本文是一篇計算機論文，本文的研究對象包含基板玻璃和LAS(Li2O-Al2O3-SiO2)微晶玻璃。截至目前，研究者們已經(jīng)采用機器學習算法對許多氧化物玻璃的性質(zhì)進行了系統(tǒng)研究，包括楊氏模量、熱膨脹系數(shù)、粘度、密度和液相線溫度。

第一章緒論

1.1研究背景與意義

隨著人工智能和大數(shù)據(jù)的迅速發(fā)展，學科交叉融合、雙向賦能、共謀共創(chuàng)已經(jīng)成為推動新一輪科技革命和產(chǎn)業(yè)革命的重要力量。新材料作為支撐現(xiàn)代制造業(yè)發(fā)展的重要物質(zhì)基礎，其研發(fā)水平及產(chǎn)業(yè)化規(guī)模成為衡量一個國家經(jīng)濟社會發(fā)展、科技進步和國防實力的重要標志。經(jīng)過幾個世紀的發(fā)展，材料科學領域積累了大量數(shù)據(jù)[1]，然而，人類認知能力的內(nèi)在局限使得人類難以吸收和處理每日產(chǎn)生的大量數(shù)據(jù)和文獻[2]。在當今的研究和工業(yè)應用中，機器學習算法已成為新材料設計與研發(fā)的重要且有效的工具。硅酸鹽玻璃作為主要由硅氧化物構成的無機非晶態(tài)材料，可廣泛應用于生產(chǎn)技術材料，如智能手機屏幕[3]，透鏡、光纖等光學器件，高性能顯示器，汽車儀表盤[4]，燈具，廚具[5,6]以及骨修復材料[7]等等。盡管硅酸鹽玻璃應用廣泛，其當前的研究方法主要是一種基于大量實驗的“試錯法”，以經(jīng)驗為指導，輔以少量的計算機模擬計算，這種方式耗費了大量的人力、時間、材料和財力資源[8]。如何利用機器學習技術，從大量的硅酸鹽玻璃數(shù)據(jù)中分析、挖掘潛在有效信息，推動高性能硅酸鹽玻璃材料的研發(fā)已經(jīng)成為當下的研究熱點。

開發(fā)具有改進性能的新型玻璃是解決我們社會所面臨的一些重大挑戰(zhàn)的關鍵[9-10]。盡管設計新材料始終是一項艱巨的任務，但新型玻璃的設計面臨一些獨特的挑戰(zhàn)。首先，幾乎周期表中的所有元素在冷卻速度足夠快時都可以形成玻璃[11]。其次，與晶體不同，玻璃本質(zhì)上處于非平衡狀態(tài)，因此在其成玻能力范圍內(nèi)，其化學計量比可以呈現(xiàn)連續(xù)變化[12]。由于這兩個原因，玻璃所能覆蓋的成分范圍幾乎是無限的，而迄今為止，人類僅探索了其中的極小一部分[13]。盡管玻璃的廣闊成分空間為發(fā)現(xiàn)具有非凡特性的全新玻璃提供了無限可能，但高效探索這樣一個高維空間是極具挑戰(zhàn)性的，而基于試錯法的傳統(tǒng)發(fā)現(xiàn)方法（即愛迪生式方法）效率極低[14]。

1.2國內(nèi)外研究現(xiàn)狀

本小節(jié)主要介紹與本課題研究內(nèi)容相關的國內(nèi)外研究現(xiàn)狀，包含基板玻璃和LAS(Li2O-Al2O3-SiO2)微晶玻璃。

1.2.1基板玻璃研究現(xiàn)狀

在當今時代，由于顯示屏在電視、汽車儀表盤、手機和可穿戴設備中的廣泛使用，市場對性能更優(yōu)、尺寸更大、分辨率更高的顯示器的需求激增。基板玻璃是這些尖端顯示技術，特別是薄膜晶體管（TFT）技術發(fā)展的關鍵。然而，在生產(chǎn)過程中，這些技術面臨一系列挑戰(zhàn)[3]。玻璃基板在典型的TFT背板制造過程中會經(jīng)歷顯著的形狀或尺寸變化，從而引發(fā)應變，這種應變被稱為總節(jié)距（TP）的變化。在基板玻璃的各種屬性中，總節(jié)距變化（TPV）尤為重要，它代表了玻璃在單張或多張基板內(nèi)外移動的偏差。為了確保卓越的TPV性能，基板玻璃必須具備協(xié)調(diào)一致的物理性能，以有效應對各種應變來源，包括彈性變形、應力松弛和壓縮。因此，要實現(xiàn)最佳的TPV性能，關鍵在于精確平衡玻璃的成分，使這些物理屬性之間達到最佳的協(xié)調(diào)與均衡。

在追求卓越的TPV性能過程中，玻璃的特性變得尤為重要。玻璃是一種無定形材料，具有無序的原子和分子結(jié)構，同時具備固有的化學計量特性，這使得其屬性具有一定的不確定性[27]。然而，傳統(tǒng)方法如試錯法以及經(jīng)典計算技術（例如從頭計算和經(jīng)典分子動力學模擬）已被證明耗時、昂貴，且數(shù)據(jù)輸出有限[28,29]。隨著計算機技術的快速發(fā)展，機器學習（ML）算法作為設計新型玻璃成分的一種替代方法應運而生，克服了傳統(tǒng)方法的不足。基于ML的策略的主要目標是明確所需的性能并識別潛在的候選成分。目前，研究者已經(jīng)利用ML算法研究了多種氧化物玻璃的屬性，包括楊氏模量[20,30-33]、熱膨脹系數(shù)（CTE）[30,34,35]、粘度[36,37]、密度[38-41]以及液相線溫度[42]。

第二章相關概念與技術

2.1機器學習流程簡介

本節(jié)主要介紹機器學習在新型材料研發(fā)中的基本流程，包含數(shù)據(jù)收集、數(shù)據(jù)表示、算法選擇和模型優(yōu)化四個階段。

2.1.1數(shù)據(jù)收集

機器學習是一類基于數(shù)據(jù)驅(qū)動的算法，在新材料研發(fā)過程中，其有效性取決于高質(zhì)量的材料數(shù)據(jù)。材料科學領域的數(shù)據(jù)主要來源于模擬計算（如密度泛函理論和分子動力學）、實驗測量以及在線數(shù)據(jù)庫（如Materials Project、AFLOW和Inorganic Crystal Structure Database）[63]。這些數(shù)據(jù)通常包括材料的物理性質(zhì)（如密度、彈性模量、導熱性、帶隙等）以及結(jié)構信息（如晶體結(jié)構、鍵長、對稱性等），為機器學習模型的訓練提供了重要的基礎。然而，由于實驗條件的限制、設備測量誤差以及數(shù)據(jù)收集方式的不同，材料數(shù)據(jù)往往存在缺失、重復和不一致的問題，而這些問題會影響數(shù)據(jù)的完整性，進而降低機器學習模型的準確性和泛化能力。因此，在數(shù)據(jù)建模之前，需要進行數(shù)據(jù)清洗，以識別并修正原始數(shù)據(jù)中的各種錯誤，從而提升數(shù)據(jù)質(zhì)量[64]。對于缺失數(shù)據(jù)，常用的方法包括基于統(tǒng)計學的方法（如用該屬性的平均值、中位數(shù)或最小值填補缺失值）以及基于機器學習的插值預測方法（如K近鄰、隨機森林和深度學習模型）[65-67]。對于重復數(shù)據(jù)，消除冗余記錄的基本思路是按照關鍵屬性（如材料編號、化學成分或?qū)嶒灄l件）對數(shù)據(jù)進行排序，并合并重復項。相關去重算法包括優(yōu)先隊列算法、排序鄰域法等，這些方法已成功應用于鈣鈦礦數(shù)據(jù)處理，例如通過合并材料項目數(shù)據(jù)庫和無機晶體結(jié)構數(shù)據(jù)庫中的不同條目來消除重復記錄[68]。此外，對于不一致的數(shù)據(jù)，需要根據(jù)變量的合理取值范圍和變量之間的相互關系來進行篩選，并可通過編寫特定的程序來檢查數(shù)據(jù)的合理性[69]。對于那些超出正常范圍或具有沖突屬性的數(shù)據(jù)，通常采取適當刪除或修正的方法，以確保數(shù)據(jù)的一致性和可靠性。

2.2基板玻璃關鍵屬性介紹

本節(jié)主要介紹基板玻璃的五個關鍵物理屬性，包含密度、熱膨脹系數(shù)、楊氏模量、應變點和軟化點。

2.2.1密度

密度是材料科學中的核心參數(shù)，定義為單位體積內(nèi)的質(zhì)量，常用單位包括kg/m3和g/cm3。密度反映了材料內(nèi)部原子或分子排列的緊密程度，受到材料種類、微觀結(jié)構、溫度和壓力的影響。它在性能評價、材料分類和工程設計中具有重要意義，例如，通過密度可以評估材料的比強度和比剛度，為航空航天、汽車工業(yè)和建筑工程等領域提供低密度減重或高密度支撐的解決方案。此外，密度還影響材料的熱性能和電性能，在隔熱、導熱、輻射屏蔽等特殊應用中發(fā)揮作用。

在力學性能評估中，密度可用于計算比強度（strength-to-weight ratio）和比剛度（stiffness-to-weight ratio），這些指標對于航空航天、汽車工業(yè)、船舶制造以及建筑工程等領域至關重要。在這些行業(yè)中，低密度材料常用于減輕結(jié)構重量，以提高燃油效率、降低能源消耗或增強運動性能。例如，碳纖維復合材料因其低密度和高強度的優(yōu)異特性，被廣泛應用于飛機機身、汽車底盤和高性能運動器材中。相反，在需要提供高強度支撐或耐磨損性能的應用中，例如建筑支柱、裝甲材料或防護結(jié)構，高密度材料（如鋼、鎢合金和陶瓷）則被優(yōu)先考慮，以增強結(jié)構的穩(wěn)定性和耐久性。

除了機械性能，密度還顯著影響材料的熱學和電學性質(zhì)。在熱學性能方面，材料的密度通常與其導熱性（thermal conductivity）和隔熱性（thermal insulation）相關。例如，高密度金屬（如銅和鋁）通常具有較高的導熱系數(shù)，適用于散熱器、熱交換器等導熱需求較高的應用。而低密度材料，如氣凝膠、泡沫陶瓷和發(fā)泡聚合物，則因其內(nèi)部存在大量氣孔，具有極低的導熱率，被廣泛應用于隔熱和保溫系統(tǒng)，如航天器的隔熱層、冰箱的保溫層和建筑墻體保溫材料。

第三章基于機器學習的基板玻璃組分與性能研究.................21

3.1引言.....................................21

3.2研究流程及方法闡述.........................22

第四章基于機器學習的LAS微晶玻璃組分、熱處理條件和晶相研究............33

4.1引言........................33

4.2研究流程及方法闡述.......................33

第五章總結(jié)與展望...........................47

5.1總結(jié).................................47

5.2展望...............................49

第四章基于機器學習的LAS微晶玻璃組分、熱處理條件和晶相研究

4.1引言

LAS微晶玻璃因其低熱膨脹系數(shù)、高強度、耐熱性和優(yōu)異的化學穩(wěn)定性，在航空航天、電子光學、家用器具及先進制造等領域具有廣泛應用。LAS微晶玻璃領域的重要晶相主要有5種，分別是主晶相為Li2Si2O5的LAS微晶玻璃、主晶相為Li2SiO3的LAS微晶玻璃、主晶相為Petalite的LAS微晶玻璃、主晶相為β-quartzs.s.的LAS微晶玻璃和主晶相為β-spodumene的LAS微晶玻璃。

玻璃組分和熱處理條件是影響LAS微晶玻璃晶相形成的兩大關鍵因素，但是目前科研人員進行新型LAS微晶玻璃組分設計時，唯一的參考依據(jù)是LAS相圖，其只包含了三種氧化物組分（Li2O、Al2O3、SiO2）和對應的單一晶相。而在現(xiàn)實LAS微晶玻璃生產(chǎn)中，涉及的氧化物種類往往超過3種，通常還包含ZrO 2,P2O5,Na2O,K2O,TiO 2,MgO,ZnO和BaO，并且熱處理參數(shù)（成核溫度、成核時間、結(jié)晶溫度、結(jié)晶時間）復雜多變。因此，LAS相圖對晶相的預測能力受到有限的組分范圍和缺失的熱處理參數(shù)的限制，無法實現(xiàn)基于復雜的組分和熱處理參數(shù)對目標晶相進行精準預測。盡管機器學習方法已經(jīng)廣泛應用于設計新型的玻璃組分，但是據(jù)調(diào)研顯示，目前還沒有研究人員利用機器學習算法對LAS微晶玻璃的組分、加熱條件及晶相之間的聯(lián)系進行深入研究。

第五章總結(jié)與展望

5.1總結(jié)

本文的研究對象包含基板玻璃和LAS(Li2O-Al2O3-SiO2)微晶玻璃。截至目前，研究者們已經(jīng)采用機器學習算法對許多氧化物玻璃的性質(zhì)進行了系統(tǒng)研究，包括楊氏模量、熱膨脹系數(shù)、粘度、密度和液相線溫度。但是據(jù)我們了解，這些研究尚無一項專注于在中小型數(shù)據(jù)集上設計基板玻璃，以實現(xiàn)通過平衡的玻璃氧化物配比獲得最佳熱光伏性能；也沒有任何團隊利用機器學習方法對LAS微晶玻璃的組分、加熱條件與晶相之間的聯(lián)系進行分析與探究。因此，針對以上研究現(xiàn)狀，本文的主要研究內(nèi)容及貢獻如下：

(1)本文利用公開的玻璃數(shù)據(jù)集SciGlass，分析了構成玻璃基板的7種氧化物，即SiO2,Al2O3,CaO,MgO,SrO,B2O3,Sb2O3和決定玻璃基板性能的5種關鍵屬性，即楊氏模量、密度、熱膨脹系數(shù)、應變點、軟化點之間的潛在聯(lián)系，并對目標屬性進行了聯(lián)合預測以平衡相關性能。

(2)本文在對上述氧化物組分及目標屬性關系進行成功建模后，利用訓練好的性能最佳的機器學習模型，提出了一種基板玻璃組分配比推薦算法。該算法可以提供符合目標屬性要求的氧化物的比例，從而協(xié)助設計符合新型研發(fā)需求的玻璃基板，這極大克服了以往愛迪生式設計方法和傳統(tǒng)分子動力學模擬方法造成的效率低下、成本高昂等問題。

(3)針對LAS微晶玻璃，由于目前沒有現(xiàn)成的數(shù)據(jù)集，研究人員只能參考LAS相圖并且手動測量計算相關玻璃組分比例，導致效率低下且無法充分利用相圖信息。本文提出了一個自主設計的基于邊緣識別技術的LAS相圖識別算法，該算法從LAS相圖中充分挖掘了組分和晶相有效信息，并成功構建了該領域首個公開數(shù)據(jù)集，這為后續(xù)其他研究人員利用機器學習算法進行LAS相圖研究提供了便捷和參考數(shù)據(jù)。此外，交互式的LAS相圖識別程序能夠極大提高實驗效率，克服以往研究人員通過手動測繪計算玻璃組分的弊端。

參考文獻（略）