别潜在的候选成分。目前，研究者已经利用ML算法研究了多种氧化物玻璃的属性，包括杨氏模量[20,30-33]、热膨胀系数（CTE）[30,34,35]、粘度[36,37]、密度[38-41]以及液相线温度[42]。
第二章相关概念与技术
2.1机器学习流程简介
本节主要介绍机器学习在新型材料研发中的基本流程，包含数据收集、数据表示、算法选择和模型优化四个阶段。
2.1.1数据收集
机器学习是一类基于数据驱动的算法，在新材料研发过程中，其有效性取决于高质量的材料数据。材料科学领域的数据主要来源于模拟计算（如密度泛函理论和分子动力学）、实验测量以及在线数据库（如Materials Project、AFLOW和Inorganic Crystal Structure Database）[63]。这些数据通常包括材料的物理性质（如密度、弹性模量、导热性、带隙等）以及结构信息（如晶体结构、键长、对称性等），为机器学习模型的训练提供了重要的基础。然而，由于实验条件的限制、设备测量误差以及数据收集方式的不同，材料数据往往存在缺失、重复和不一致的问题，而这些问题会影响数据的完整性，进而降低机器学习模型的准确性和泛化能力。因此，在数据建模之前，需要进行数据清洗，以识别并修正原始数据中的各种错误，从而提升数据质量[64]。对于缺失数据，常用的方法包括基于统计学的方法（如用该属性的平均值、中位数或最小值填补缺失值）以及基于机器学习的插值预测方法（如K近邻、随机森林和深度学习模型）[65-67]。对于重复数据，消除冗余记录的基本思路是按照关键属性（如材料编号、化学成分或实验条件）对数据进行排序，并合并重复项。相关去重算法包括优先队列算法、排序邻域法等，这些方法已成功应用于钙钛矿数据处理，例如通过合并材料项目数据库和无机晶体结构数据库中的不同条目来消除重复记录[68]。此外，对于不一致的数据，需要根据变量的合理取值范围和变量之间的相互关系来进行筛选，并可通过编写特定的程序来检查数据的合理性[69]。对于那些超出正常范围或具有冲突属性的数据，通常采取适当删除或修正的方法，以确保数据的一致性和可靠性。
2.2基板玻璃关键属性介绍
本节主要介绍基板玻璃的五个关键物理属性，包含密度、热膨胀系数、杨氏模量、应变点和软化点。
2.2.1密度
密度是材料科学中的核心参数，定义为单位体积内的质量，常用单位包括kg/m3和g/cm3。密度反映了材料内部原子或分子排列的紧密程度，受到材料种类、微观结构、温度和压力的影响。它在性能评价、材料分类和工程设计中具有重要意义，例如，通过密度可以评估材料的比强度和比刚度，为航空航天、汽车工业和建筑工程等领域提供低密度减重或高密度支撑的解决方案。此外，密度还影响材料的热性能和电性能，在隔热、导热、辐射屏蔽等特殊应用中发挥作用。
在力学性能评估中，密度可用于计算比强度（strength-to-weight ratio）和比刚度（stiffness-to-weight ratio），这些指标对于航空航天、汽车工业、船舶制造以及建筑工程等领域至关重要。在这些行业中，低密度材料常用于减轻结构重量，以提高燃油效率、降低能源消耗或增强运动性能。例如，碳纤维复合材料因其低密度和高强度的优异特性，被广泛应用于飞机机身、汽车底盘和高性能运动器材中。相反，在需要提供高强度支撑或耐磨损性能的应用中，例如建筑支柱、装甲材料或防护结构，高密度材料（如钢、钨合金和陶瓷）则被优先考虑，以增强结构的稳定性和耐久性。
除了机械性能，密度还显著影响材料的热学和电学性质。在热学性能方面，材料的密度通常与其导热性（thermal conductivity）和隔热性（thermal insulation）相关。例如，高密度金属（如铜和铝）通常具有较高的导热系数，适用于散热器、热交换器等导热需求较高的应用。而低密度材料，如气凝胶、泡沫陶瓷和发泡聚合物，则因其内部存在大量气孔，具有极低的导热率，被广泛应用于隔热和保温系统，如航天器的隔热层、冰箱的保温层和建筑墙体保温材料。
第三章基于机器学习的基板玻璃组分与性能研究.................21
3.1引言.....................................21
3.2研究流程及方法阐述.........................22
第四章基于机器学习的LAS微晶玻璃组分、热处理条件和晶相研究............33
4.1引言........................33
4.2研究流程及方法阐述.......................33
第五章总结与展望...........................47
5.1总结.................................47
5.2展望...............................49
第四章基于机器学习的LAS微晶玻璃组分、热处理条件和晶相研究
4.1引言
LAS微晶玻璃因其低热膨胀系数、高强度、耐热性和优异的化学稳定性，在航空航天、电子光学、家用器具及先进制造等领域具有广泛应用。LAS微晶玻璃领域的重要晶相主要有5种，分别是主晶相为Li2Si2O5的LAS微晶玻璃、主晶相为Li2SiO3的LAS微晶玻璃、主晶相为Petalite的LAS微晶玻璃、主晶相为β-quartzs.s.的LAS微晶玻璃和主晶相为β-spodumene的LAS微晶玻璃。
玻璃组分和热处理条件是影响LAS微晶玻璃晶相形成的两大关键因素，但是目前科研人员进行新型LAS微晶玻璃组分设计时，唯一的参考依据是LAS相图，其只包含了三种氧化物组分（Li2O、Al2O3、SiO2）和对应的单一晶相。而在现实LAS微晶玻璃生产中，涉及的氧化物种类往往超过3种，通常还包含ZrO 2,P2O5,Na2O,K2O,TiO 2,MgO,ZnO和BaO，并且热处理参数（成核温度、成核时间、结晶温度、结晶时间）复杂多变。因此，LAS相图对晶相的预测能力受到有限的组分范围和缺失的热处理参数的限制，无法实现基于复杂的组分和热处理参数对目标晶相进行精准预测。尽管机器学习方法已经广泛应用于设计新型的玻璃组分，但是据调研显示，目前还没有研究人员利用机器学习算法对LAS微晶玻璃的组分、加热条件及晶相之间的联系进行深入研究。
第五章总结与展望
5.1总结
本文的研究对象包含基板玻璃和LAS(Li2O-Al2O3-SiO2)微晶玻璃。截至目前，研究者们已经采用机器学习算法对许多氧化物玻璃的性质进行了系统研究，包括杨氏模量、热膨胀系数、粘度、密度和液相线温度。但是据我们了解，这些研究尚无一项专注于在中小型数据集上设计基板玻璃，以实现通过平衡的玻璃氧化物配比获得最佳热光伏性能；也没有任何团队利用机器学习方法对LAS微晶玻璃的组分、加热条件与晶相之间的联系进行分析与探究。因此，针对以上研究现状，本文的主要研究内容及贡献如下：
(1)本文利用公开的玻璃数据集SciGlass，分析了构成玻璃基板的7种氧化物，即SiO2,Al2O3,CaO,MgO,SrO,B2O3,Sb2O3和决定玻璃基板性能的5种关键属性，即杨氏模量、密度、热膨胀系数、应变点、软化点之间的潜在联系，并对目标属性进行了联合预测以平衡相关性能。
(2)本文在对上述氧化物组分及目标属性关系进行成功建模后，利用训练好的性能最佳的机器学习模型，提出了一种基板玻璃组分配比推荐算法。该算法可以提供符合目标属性要求的氧化物的比例，从而协助设计符合新型研发需求的玻璃基板，这极大克服了以往爱迪生式设计方法和传统分子动力学模拟方法造成的效率低下、成本高昂等问题。
(3)针对LAS微晶玻璃，由于目前没有现成的数据集，研究人员只能参考LAS相图并且手动测量计算相关玻璃组分比例，导致效率低下且无法充分利用相图信息。本文提出了一个自主设计的基于边缘识别技术的LAS相图识别算法，该算法从LAS相图中充分挖掘了组分和晶相有效信息，并成功构建了该领域首个公开数据集，这为后续其他研究人员利用机器学习算法进行LAS相图研究提供了便捷和参考数据。此外，交互式的LAS相图识别程序能够极大提高实验效率，克服以往研究人员通过手动测绘计算玻璃组分的弊端。
参考文献（略）