材料设计是依据积累的经验、所归纳的实验规律和总结的科学原理制备具有确定目标性能的材料。其核心是确定成分、工艺及性能间的关系。目前,虽掌握了大量成分、工艺和性能的相关数据,但其间的内在规律尚不完全清楚。在这种条件下,人们的目光转向理论辅助的材料设计和预测。将先进的计算机技术应用于现代材料设计,可以摆脱实验先行的研究方法,用较少的实验取得较为理想的材料,达到事半功倍的效果。 人工智能的研究领域包括人工神经网络和专家系统等。神经网络其分布式存贮信息、并行分布处理的特性,使之具有自组织、自学习和容错性。而这正是传统专家系统技术的不足之处。专家系统的透明性,灵活性,知识表示明确性是神经网络不具有的。在建造专家系统时,将专家系统和神经网络两者结合,建造混合型专家系统,可以发挥各自优点,实现对大量数据的处理和存储。 本文吸取了神经网络和专家系统各自的优点,建立了混合型专家系统。首先建立了神经网络获取知识的模块。在神经网络训练的程序中,通过采用变步长学习率、增加动量项、引入虚拟样本和防止过拟合等方法,使网络实现了快速稳定收敛。本研究还设计了神经网络的推理机制。在此基础上,将混合型专家系统应用到材料设计当中,分别对材料的力学性能和相变点进行了预测,并进行了材料设计。实验和分析表明,混合型专家系统在材料设计领域具有明显的优越性和广泛的应用前景。