[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

说明书

本发明公开了一种基于机器学习的薄膜材料导热性能测试系统及方法，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，结果反馈修正端。本发明首先通过加压、测厚、分析表面形貌和元素成分、模拟所处应用环境的温湿度条件、红外精确测温的方式对亚微米或纳米薄膜材料进行预处理，获得基本条件参数；接着通过云计算学习端的主机接收数据，运用统计机器学习的方法，构建模型对其导热系数以及界面热阻进行计算预测；并实时监控云计算学习端，对预测的模型以及算法不断修正，最后得到最优的亚微米或纳米的导热系数以及界面热阻预测结果。

技术领域

本发明涉及材料热物性稳态测试领域，尤其涉及一种基于机器学习的薄膜材料导热性能测试系统及方法。

背景技术

机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。自20世纪80年代以来，机器学习作为实现人工智能的途径，在人工智能界引起了广泛的兴趣，特别是近十几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之。机器学习不仅在基于知识的系统中得到应用，而且在自然语言理解、非单调推理、机器视觉、模式识别等许多领域也得到了广泛应用。一个系统是否具有学习能力已成为是否具有“智能”的一个标志。机器学习的研究主要分为两类研究方向：第一类是传统机器学习的研究，该类研究主要是研究学习机制，注重探索模拟人的学习机制；第二类是大数据环境下机器学习的研究，该类研究主要是研究如何有效利用信息，注重从巨量数据中获取隐藏的、有效的、可理解的知识。

目前针对亚微米或纳米级别尺度的材料的导热系数以及界面热阻值的导热测量存在难点。本文在一种改进型稳态导热测试方法的基础上，引入机器学习的功能。不需要输入参数，搭配基本的实验测试装置，自动输入参量，得到导热系数以及界面热阻的数据。

发明内容

本发明的目的在于克服现有测试手段费时费力，并且测试误差大，结果不精确的问题。将实验测量装置与机器学习技术相结合，提出了一种基于机器学习的薄膜材料导热性能测试系统及方法。通过对人工智能机器的合理利用，有效提高亚微米或纳米级别材料导热系数以及界面热阻的预测精度。

本发明公开了一种基于人工智能与机器学习的形变修正型薄膜材料导热系数及界面热阻的稳态测试系统，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。