CN115668237A

CN115668237A - 化学混合物的特性预测

Info

Publication number: CN115668237A
Application number: CN202180036321.5A
Authority: CN
Inventors: B·施泰因梅茨; M·布吕内曼
Original assignee: BASF Coatings GmbH
Current assignee: BASF Coatings GmbH
Priority date: 2020-05-22
Filing date: 2021-05-20
Publication date: 2023-01-31
Also published as: JP7551780B2; JP2023527185A; WO2021234065A1; US20230281474A1; EP4154194A1

Abstract

本发明涉及一种化学混合物的特性预测。提出了一种用于训练用于预测化学混合物的特性的数据驱动模型的计算机实现的方法。该方法包括如下步骤：获得包括多个化学混合物配方的历史和/或校准数据以及每种化学混合物配方的特性的数据，每种化学混合物配方包括两种或更多种成分；将每种化学混合物配方中的至少一种成分分配给预定义物质簇中的一个，每个预定义物质簇表示具有相似化学性质的一种成分或一组成分；通过以分配的预定义物质簇取代至少一种成分来修改每种化学混合物配方；以及向机器学习过程提供修改的化学混合物配方以及化学混合物配方的特性以便训练数据驱动模型，该数据驱动模型可用于预测新的化学混合物的特性的特征。

Description

化学混合物的特性预测

技术领域

本发明一般涉及预测化学混合物的特性，并且特别是涉及用于训练用于预测化学混合物的数据驱动模型的计算机实现的方法和相关联设备，用于预测化学混合物的特性的计算机实现的方法和相关联设备，计算机程序产品，以及计算机可读介质。

背景技术

化学混合物(诸如汽车涂料、营养多组分混合物等)通常被配制以达到由特性测量表示的期望特性。然而，实验室人员必须花费大量的努力来开发这些配制剂，以提供正确的特性平衡。

例如，汽车涂料或涂层配制剂包括被配制以提供配色、外观、耐久、施工和膜特性的平衡的着色剂(色调)、粘合剂、添加剂和溶剂的复杂混合物。模型可用于定量预测混合物的颜色，但不能定量预测其它特性。因此，需要进行劳动密集型的验证实验来测量涂层配制剂的特性以确保值在可接受限制内。

因为混合物组分与被测量的特性之间的关系通常是复杂和未知的，所以需要这种实验。在这些情况下，开发能够将混合物组分与特性相关联以使得可以估计新混合物的特性的预测模型将是有利的。

发明内容

可能需要预测化学混合物的特性。

通过独立权利要求的主题解决本发明的目的，其中在从属权利要求中包含进一步的实施例。应当注意，本发明的以下描述方面也适用于用于训练用于预测化学混合物的特性的数据驱动模型的计算机实现的方法以及相关联设备、用于预测化学混合物的特性的计算机实现的方法以及相关联设备、计算机程序产品，以及计算机可读介质。

根据本发明的第一方面，提供了一种用于训练用于预测化学混合物的特性的数据驱动模型的计算机实现的方法。该方法包括以下步骤：

-获得包括多个化学混合物配方的历史和/或校准数据以及每种化学混合物配方的特性的数据，其中，每种化学混合物配方包括两种或更多种成分；

-将每种化学混合物配方中的至少一种成分分配给预定义物质簇中的一个，其中，每个预定义物质簇表示具有相似化学性质的单一成分或一组成分；

-通过以分配的预定义物质簇取代至少一种成分来修改每种化学混合物配方；以及

-向机器学习过程提供修改的化学混合物配方以及化学混合物配方的特性以便训练数据驱动模型，该数据驱动模型可用于预测新的化学混合物的特性。

换句话说，经验数据可以从图书馆或数据库(诸如商业数据库或公司的专有数据库)中获得。经验数据包括来自历史和/或校准实验的历史和/或校准数据。所提出的方法不是直接使用经验数据来训练用于预测化学混合物特性的数据驱动模型，而是通过将每种化学混合物配方中至少一种成分分配给预定义化学物质簇中来修改经验数据，并采用每种化学混合物配方中分配的预定义物质簇取代至少一种成分。例如，化学混合物配方可包括成分A、成分B和乙醇。乙醇可分配给命名为“酒精”的溶剂簇。因此，使用包括成分A、成分B和物质簇“酒精”的修改的化学混合物配方作为训练数据。这样，数据驱动模型就不能进一步区分具有相似化学性质的相同物质的成分。例如，70种树脂可以聚类成15个树脂簇。因此，提出的训练方法不是考虑70种树脂(其中的一些可具有相似的化学性质)，而是只考虑15种树脂簇。这可显著降低训练数据集的复杂性，并且因此进一步降低数据驱动模型的复杂性。

根据本发明的实施例，计算机实现的方法进一步包括基于训练识别至少一个预定义物质簇与一个或更多特性之间的相关性的步骤。

换句话说，建议观察配制剂内例如树脂簇或添加剂簇或溶剂簇的物质簇的百分比，来了解不同配制剂中物质簇的影响。例如，可以确定物质簇的量与特性是正相关还是负相关。如果该物质簇的量与特性正相关，则增加该物质簇的量可实现更好的，即更期望的特性特征。另一方面，如果物质簇的量与特性负相关，则增加配制剂内的物质簇的量可实现更糟糕(即不太期望)的特性特征。

根据本发明的实施例，每种化学混合物配方的特性进一步包括，对于每个被测量的特性，指示相应化学混合物配方的性能评价的相应性能分数。

例如，性能分数可以是序数测量，诸如从1(非常好，即期望)到5(非常差，即不期望)的十进制类别序数刻度。在特性中包含性能分数允许对化学混合物配方的性能进行评价。

每种化学混合物配方的性能分数可基于客户的反馈、客户的期望或规范，或与竞争对手的材料比较而给出。

根据本发明的实施例，从树脂和/或添加剂中选择的至少一种成分由物质簇表示。

根据本发明的实施例，化学混合物包括涂料配制剂。

例如，涂料配制剂可能是汽车涂料配制剂。

根据本发明的实施例，涂料配制剂的特性包括未干涂料的特性和/或由此形成的涂层的特性。

根据本发明的实施例，该化学混合物包括如下中的至少一种：农业多组分混合物、制药多组分混合物、营养多组分混合物、油墨多组分混合物、建筑用途的化学混合物，以及在石油生产中使用的化学混合物。

根据本发明的实施例，数据驱动模型包括基于规则的机器学习模型。

基于规则的机器学习模型包括识别、学习或进化“规则”以存储、操纵或应用的任何机器学习方法。

根据本发明的实施例，基于规则的机器学习模型包括学习分类器系统、关联规则学习和人工免疫系统中的至少一种。

根据本发明的第二方面，提供了一种用于预测化学混合物的特性的计算机实现的方法。该方法包括以下步骤

-获得包括两种或更多种成分的化学混合物配方；

-将至少一种成分分配给预定义物质簇中的一个，其中，每个预定义物质簇表示具有相似化学性质的单一成分或一组成分；

-通过以分配的预定义物质簇取代至少一种成分来修改化学混合物配方；

-采用数据驱动模型处理修改的化学混合物配方以预测化学混合物配方的特性测量，其中，数据驱动模型已根据根据前述权利要求中任一项所述的方法进行训练；以及

-输出化学混合物配方的预测的特性测量。

换句话说，用于预测化学混合物特性的经训练的数据驱动模型也不会区分相同簇的成分，因为这些成分具有相似的化学性质。

根据本发明的实施例，计算机实现的方法进一步包括将预测的特性测量与特性性能目标进行比较以及调节化学混合物配方以满足特性性能目标的步骤。

根据本发明的实施例，每种化学混合物配方的特性进一步包括，对于每个测量的特性，指示相应化学混合物配方的性能评价的相应性能分数。

根据本发明的实施例，化学混合物包括涂料配制剂。

根据本发明的第三方面，提供了一种包括训练模块的设备，该训练模块被配置为执行根据第一方面和任何相关联示例所述的方法。

根据本发明的第四方面，提供了一种包括预测模块的设备，该预测模块被配置为执行根据第二方面和任何相关联示例所述的方法。

根据本发明的另一个方面，提供了一种计算机程序产品，包括具有用于执行如上所述和如下所述的方法的程序代码的计算机程序。

根据本发明的进一步方面，提供了一种存储程序元素的计算机可读介质。

有利地，上述任何方面所提供的好处同样适用于所有其它方面，反之亦然。

如在此所使用的，术语“学习”在机器学习的上下文中是指识别和训练合适的算法来完成关注任务。术语“学习”包括但不限于关联学习、分类学习、聚类和数值预测。

如在此所使用的，术语“机器学习”是指计算机科学中研究计算机程序设计的领域，该计算机程序能够从过去的经验中归纳出模式、规律或规则，以对未来的数据做出适当的响应或以某种有意义的方式描述数据。

如在此所使用的，术语“数据驱动模型”在机器学习的上下文中是指基于适当的训练数据学习的合适算法。

应当理解，上述概念和下面更详细讨论的附加概念的所有组合(前提是这些概念不是相互矛盾的)被视为在此公开的发明主题的一部分。特别地，在本公开的结尾出现的所有声称的主题的组合被视为在此公开的发明主题的一部分。

本发明的这些方面和其它方面将从以下描述的实施例显而易见并关于以下描述的实施例进行阐明。

附图说明

在附图中，相似的参考字符一般指贯穿不同视图的相同部分。此外，附图不一定按比例绘制，而是强调一般放在说明本发明的原理上。

图1是示出根据本发明的一些实施例的计算机实现的方法的流程图。

图2是示出根据本发明的一些实施例的计算机实现的方法的流程图。

图3示出三聚氰胺甲醛树脂的化学结构。

图4示出吡咯并吡咯二酮颜料的化学结构的中心部分。

图5示出归属于相同簇颜料的一个标准可以是不同颜料的相同中心部分。

图6示出根据本公开的一些实施例的训练模块和预测模块。

具体实施方式

根据本公开的第一方面，提供了一种计算机实现的方法100，用于训练用于预测化学混合物的特性的数据驱动模型。计算机实现的方法包括以下步骤：

-获得110包括多个化学混合物配方的历史和/或校准数据以及每种化学混合物配方的特性的数据，其中，每种化学混合物配方包括两种或更多种成分；

-将每种化学混合物配方中的至少一种成分分配120给预定义物质簇中的一种预定义物质簇，其中，每种预定义物质簇表示具有相似化学性质的单一成分或一组成分；

-通过以分配的预定义物质簇取代至少一种成分来修改130每种化学混合物配方；以及

-向机器学习过程提供140修改的化学混合物配方以及化学混合物配方的特性以便训练数据驱动模型，该数据驱动模型可用于预测新的化学混合物的特性。

图1是示出根据本公开的第一方面的计算机实现的方法100的流程图。

经验数据收集

在步骤110中，可以从图书馆或数据库(诸如商业数据库或公司的专有数据库)中获得经验数据。经验数据包括来自多个化学混合物配方的历史和/或校准实验的历史和/或校准数据以及每种化学混合物配方的特性。

每种化学混合物配方包括两种或更多种成分。在一些示例中，单一化学混合物配方可包括多达50种不同的原材料，即成分。两种或更多种成分表达为化学混合物总量的分数浓度。通常，化学混合物的特性取决于成分组分分数浓度，而不是化学混合物的总量。混合物配制物可以用重量、体积或其它数量单位表达。分数浓度就是化学混合物的成分的量除以混合物的总量。分数浓度之和是一。分数浓度是范围0到1之间的连续变量。

化学混合物的特性可以是任何可测量特征。该特征可以是连续的、序数的或标称的测量。例如，配制的涂料可以在连续刻度上具有液体混合物的粘度的测量。例如，对应用的涂层膜的橙皮皱的测量可以采用从1(非常不光滑)到10(非常光滑)的十进制类别序数刻度。在另一个示例中，每种化学混合物配方的性能进一步包括，对于每个测量的特性，指示对相应化学混合物配方的性能评价的相应性能分数，例如从1(非常好)到5(非常差)。标称测量的示例可以是对某些缺陷的观察的合格或不合格的编码类别。

在一些示例中，化学混合物可能是汽车涂料配制剂。汽车涂料配制剂的特性可包括，例如物理性能(粘度、下垂度)和外观(隐藏度、光泽、图像清晰度)，这取决于化学混合物配方，如涂料成分的量。

表1示出水性底漆的示例性特性和对应属性。

表1

水性底漆的示例性特性和对应属性。

本领域的技术人员将理解，本公开的方法也有助于预测其它种类的化学混合物的特性，无论是固体还是液体，包括但不限于其它类型的涂料和涂层、包括喷墨油墨在内的油墨、酒精、柴油燃料、油、塑料、聚合物共混物、膜等。

下面将描述化学混合物和所测量的特性的一些进一步的示例：

1.农业多组分混合物

例如，存在用于农业目的的混合物，如用作采用杀虫剂、杀菌剂等处理作物的喷雾剂的配制剂。因此，一方面，有效成分的喷涂性由配制剂内的残留组分保证。即除有效成分外的配制剂中的不同的其它组分用于获得适用于给定喷涂工艺的配制剂。即喷涂性(例如液滴大小形成、形成这种液滴的难易度等)可能是受这种配制剂的不同组分以及有效成分的性质影响的特性。

此外，喷涂配制剂在植物上的吸附和有效成分或完整喷涂配制剂的吸附(在该上下文中是吸收)也取决于配制剂中的有效成分和残留组分。此外，植物/生物体内活性成分的靶向性方式——或者更确切地说，活性成分移动到细胞的靶向部分——也将受到这种配制剂内残留组分影响。即，效果生成的速度和效果生成本身取决于配制剂的这些份额。

2.制药多组分混合物

此外，在这里除了活性成分外，存在于制药配制剂中的组分也影响这种制药的完整生命周期——在这里为从制备到排泄或“消化”。

例如，这些配制剂份额定义了有效成分是作为药丸、栓剂还是作为液体提供，其主要是有效成分的分散体。

此外，这些配制剂份额定义了在有机体内活性成分被释放和分别被吸附吸收的位置。

最后，这些配制剂份额定义了活性成分分别被运输到身体细胞内的哪些部位并在那里消化以示出希望的效果；或者如果它根本没有在有机体内部被“消化”并且没有“消化”就被排泄。

这些特性中的每个特性都可能对找到正确的配制剂，即制药多组分混合物的组成很重要。

3.营养多组分混合物

许多食物可以被视为包括不同种类的化学亚群的多组分混合物，该化学亚群是我们的有机体正常工作所必需的。营养添加剂(如维生素、矿物质营养等)也是食物的一部分，因此重要的是以营养添加剂可以在生物体的正确部分获得的方式将这些营养添加剂整合到这些食物的“配制剂”中。此外，这两个参数都可能受到食品“配制剂”的残留份额影响。例如，向有机体提供矿物质营养的正确方式可以保证有机体良好的吸收，而糟糕的提供方式可减少吸收从而导致健康影响。

4.作为多组分混合物的油墨

类似的，对于涂料来说油墨也是多组分混合物，即它们也可以被定义为油墨配制剂。此外，在这里除了提供颜色的成分(在这种情况下主要是染料)之外的残留组分保证了油墨的稳定性、加工能力和在待涂表面上的固定性。因此，不同的任务和特性与关于涂层特性的章节中描述的非常相似，表1中对水性底漆进行了更详细描述。

在这里，特别重要的特性是如对要采用油墨施工的表面的附着力、施工后的配制剂的下垂阻力或粘度稳定性以及所得打印的耐光性，即所得打印的不褪色的特性。

5.建筑用途的化学混合物

此外，在建筑应用中使用的许多材料可以被视为化学混合物。例如，混凝土由水泥、不同大小的石头和水的混合物形成。此外，现代混凝土配制剂还包含混凝土添加剂和混凝土外加剂，这二者是用于触发和定制混凝土配制剂的特定特性的这些配制剂的添加剂。例如，这种特性是混凝土在湿或干形式下的施工行为、沉降行为、硬化、抗拉强度、弯曲特性和耐久性。所有这些特性都可受到混凝土添加剂和混凝土外加剂影响。虽然用作混凝土添加剂材料的物质大多是无机的，如例如石粉、粉煤灰或硅灰，但用作混凝土外加剂材料的物质也可以具有有机的性质，如例如丙烯酸或其它低聚或聚合物质。

相关的应用也可以是用作抹灰的材料的化学混合物。因此，也使用了类似于混凝土配制剂的配制剂。然而，这些石膏砂浆通常关于石头的大小是受限的。即，石头的集料限于4mm的大小，不允许使用更大的大小用于这些砂浆。主要特性(也需要通过使用正确的添加剂来实现，该添加剂与上面提到的添加剂非常相似)主要是在施工特性方面，相应地是可加工性。在开发这种抹灰配制剂期间，通常会对可泵性、平滑性和粘附特性进行评价。

6.在石油生产中使用的化学混合物

此外，在石油生产中还使用化学混合物来优化采油效率程度。在水力压裂法和传统采油方法中，特别是在井筒生命周期的后期，通过将这些配制剂泵入井筒来提高效率水平。因此，主要使用包括有机聚合物的水。总体上，采油效率水平是所使用添加剂有效性的参数。从细节上看，像从石头中释放石油的能力或在这种条件下生成压力和粘度的能力的特性可能是重要的特性。

物质簇

收集的经验数据并不直接用作训练数据。相反，在步骤120中，每种化学混合物配方中至少一种成分被分配到预定义物质簇中的一个。每个预定义物质簇可以表示具有相似化学性质的一组成分。然而，应该提到的是物质簇也可能只是单一成分，即可能只存在具有一种化学物质的簇。情况可能是这样的：如果成分的化学性质与其它成分中的一种成分不具有相似性从而不能归类为一个簇。例如，“低聚或聚乙二醇”簇只具有三乙二醇，因为这是在低聚或聚乙二醇的化学基团之外使用的唯一成分。

例如，不含游离OH-基团的单甲基三聚氰胺甲醛树脂和不含游离OH-基团的单丁基三聚氰胺甲醛树脂的成分二者都可以被视为高度醚化的三聚氰胺甲醛树脂，但由于它们不同的醚化程度，它们的物理和/或化学行为也会彼此不同。因此，由此产生了两个不同的簇。

例如，命名为“酒精”的物质可包括乙醇和甲醇，因为它们具有类似的化学结构，并且完全可溶于水并可与水混合。后面将描述更多的簇示例。

成分可以以各种方式聚类。例如，可以使用自动化学聚类算法对成分进行聚类。例如，专家可以定义多个物质簇，每个物质簇都具有足以代表整个簇的代表成分。自动化学聚类算法可以例如基于例如二进制指纹、曲线图特性或最大公共子结构将化学混合物配方的成分与每个物质簇的代表物质进行比较，并且如果相似性在可接受限制内则将成分分配给物质簇。

在示例中，可以生成用于化学结构的二进制子结构指纹。子结构是化学结构的碎片。指纹是二进制(1/0)位的有序列表。每位都表示化学结构中元素计数、环系统类型、原子配对、原子环境(最近邻)等的存在的布尔判定或检验。

在另一个示例中，最大公共子结构可用于聚类。最大公共子结构是基于曲线图的相似概念，该概念定义为两个化合物之间共享的最大子结构(子曲线图)，其可用于计算相同的相似性系数。

可替代地或另外，人(诸如配制者)可以将物质簇分配给每个收集的化学混合物配方的成分。

为了便于理解在此所述的物质簇，此后将描述汽车涂料成分的典型物质簇。汽车涂料或涂层配制剂包括被配制以提供配色、外观、耐久性、施工和膜特性的平衡的树脂、颜料、溶剂和添加剂的复杂混合物。

第一亚群：树脂(即粘合剂)

图3示出用作水性底漆体系中的交联剂的三聚氰胺甲醛树脂(mfr)的化学结构。

因此，R1、R2、R3、R4、R5和R6从甲基，丁基或氢的基团中被选出。通过分析比较不同的原材料，即从不同供应商提供的不同的mfr，可以对这种mfr进行分组，例如，这种mfr仅是不具有游离OH-基团的单甲基化mfr，还是不具有游离OH-基团的单丁基化mfr等等。基于此，可以对这种簇进行归类。出于完整性理由，必须指出的是胺基、低聚甲醛基团和通过自交联反应获得的结构可以包括在典型的三聚氰胺甲醛树脂中。所有这些基团都可以用于定义簇。

进一步的示例包括聚氨酯树脂，其被用作水性底漆体系中的“树脂＝粘合剂”。这些树脂的特征是所谓的聚氨酯键合物的含量，其是通过醇(以游离OH-基团为特征)与异氰酸酯(以NCO-基团为特征)的反应来实现的。然而，用于制备这种聚氨酯的异氰酸酯和醇的化学结构可相当不同。因此，该合成过程中离析物的关键指标(OH-数、NCO-数、分子量、玻璃跃迁数、离析物分子比等)定义了聚氨酯的结构和性质。如果这些关键指标是已知的，则可以声明由于非常相似的关键指标而产生的“相似性”并可以对某簇进行归类。

例如，水性底漆体系中使用三种不同的聚氨酯，其在WO 92/15405A1-第14页，第13行到第15行，第20行中描述。然后这种聚合物被类似地描述。

以该方式，70种不同的树脂可以聚类成例如15个树脂簇。

第二亚群：颜料

在这里，基于颜料本身的化学结构也可以对某簇进行归类。例如，白色颜料通常基于二氧化钛，然而每种特定类型关于表面处理和/或颗粒大小分布等方面都有不同。然而，这些不同类型最终都是二氧化钛，并且因此这些颜料的化学行为非常相似，即基于该相似性将其归类为某个簇是合理的。

第二示例可以是吡咯并吡咯二酮颜料，其由图4中所示的化学基本结构定义。

图4示出吡咯并吡咯二酮颜料的中心部分。虽然特定颜料的颜色取决于R1和R2的化学结构，它们二者都可以变化并且从而形成不同的颜料，但这些颜料的化学行为很大程度上取决于该中心部分。因此，归类为某个簇是基于该中心单元完成的。这方面的示例如图5中所示。

第三亚群：溶剂

溶剂因其化学性质(例如是酒精或酯)而聚类在一边，并且因其物理特性而聚类在另一边。例如，取决于特定酒精的化学结构，酒精可被视为水溶性或不溶性物质。

例如，乙醇和甲醇完全可溶于水并可与水混合，并且因此它们可以归类为相同簇。

另一个示例是不能混合或只能与水很差地混合的醇的归属，如例如2-乙基己醇、1-辛醇或异十三醇。

第四亚群：添加剂

在此，最大的变化用于所述的物质中。然而，同样在这里归类于某一簇是通过观察物质的化学结构来完成的。一个示例可能是使用的聚丙二醇，其是Pluracol 1010、Uniol1000和Pluriol P900。所有这些都是聚丙二醇，因此品牌名称后面的数字指示聚丙二醇的平均分子量存在于该原材料中。因此，完成到聚类聚丙二醇的归类。

另一个示例是改性硅氧烷的簇，这里以Byk-345、Byk-346和Byk-347为例，它们都是环氧乙烷改性硅氧烷，即基于这些信息确定“相似性”从而确定属于特定的簇。

以该方式，多于70种的添加剂可以聚类到大约20种添加剂簇中。

训练数据准备

在步骤130中，通过用分配的预定义物质簇取代至少一种成分来修改每种化学混合物配方。换句话说，训练数据集将使用修改的经验数据构建。在训练数据集中，一组化学混合物配方输入和特性输出的单个示例被称为范例。在每种化学混合物配方输入中，如果将化学混合物配方中的一种成分分配给预定义的物质簇，则分配的物质簇将取代化学混合物配方中的对应成分。

例如，如果化学混合物配方包括成分A、成分B、成分C和不具有游离OH-基团的甲基化三聚氰胺甲醛树脂，则对应的化学混合物配方输入可以是成分A、成分B、成分C和命名为“mfr-纯甲基化”的物质组。例如，如果化学混合物配方包括成分B、成分D和不具有游离OH-基团的单丁基化合物，则对应的化学混合物配方输入可以是成分B、成分D和命名为“mfr-单丁基”的物质组。

换句话说，训练数据集不区分相同物质簇的成分，因为这些成分具有相似的化学性质。相应地，可以降低训练数据集的复杂性，从而也降低了数据驱动模型的训练过程的复杂性。

数据驱动模型训练

在步骤140中，修改的化学混合物配方以及化学混合物配方的特性将被一起提供给机器学习过程以便训练数据驱动模型，该数据驱动模型模型可用于预测新的化学混合物的特性。

在机器学习的上下文中，术语“数据驱动模型”是指基于适当的训练数据学习的合适算法。在该情况下，这种经学习的数据驱动模型旨在基于对应的化学混合物配方的成分和物质簇来预测化学混合物的特性。

例如，数据驱动模型可能是基于规则的机器学习模型。基于规则的机器学习模型可以包括识别、学习或进化“规则”来存储、操纵或应用的任何机器学习方法。基于规则的机器学习器的定义特征是识别和利用共同表示系统捕获的知识的一组关系规则。这与其它机器学习器形成了对比，其它机器学习器通常识别可以普遍应用于任何实例以便做出预测的单一模型。

基于规则的机器学习方法可包括学习分类器系统、关联规则学习、人工免疫系统和依赖一组规则的任何其它方法，每个规则都覆盖上下文知识。

例如，关联规则学习算法可用于预测一个或多个机器学习算法，其选自：特征评价算法、特征子集选择算法、贝叶斯网络(见Cheng and Greiner(1999),Comparing Bayesiannetwork classifiers.Proceedings UAI,pp.101-107)、基于实例的算法、支持向量机(见例如Shevade et al.,(1999),Improvements to SMO Algorithm for SVMRegression.Technical Report CD-99-16,Control Division Dept of Mechanical andProduction Engineering,National University of Singapore；Smola et al.,(1998).ATutorial on Support Vector Regression.NeuroCOLT2 Technical Report Series—NC2-TR-1998-030；Scholkopf,(1998).SVMs—a practical consequence of learningtheory.IEEE Intelligent Systems.IEEE Intelligent Systems 13.4:18-21；Boser etal.,(1992),A Training Algorithm for Optimal Margin Classifiers V 144-52；以及Burges(1998),A tutorial on support vector machines for patternrecognition.Data Mining and Knowledge Discovery 2(1998):121-67)、投票算法、成本敏感分类器、堆叠算法、分类规则，以及决策树算法(见Witten and Frank(2005),DataMining Practical machine learning Tools and Techniques.Morgan Kaufmann,SanFrancisco,Second Edition)。

预定义物质簇和特性之间的相关性

可选地，计算机实现的方法可包括基于训练识别至少一个预定义物质簇与一个或更多特性之间的相关性的步骤。

在示例中，相关性可允许确定哪些原材料在分配了特定特性值的配方中。

在另一个示例中，相关性可允许确定对于特定的特性值，哪些原材料组合是经常出现的。

在进一步的示例中，该相关性可以允许确定哪些原材料可能产生良好和不良的特性值。换句话说，可以确定哪种原材料与特性值正相关，并且哪种原材料与特性值负相关。

例如，对汽车涂层质量非常重要的“抗冲击”性能被发现与水性底漆内的交联剂的量和交联剂性质相关。然而，由较高量的交联剂(如簇mfr纯甲基化内定义的)引起的较高交联率导致较差抗冲击的涂层，由较低量的交联剂引起的较低交联率(如簇mfr纯甲基化内定义的)引起的较低交联率导致改进的抗冲击的涂层。

预测

当数据驱动模型经过训练后，它可以提供在化学混合物配方输入与测量的特性输出之间的关系模型。注意，在每个化学配方输入中，至少一种成分由分配的预定义物质簇取代。换句话说，提出的经训练数据驱动模型不区分相同物质簇的成分。这可降低输入数据的复杂性以及数据驱动模型的复杂性。

为此，根据本公开的第二方面，提供了一种用于预测化学混合物特性的计算机实现的方法200。该方法包括以下步骤：

-获得210包括两种或更多种成分的化学混合物配方；

-将至少一种成分分配220给预定义物质簇中的一种预定义物质簇，每一种预定义物质簇表示具有相似化学性质的单一成分或一组成分；

-通过以分配的预定义物质簇取代至少一种成分来修改230化学混合物配方；

-采用数据驱动模型处理240修改的化学混合物配方以预测化学混合物配方的特性测量，其中，数据驱动模型已根据根据第一方面和任何相关联示例所述的方法进行训练；以及

-输出250化学混合物配方的预测的特性测量。

图2是示出根据本公开的第二方面的计算机实现的方法200的流程图。

在步骤210中，获得化学混合物配方。化学混合物配方包括两种或更多种成分。化学混合物的示例可以包括但不限于：涂料配制剂、农业多组分混合物、制药多组分混合物、营养多组分混合物、油墨多组分混合物、建筑用途的化学混合物，以及在石油生产中使用的化学混合物。

在步骤220中，将化学混合物配方的至少一种成分分配给预定义的物质簇中的一种物质簇。每个预定义簇表示具有相似化学性质的一种成分或一组成分。例如，乙醇和甲醇完全可溶于水并且可与水混合，因此它们可以归类为相同簇。

在步骤230中，通过采用分配的预定义物质簇取代至少一种成分来修改化学混合物配方。换句话说，如果将化学混合物配方中的一种成分分配给物质簇，则将分配的物质簇而不是成分作为输入提供给经训练的数据驱动模型。

在步骤240中，采用数据驱动模型处理修改的化学混合物配方以预测化学混合物配方的特性测量。数据驱动模型已经根据根据第一方面和任何相关联示例的方法进行了训练。例如，如果数据驱动模型是基于规则的机器学习模型，则将从训练数据集导出一组关系规则。基于这些规则，可以以很高的可能性预测新配方组成的特性。

在步骤250中，提供了化学混合物配方的预测的特性测量。

可选地，计算机实现的方法可以包括将预测的特性测量与特性性能目标进行比较以及调节化学混合物配方以满足特性性能目标的步骤。

计算机实现的方法100、200可以实现为一组逻辑指令中的设备、模块或相关组件，该组逻辑指令存储在非暂态机器或计算机可读存储介质中(诸如随机存取存储器(RAM)、只读存储器(ROM)、可编程ROM(PROM)、固件、闪存等)、可配置逻辑中(诸如例如可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD))、使用电路技术(诸如例如专用集成电路(ASIC)、互补金属氧化物半导体(CMOS)或晶体管-晶体管逻辑(TTL)技术)的固定功能硬件逻辑中，或它们的任何组合。例如，用于执行方法100、200所示操作的计算机程序代码可以用一种或更多种编程语言的任何组合编写，包括面向对象的编程语言，诸如JAVA、SMALLTALK、C++、Python或类似的语言，以及传统的过程式编程语言，诸如“C”编程语言或类似的编程语言。

还应理解，除非有明确的相反说明，在包括多于一个的步骤或行为的在此所要求保护的任何方法中，该方法的步骤或行为的顺序并不一定限于详述该方法的步骤或行为的顺序。

训练模块

根据本发明的第三方面，提供了用于训练用于预测化学混合物的特性的数据驱动模型的设备10。该设备包括训练模块12，该训练模块12被配置为执行根据第一方面和任何相关联示例所述的方法。

图6示出根据本公开的第三方面的设备10。例如，可以使用关联规则学习模型作为数据驱动模型。

因此，训练模块12可以指专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或组)和/或存储器(共享的、专用的或组)、作为其一部分或包括它们，它们执行一个或更多个软件或固件程序、组合逻辑电路和/或提供所述功能的其它合适组件。此外，这种训练模块12可连接到易失性或非易失性存储装置、显示接口、通信接口以及该领域中技术人员所知的类似设备。技术人员将理解，训练模块12的植入取决于计算强度和延迟需求，这是由在特定实现方式中用于表示位置信息的信号的选择所暗示的。

预测模块

根据本发明的第四方面，提供了包括预测模块22的设备20，该预测模块22被配置为执行根据本公开的第二方面和任何相关联示例所述的方法。

根据本公开的第四方面的设备20也在图3中示出。

因此，预测模块22可以指专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或组)和/或存储器(共享的、专用的或组)，作为其一部分或包括它们，它们执行一个或更多个软件或固件程序、组合逻辑电路和/或提供所述功能的其它合适组件。此外，这种预测模块22可连接到易失性或非易失性存储装置、显示接口、通信接口以及本领域技术人员所知的类似设备。技术人员将理解，预测模块22的植入取决于计算强度和延迟需求，这是由在特定实现方式中用于表示位置信息的信号的选择所暗示的。

如在此定义和使用的所有定义应理解为控制字典定义、通过引用包含的文件中的定义和/或定义术语的普通含义。

如在此在本说明书和权利要求书中使用的不定冠词“一”和“一个”，除非有明确的相反说明，否则应理解为“至少一个”。

如在此在本说明书和权利要求书中使用的短语“和/或”应理解为如此结合的元素的“其中之一或两者”，即在一些情况下结合出现而在其他情况下分离出现的元素。采用“和/或”列出的多个元素应以同样方式解释，即如此结合的“一个或更多个”元素。除了由“和/或”子句明确识别的元素之外，还可以可选地出现其它元素，无论与那些明确识别的元素相关或不相关。

如在此在本说明书和权利要求书中使用的，“或”应理解为与如上定义的“和/或”具有相同的含义。例如，当在列表中分离项目时，“或”或“和/或”应被解释为包含，即包含多个元素或元素列表中的至少一个元素，但也包括多于一个的元素，以及可选的附加未列出的项目。只有明确表示相反的术语，诸如“仅其中的一个”或“恰好其中的一个”，或在权利要求中使用“由……组成”时将指包含多个元素或元素列表中的恰好一个元素。通常，如在此所使用的术语“或”仅在前面有排他性术语(诸如“任一”、“其中的一个”、“仅其中的一个”或“恰好其中的一个”)时，应被解释为表示排他性替代方案(即“一个或另一个，而不是二者”)。

如在本说明书和权利要求书中所使用的，在涉及一个或更多个元素的列表时，短语“至少一个”应理解为从元素列表中的任何一个或更多个元素中选择的至少一个元素，但不一定包括元素列表中具体列出的每个和所有元素中的至少一个元素，也不排除元素列表中元素的任何组合。该定义还允许除了短语“至少一个”所指的元素列表中具体识别的元素之外，还可以可选地出现其它元素，无论与那些具体识别的元素相关或不相关。

在权利要求书以及上述说明书中，所有过渡性短语，诸如“包含”、“包括”、“携带”、“具有”、“含有”、“涉及”、“持有”、“组成”等，都应被理解为是开放式的，即意味着包括但不限于。只有“由……组成”和“基本上由……组成”的过渡短语应当分别是封闭或半封闭的过渡短语。

此外，在该详细描述中，本领域的技术人员应该注意到，使用诸如“一般”、“基本上”、“大部分”和其它术语的定量限定术语，通常用于指所提及的对象、特征或质量构成提及的主体的大部分。这些术语中的任何术语的含义取决于其使用的上下文，并且可以明确修改其含义。

在本发明的另一个示例性实施例中，提供了一种计算机程序或计算机程序元素，其特征是适于执行在适当的系统上根据上述实施例中的一个的方法的方法步骤。因此，计算机程序元素可以存储在计算机单元上，该计算机单元也可以是本发明实施例的一部分。该计算单元可适于执行或引导执行上述方法的步骤。此外，它还可以适于操作上述装置的组件。该计算单元可适于自动操作和/或执行用户的命令。可以将计算机程序装入数据处理器的工作存储器中。因此，可以配备该数据处理器来执行本发明的方法。

本发明的该示例性实施例包括两个方面，即从一开始就使用本发明的计算机程序和借助于更新将现有程序变成使用本发明的程序的计算机程序。

进一步，计算机程序元素可能能够提供完成如上所述方法的示例性实施例的过程的所有必要步骤。

根据本发明的进一步示例性实施例，提出了一种计算机可读介质，诸如CD-ROM，其中计算机可读介质具有存储在其上的计算机程序元素，该计算机程序元素如上节所述。

计算机程序可以在适当的介质(诸如与其它硬件一起提供或作为其一部分提供的光存储介质或固态介质)上存储和/或分发，但也可以以其它形式分发，诸如经由互联网或其它有线或无线电信系统。

然而，计算机程序也可以通过像万维网这样的网络呈现，并可以从这种网络下载到数据处理器的工作存储器中。根据本发明的进一步示例性实施例，提供一种用于使计算机程序元素可用于下载的介质，该计算机程序元素被布置为执行根据本发明的前面所述实施例中的一个的方法。

所有的特征都可以组合以提供一种不仅仅是特征的简单相加的协同的效果。

虽然在此已经描述和示出了几种发明实施例，但该领域的普通技术人员很容易设想出各种其它部件和/或结构以用于执行功能和/或获得在此所述的结果和/或一种或更多种优点，并且这种变化和/或修改中的每个都被视为处于在此所述的发明实施例的范围内。更一般地，本领域技术人员将很容易理解，在此所述的所有参数、尺寸、材料和配置都旨在作为示例性并且实际的参数、尺寸、材料和/或配置将取决于发明的教导所用于的一个或多个具体应用。本领域技术人员将认识到，或仅仅通过常规的实验就能确定与在此描述的具体发明实施例的许多等同物。因此，需要理解上述实施例仅通过举例的方式提出并且在所附权利要求及其等同物的范围内，发明实施例可以在具体描述和要求之外的其他情况下进行实践。本公开的发明实施例针对在此描述的每个单独的特征、系统、物品、材料、套件和/或方法。此外，如果这种特征、系统、物品、材料、套件和/或方法不是相互矛盾的，则两种或更多种这种特征、系统、物品、材料、套件和/或方法的任何组合都包括在本公开的发明范围内。

Claims

1.一种用于训练用于预测化学混合物的特性的数据驱动模型的计算机实现的方法(100)，包括：

-获得(110)包括多个化学混合物配方的历史和/或校准数据以及每种化学混合物配方的特性的数据，其中，每种化学混合物配方包括两种或更多种成分；

-将每种化学混合物配方中的至少一种成分分配(120)给预定义物质簇中的一个，其中，每个预定义物质簇表示具有相似化学性质的单一成分或一组成分；

-通过以分配的预定义物质簇取代所述至少一种成分来修改(130)每种化学混合物配方；以及

-向机器学习过程提供(140)修改的化学混合物配方以及所述化学混合物配方的所述特性以便训练数据驱动模型，所述数据驱动模型可用于预测新的化学混合物的特性。

2.根据权利要求1所述的计算机实现的方法，进一步包括：

-基于所述训练识别至少一个预定义物质簇与特性的一个或更多个特征之间的相关性。

3.一种用于预测化学混合物的特性的计算机实现的方法，包括：

-获得(210)包括两种或更多种成分的化学混合物配方；

-将至少一种成分分配(220)给预定义物质簇中的一个，其中，每个预定义物质簇表示具有相似化学性质的单一成分或一组成分；

-通过以分配的预定义物质簇取代所述至少一种成分来修改(230)所述化学混合物配方；

-采用数据驱动模型来处理(240)修改的化学混合物配方以预测所述化学混合物配方的特性测量，其中，所述数据驱动模型已经根据根据前述权利要求中任一项所述的方法进行训练；以及

-输出(250)所述化学混合物配方的预测的特性测量。

4.根据权利要求3所述的计算机实现的方法，进一步包括：

-将所述预测的特性测量与特性性能目标进行比较；以及

-调节所述化学混合物配方以满足所述特性性能目标。

5.根据前述权利要求中任一项所述的计算机实现的方法，

其中，每种化学混合物配方的所述特性进一步包括，对于每种测量的特性，指示对相应化学混合物配方的性能评价的相应性能分数。

6.根据前述权利要求中任一项所述的计算机实现的方法，

其中，从树脂和/或添加剂中选择的至少一种成分由物质簇表示。

7.根据前述权利要求中任一项所述的计算机实现的方法，

其中，所述化学混合物包括涂料配制剂。

8.根据权利要求7所述的计算机实现的方法，

其中，涂料配制剂的所述特性包括未干涂料的特性和/或由此形成的涂层的特性。

9.根据前述权利要求中任一项所述的计算机实现的方法，

其中，所述化学混合物包括如下中的至少一种：

-农业多组分混合物；

-制药多组分混合物；

-营养多组分混合物；

-油墨多组分混合物；

-建筑用途的化学混合物；以及

-在石油生产中使用的化学混合物。

10.根据前述权利要求中任一项所述的计算机实现的方法，

其中，所述数据驱动模型包括基于规则的机器学习模型。

11.根据权利要求10所述的计算机实现的方法，

其中，所述基于规则的机器学习模型包括如下中的至少一种：

-学习分类器系统；

-关联规则学习；以及

-人工免疫系统。

12.一种包括训练模块的设备，所述训练模块被配置为执行根据权利要求1、2和5至11中任一项所述的方法。

13.一种包括预测模块的设备，所述预测模块被配置为执行根据权利要求3至11中任一项所述的方法。

14.一种计算机程序产品，包括具有程序代码的计算机程序，用于执行根据权利要求1至11中任一项所述的方法。

15.一种存储了权利要求14所述的程序元素的计算机可读介质。