[发明专利]一种基于机器学习的薄膜材料导热性能测试系统及方法

权利要求书

1.一种基于机器学习的薄膜材料导热性能测试系统，其特征在于所述系统包括压力加载端、形变测试端、表面扫描端、材料材质扫描端、外部环境模拟端、红外温度探测端、云计算学习端、数据输出端和结果反馈修正端；

所述的压力加载端包含液压装置，对待测试的亚微米或纳米薄膜材料加载压力；所述形变测试端包含激光测厚装置，测试加载压力前后待测试的亚微米或纳米薄膜材料的变形量以及厚度数据；所述表面扫描端包含表面粗糙度扫描测量装置，测试经过加压变形后，待测试的亚微米或纳米薄膜材料的表面形貌，进行粗糙度分析；所述材料材质扫描端包含材质分析系统，测试待测试的亚微米或纳米薄膜材料的衍射图谱，进行材料成分分析；所述外部环境模拟端包含外部环境温湿度模拟腔室，模拟待测试的亚微米或纳米薄膜材料所处应用环境的温湿度条件；所述红外温度探测端包含红外测温装置，测试处于外部环境温湿度模拟腔室内的待测试的亚微米或纳米薄膜材料的亚微米或纳米级别的上下表面温度数据，进行表面热分析；所述云计算学习端包含主机和云服务计算机集群，主机接收来自压力加载端、形变测试端、表面扫描端、材料材质扫描端、外部环境模拟端、红外温度探测端的压力、形变、表面粗糙度、环境温湿度和材料成分的数据，待测亚微米及纳米薄膜材料的上下表面温度数据，运用统计机器学习的方法，利用云服务计算机集群对薄膜材料的导热系数以及界面热阻进行预测；所述数据输出端包含监控以及结果输出系统，监控云计算学习端的计算情况，针对计算量分配计算集群节点资源；所述结果反馈修正端包含大数据系统以及实际试验台，把预测结果与实测实验结果相比较，对预测的模型以及算法不断修正。

2.根据权利要求1所述的基于机器学习的薄膜材料导热性能测试系统，其特征在于所述的压力加载端的液压装置包含速度控制系统，速度控制系统可以控制加压的速率，用于模拟材料在实际使用过程中的撞击磨损情况。

3.根据权利要求1所述的基于机器学习的薄膜材料导热性能测试系统，其特征在于所述的形变测试端的激光测厚装置，利用激光脉冲信号与反射信号，测试待测试的亚微米或纳米薄膜材料亚微米或纳米级别的形变量。

4.根据权利要求1所述的基于机器学习的薄膜材料导热性能测试系统，其特征在于所述的表面扫描端的表面粗糙度扫描测量装置，为原子力显微镜，可以得到待测试的亚微米或纳米薄膜材料表面的纳米级别形貌。

5.根据权利要求1所述的基于机器学习的薄膜材料导热性能测试系统，其特征在于所述的红外温度探测端的红外测温装置为红外热像仪，可以达到纳米级别的空间识别精度，精确区分与测定待测试的亚微米或纳米薄膜材料上下表面的温度差。

6.根据权利要求1所述的基于机器学习的薄膜材料导热性能测试系统，其特征在于所述的材料材质扫描端的材质分析系统为X射线衍射仪，可以精确测定待测试的亚微米或纳米薄膜材料在纳米级别尺寸下的衍射图谱，进行材料成分分析。

7.根据权利要求1所述的基于机器学习的薄膜材料导热性能测试系统，其特征在于所述的外部环境温湿度模拟腔室含有冷热源、送风系统、环境温湿度控制以及监测系统。

8.一种权利要求1所述的基于机器学习的薄膜材料导热性能测试系统的测试方法，其特征在于：

首先根据亚微米或纳米薄膜材料的实际使用条件，通过压力加载端的液压装置，对亚微米或纳米薄膜材料加压；同时控制加压装置的加压速率以及撞击速率，根据实际使用条件与使用寿命，复现亚微米或纳米薄膜材料在长期受压情况下的撞击磨损情况；

接着将经过挤压变形的亚微米或纳米薄膜材料移送至形变测试端，利用激光测厚装置发射激光光源，收集激光漫反射的信号，从而得到液压装置加压前后，待测试的亚微米或纳米薄膜材料的变形量以及厚度数据；

然后将亚微米或纳米薄膜材料移送至表面扫描端，利用表面粗糙度扫描测量装置对经过加压变形后，待测试的亚微米或纳米薄膜材料的上下表面形貌进行扫描分析，得到亚微米或纳米薄膜材料的表面粗糙度数据；

接着将亚微米或纳米薄膜材料移送至材料材质扫描端，利用材质分析系统，对待测试的亚微米或纳米薄膜材料的纳米级别的衍射图谱进行分析，得到材料所包含的元素成分以及各成分含量数据；

然后将亚微米或纳米薄膜材料置于外部环境模拟端的外部环境温湿度模拟腔室内，模拟待测试的亚微米或纳米薄膜材料的所处应用环境的温湿度条件；

接着利用红外温度探测端的红外测温装置实时监测处于外部环境温湿度模拟腔室内的待测试的亚微米或纳米薄膜材料的亚微米或纳米级别的上下表面温度数据，并将温度数据实时记录；

接着将上述操作得到的来自压力加载端、形变测试端、表面扫描端、材料材质扫描端、外部环境模拟端、红外温度探测端的数据，以及待测亚微米及纳米薄膜材料的上下表面温度数据传输到云计算学习端的主机上，主机接收输送过来的数据，运用统计机器学习的方法，利用云服务计算机集群的计算资源并根据统计模型和参数，采用最优化算法在云服务计算机集群上对所构建模型的导热系数以及界面热阻进行计算预测，然后云计算学习端计算得到的预测数据在数据输出端显示出来，同时数据输出端可以监控云计算学习端的计算情况，针对计算量分配计算集群节点资源；然后数据输出端将预测得到的亚微米或纳米薄膜导热系数和界面热阻的结果反馈到反馈修正端，反馈修正端一方面与大数据系统连接，得到不同条件下各种材料的导热系数以及界面热阻的数据，同时反馈修正段也与实际试验台相连接，得到实际测试得到的导热系数以及界面热阻值；反馈修正端把预测结果与大数据和实测实验结果相比较，将结果偏差反馈到云计算学习端的主机上，主机对预测的模型以及算法不断进行修正，得到最优的导热系数以及界面热阻预测模型，用于亚微米或纳米薄膜材料导热系数及界面热阻的预测。