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！

申请/专利权人：集美大学

摘要：本发明提供了一种密度泛函理论展开项改进的方法、装置及存储介质，包括获取吸附质和吸附剂的参数信息；根据参数信息，建立吸附质在不同的孔径宽度范围内的吸附剂上的巨正则蒙特卡罗模型，并根据巨正则蒙特卡罗模型模拟不同温度、压力和化学势条件下，吸附质在不同孔宽度的吸附剂上的吸附行为，获得相应的吸附量和局部密度作为深度学习的样本；利用卷积核函数以及吸附质的参数信息表示加权密度；构建用于描述过剩自由能展开项的卷积神经网络，对卷积神经网络进行训练，以每次训练得到的局部密度作为输出构建损失函数确定经典密度泛函理论过剩自由能展开项。利用上述技术方案，获得改进的经典密度泛函展开项，从而提升气体吸附表征的精度。

主权项：1.一种密度泛函理论展开项改进的方法，其特征在于，包括以下步骤：S1：获取吸附质和吸附剂的参数信息；S2:根据所述参数信息，建立吸附质在不同的孔径宽度范围内的吸附剂上的巨正则蒙特卡罗模型，并根据所述巨正则蒙特卡罗模型模拟不同温度、压力和化学势条件下，吸附质在不同孔宽度的吸附剂上的吸附行为，获得相应的吸附量和局部密度作为深度学习的样本；S3：利用卷积核函数以及所述吸附质的参数信息表示加权密度，再利用所述加权密度表示经典密度泛函理论的过剩自由能展开项；S4：构建用于描述所述过剩自由能展开项的卷积神经网络，再利用所述深度学习的样本对所述卷积神经网络进行训练，以每次训练得到的局部密度作为输出构建损失函数，当所述损失函数满足收敛条件时确定卷积核，从而根据所述卷积核确定所述经典密度泛函理论过剩自由能展开项；其中，所述步骤S1中，所述吸附质的参数信息，包括：吸附质分子间的势阱εff、分子的碰撞直径σff、截断半径rcut；所述吸附剂的参数信息，包括：吸附剂分子的势阱εs、分子的碰撞直径σs、孔结构以及吸附剂密度ρs；所述孔结构包括狭缝孔、圆柱孔和球状孔；其中，所述根据所述参数信息，建立吸附质在不同的孔径宽度范围内的吸附剂上的巨正则蒙特卡罗模型，具体包括：根据所述巨正则蒙特卡罗模型，在体积为V的盒子内进行巨正则蒙特卡罗模拟；所述巨正则蒙特卡罗模拟的过程中维持化学势、体积及温度μ，V，T不变，所述盒子内的粒子数N为变量；在所述巨正则蒙特卡罗模拟时，每一循环均包含以相等概率随机选取的三种分子扰动：分子的空间移动、插入一个分子以及删除一个分子；所述巨正则蒙特卡罗模拟的具体模拟步骤为：根据所述吸附质的参数信息构建势能方程用于描述吸附质的流体状态： 其中，ULJ为流体分子间的作用势，r为流体分子间的距离；按Metropolis抽样的方法从old构型中随机挑选一个分子移动，得到new构型，该移动接受的概率Pacc为 插入分子接受的概率Pacc为 删除分子接受的概率Pacc为 其中，U为所有吸附质分子收到的总能，包含ULJ以及外部作用势能Vext，λ为de-Broigle波长，kB表示玻尔兹曼常数，s→s'表示从old构型转变为new构型；其中，所述根据所述巨正则蒙特卡罗模型模拟不同温度、压力和化学势条件下，吸附质在不同孔宽度的吸附剂上的吸附行为，获得相应的吸附量和局部密度作为深度学习的样本，具体包括：当所述巨正则蒙特卡罗模拟的系统达到平衡时，对所述系统进行抽样并得到用于热力学性质统计的系统平均值，则所述吸附量nabs为： 其中，符号X表示热力学统计变量X的系综平均值，其准确度取决于蒙特卡罗算法的抽样步长，NA为阿伏伽德罗常数，mbox为所述巨正则蒙特卡罗模拟的盒子内原子质量之和，获得所述吸附质在吸附剂上的吸附等温线；将体系沿垂直壁面方向或径向方向分为若干格子，则针对r处格子得到所述局部密度为： 其中，ρMCr为巨正则蒙特卡罗模拟确定吸附质在r处格子的局部密度，Nr为巨正则蒙特卡罗模拟采样中落入r处格子内吸附质分子个数的系综平均值，Vr为r处格子的体积；其中，所述步骤S3包括：依据所述S2中巨正则蒙特卡罗模型确定的ρMCr作为输入层的ρr，将所述吸附质的巨势Ω表示为： 其中，Vextr为外部作用势能、Fid[ρr]为理想自由能、Fex[ρr]为过剩自由能，所述外部作用势能在所述巨正则蒙特卡罗模型中由所述参数信息所确定；对所述过剩自由能Fex[ρr]进行改进，得到改进的过剩自由能为： 其中，对加权密度进行近似求解，得到所述加权密度如下式所示： 其中Θσff-|r-r′|表示卷积核函数，则将加权密度改进表示为： 其中，Θr为求解所述加权密度的卷积核函数；FFT和FFT-1分别代表傅里叶变换和逆变换，再根据所述加权密度求解改进的过剩自由能其中，所述步骤S4包括：使得所述巨势Ω满足则所述训练得到的局部密度ρMLr公式为： 其中，β＝1kBT，吸附质在r处的局部密度ρMLr通过Picard迭代求解；所述卷积神经网络包含输入层、卷积层、池化层以及全连接层，将所述局部密度作为所述输入层的输入；所述卷积层对所述局部密度进行特征提取，将所述局部密度转化为所述加权密度；所述池化层利用自然运算符的组合对所述加权密度进行池化；所述全连接层对所述池化层的结果进行处理得到过剩自由能泛函的偏导数再根据所述局部密度的公式通过Picard迭代求解从而更新所述局部密度ρMLr的值；根据所述吸附量、所述巨正则蒙特卡罗模型确定的局部密度ρMCr以及所述卷积神经网络进行训练得到的局部密度ρMLr构建损失函数，通过梯度下降法反推每层中的加权系数，从而更新每层中的卷积核函数，直至损失函数达到收敛条件，确定此时的卷积核，根据此时的卷积核确定所述改进的过剩自由能

全文数据：

权利要求：

百度查询： 集美大学 一种密度泛函理论展开项改进的方法、装置及存储介质