买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种基于物理模型及机器学习模型的光电材料合成方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119517193B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411548616.2，技术领域涉及：G16C20/10；该发明授权一种基于物理模型及机器学习模型的光电材料合成方法是由宁洪龙;李牧云;姚日晖;彭俊彪;郭晨潇;李星林;张子涵;姜博诚;刘宇翔;杨跃鑫设计研发完成，并于2024-11-01向国家知识产权局提交的专利申请。

本一种基于物理模型及机器学习模型的光电材料合成方法在说明书摘要公布了：本发明公开了一种基于物理模型及机器学习模型的光电材料合成方法，包括以下步骤：确定光电数据种类，构建物理模型；通过物理模型筛选光电数据种类，构建光电数据库；构建机器学习模型，通过机器学习模型指导光电材料合成。该方案利用物理模型进行数据筛选，降低了光电数据库构建的难度，提高了在数据量较少时的机器学习模型的拟合度。

本发明授权一种基于物理模型及机器学习模型的光电材料合成方法在权利要求书中公布了：1.一种基于物理模型及机器学习模型的光电材料合成方法，其特征在于，所述光电材料合成方法包括以下步骤； S1、确定光电材料的数据种类，包括确定光电材料数据种类、光电材料合成配方参数、光电材料光学及电学参数、光电材料构建的光学器件光学及电学参数； S2、利用COMSOL软件与光电数据进行多物理场仿真，构建物理模型；所述步骤S2过程如下： S201、COMSOL软件根据器件结构参数构建器件2D或3D仿真模型，器件结构参数包括边界长度、器件层宽、器件层数； S202、对2D或3D仿真模型赋予材料参数，材料参数包括材料透过率、吸收、禁带宽度、导电率； S203、根据器件工作原理选择器件所涉及的物理场，包括带电粒子的扩散、漂移运动、界面处的粒子复合、光学‑电学的转化； S204、根据所选的物理场选择所涉及到的物理公式；所述物理公式包括电通量公式： 总通量Ni = ∇−Di∇ci −ziμiFci∇ϕi + uci式中，𝑐𝑖表示物质浓度，𝐷𝑖为扩散系数，𝜙𝑖为电势，F为法拉第常数，𝑧𝑖是电荷数，μi为电迁移数，u表示流体流速，∇表示梯度运算符号； 所述物理公式还包括Butler–Volmer公式: jloc=j0 {exp ‑nαFη RT ‑exp[n1‑αFη}其中，𝑗l𝑜𝑐和𝑗0分别为局部电流密度和交换电流密度，α为传递系数，n为转移的电子数，R是气体常数，T是反应温度，η是过电位； S3、通过物理模型筛选剔除多余数据种类，缩小数据规模，构建光电数据库； S4、构建机器学习模型；所述机器学习模型包括线性回归、Lasso回归、核岭回归、高斯过程回归、支持向量回归、k‑近邻回归、决策树回归共7种机器学习模型，机器学习模型由python数据库直接导入，过程如下： S401、将测试集导入机器学习模型，选择迭代次数N，N10，输出性能评价指标；其中，所选的性能评价指标包括均方根误差RMSE和决定系数R2，具体如下； R2表示预测值和真实值之间的相关系数的平方，取值越接近1表示机器学习模型的拟合效果越好，计算表达式为： 其中，是第i个样本的真实值， 是第i个样本的预测值， 是样本真实值的均值，m是样本总数，Var是样本真实值的方差，均方根误差RMSE是预测值和真实值之间的平方差的均值平方根，取值越小表示机器学习模型的拟合效果越好，计算表达式为： S402、重复7次进行交叉验证，数据集分成K个子集，每次用其中一个子集作为测试集，其余的作为训练集，每训练一次即用测试集评价机器学习模型性能，重复7次，得到7个机器学习模型的性能评价指标，然后取平均值作为最终的评估结果； S5、通过机器学习模型预测光电材料合成。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。