CN110364231B - 预测玻璃体系性质的方法 - Google Patents
预测玻璃体系性质的方法 Download PDFInfo
- Publication number
- CN110364231B CN110364231B CN201910566855.3A CN201910566855A CN110364231B CN 110364231 B CN110364231 B CN 110364231B CN 201910566855 A CN201910566855 A CN 201910566855A CN 110364231 B CN110364231 B CN 110364231B
- Authority
- CN
- China
- Prior art keywords
- glass
- compound
- compounds
- binary
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000011521 glass Substances 0.000 title claims abstract description 436
- 238000000034 method Methods 0.000 title claims abstract description 94
- 150000001875 compounds Chemical class 0.000 claims abstract description 234
- 239000000203 mixture Substances 0.000 claims abstract description 119
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 74
- 238000010586 diagram Methods 0.000 claims abstract description 61
- 238000012216 screening Methods 0.000 claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 54
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 48
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 230000001568 sexual effect Effects 0.000 claims description 10
- 239000000470 constituent Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 239000000087 laser glass Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 239000005312 bioglass Substances 0.000 claims description 3
- 238000005025 nuclear technology Methods 0.000 claims description 3
- 239000005304 optical glass Substances 0.000 claims description 3
- 239000005336 safety glass Substances 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- YBMRDBCBODYGJE-UHFFFAOYSA-N germanium oxide Inorganic materials O=[Ge]=O YBMRDBCBODYGJE-UHFFFAOYSA-N 0.000 description 70
- 125000004429 atom Chemical group 0.000 description 51
- 239000000463 material Substances 0.000 description 36
- MRELNEQAGSRDBK-UHFFFAOYSA-N lanthanum oxide Inorganic materials [O-2].[O-2].[O-2].[La+3].[La+3] MRELNEQAGSRDBK-UHFFFAOYSA-N 0.000 description 33
- FUJCRWPEOMXPAD-UHFFFAOYSA-N Li2O Inorganic materials [Li+].[Li+].[O-2] FUJCRWPEOMXPAD-UHFFFAOYSA-N 0.000 description 24
- XUCJHNOBJLKZNU-UHFFFAOYSA-M dilithium;hydroxide Chemical compound [Li+].[Li+].[OH-] XUCJHNOBJLKZNU-UHFFFAOYSA-M 0.000 description 23
- 238000012827 research and development Methods 0.000 description 17
- KTUFCUMIWABKDW-UHFFFAOYSA-N oxo(oxolanthaniooxy)lanthanum Chemical compound O=[La]O[La]=O KTUFCUMIWABKDW-UHFFFAOYSA-N 0.000 description 14
- 238000011160 research Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 11
- 238000010587 phase diagram Methods 0.000 description 8
- ZIKATJAYWZUJPY-UHFFFAOYSA-N thulium (III) oxide Inorganic materials [O-2].[O-2].[O-2].[Tm+3].[Tm+3] ZIKATJAYWZUJPY-UHFFFAOYSA-N 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- -1 rare earth ion Chemical class 0.000 description 4
- 229910052761 rare earth metal Inorganic materials 0.000 description 4
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- 229910052593 corundum Inorganic materials 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 229910001845 yogo sapphire Inorganic materials 0.000 description 3
- 229910008617 Li2O—GeO2 Inorganic materials 0.000 description 2
- 102100021164 Vasodilator-stimulated phosphoprotein Human genes 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000000295 emission spectrum Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 125000004430 oxygen atom Chemical group O* 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001313846 Calypso Species 0.000 description 1
- 238000003775 Density Functional Theory Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000000048 melt cooling Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 108010054220 vasodilator-stimulated phosphoprotein Proteins 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03C—CHEMICAL COMPOSITION OF GLASSES, GLAZES OR VITREOUS ENAMELS; SURFACE TREATMENT OF GLASS; SURFACE TREATMENT OF FIBRES OR FILAMENTS MADE FROM GLASS, MINERALS OR SLAGS; JOINING GLASS TO GLASS OR OTHER MATERIALS
- C03C3/00—Glass compositions
- C03C3/04—Glass compositions containing silica
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03C—CHEMICAL COMPOSITION OF GLASSES, GLAZES OR VITREOUS ENAMELS; SURFACE TREATMENT OF GLASS; SURFACE TREATMENT OF FIBRES OR FILAMENTS MADE FROM GLASS, MINERALS OR SLAGS; JOINING GLASS TO GLASS OR OTHER MATERIALS
- C03C3/00—Glass compositions
- C03C3/12—Silica-free oxide glass compositions
- C03C3/122—Silica-free oxide glass compositions containing oxides of As, Sb, Bi, Mo, W, V, Te as glass formers
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03C—CHEMICAL COMPOSITION OF GLASSES, GLAZES OR VITREOUS ENAMELS; SURFACE TREATMENT OF GLASS; SURFACE TREATMENT OF FIBRES OR FILAMENTS MADE FROM GLASS, MINERALS OR SLAGS; JOINING GLASS TO GLASS OR OTHER MATERIALS
- C03C3/00—Glass compositions
- C03C3/12—Silica-free oxide glass compositions
- C03C3/16—Silica-free oxide glass compositions containing phosphorus
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03C—CHEMICAL COMPOSITION OF GLASSES, GLAZES OR VITREOUS ENAMELS; SURFACE TREATMENT OF GLASS; SURFACE TREATMENT OF FIBRES OR FILAMENTS MADE FROM GLASS, MINERALS OR SLAGS; JOINING GLASS TO GLASS OR OTHER MATERIALS
- C03C3/00—Glass compositions
- C03C3/12—Silica-free oxide glass compositions
- C03C3/253—Silica-free oxide glass compositions containing germanium
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Materials Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Glass Compositions (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明涉及一种预测功能玻璃体系性质的方法，包括以下步骤：依据目标玻璃体系组成成分确定结构搜索的原子种类；基于第一性原理进行结构筛选，筛选出各个所述原子之间相互作用能够形成的化合物；比较各个化合物的形成能和声子谱，得出稳定存在的化合物；依据所述稳定存在的化合物构建玻璃结构组成图，目标玻璃组成点临近的玻璃态化合物的微结构单元即为玻璃的结构基因；根据多元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述多元玻璃体系杠杆模型公式为
其中，所述多元玻璃体系为n个组成成分，P0为所述目标玻璃的性质，Pi为所述目标玻璃的结构基因的性质，Li为所述目标玻璃的结构基因在所述目标玻璃中的含量。
Description
技术领域
本发明涉及玻璃材料研究领域，特别是涉及一种预测玻璃体系性质的方法。
背景技术
功能玻璃材料已经成为现代生活中必不可少的一部分，广泛应用于各个领域，包括：日常生活、国防建设、生物医药、安全防护、激光武器、激光医疗等领域，对社会文明的发展起到重要的推动作用。随着以上各个领域的蓬勃发展，对功能玻璃的研发速度、研发成本及其性能提出了更高要求。因此，实现功能玻璃材料的高效、低成本研发变得尤其重要。然而，尽管玻璃已经使用了上千年，但是关于玻璃的组成-结构-性能关系的本质问题依然还未被完全认识，玻璃依然是一种神秘的材料。
按照传统的研究方式，玻璃研究者将根据文献资料和自己实验室积累的数据，先粗略给出一个满足条件的玻璃配方，然后将其在高温下熔融制备玻璃，接着进行玻璃相应性能的测试，根据测试结果再调节配方，采用顺序迭代的反复试验，直到最终得到满足特定条件的玻璃产品。虽然这种实验不断尝试的方式在功能玻璃材料的研发中取得了很多重大成果，但其存在对玻璃体系结构认识不足，实验周期长、成本高和效率低等问题，严重制约了功能玻璃的高效、快速研发。
“材料基因组计划”是2011年首先由美国提出的，旨在振兴美国的工业，加快新材料的研发。随后，我国也积极进行相应的布局。材料基因方法是材料研发中的一次重大飞跃，是新材料研发的“推进器”。材料基因方法采用高通量并行迭代方法替代传统试错法中的顺序迭代方法，逐步由“经验指导实验”向“理论预测和实验验证相结合”的材料研发模式转变，以实现“研发周期缩短一半、研发成本降低一半”的目标，加速新材料的“发现-开发-生产-应用”过程。材料基因方法的研究理念内容丰富，包含了模型化研究、高通量实验表征技术、计算机模拟、数据挖掘、机器学习、人工智能等。材料基因方法的提出为材料的研发提供了全新的研究理念，是对材料传统实验试错法的一次革新。但目前，材料基因方法主要用于组分和结构相对简单的半导体材料和金属材料领域中，由于玻璃材料结构的无序性和多样性，材料基因方法在玻璃材料中的应用较少。
基于前期的研究，我们发现玻璃的结构和对应相图中的玻璃态化合物非常相似，其玻璃的很多性能可由邻近的玻璃态化合物得到预测。基于此，我们提出玻璃对应相图中的玻璃态化合物就是玻璃的结构基因。对于相图数据相对完整的玻璃体系，我们提供了从玻璃相图角度出发预测激光玻璃发光性能的方法，通过大量查阅文献，搜索相图数据库来寻找到玻璃体系的结构基因，接着用玻璃基因的性质预测目标玻璃的发光性能。然而，该技术存在以下两大问题：(1)文献和相图数据库中的重要数据往往存在实验条件不统一，实验测试方法有误差等问题，对于判断寻找玻璃的结构基因非常不利。(2)对于相图数据库相对不全的玻璃体系，该方法失效。(3)该方法提供的预测玻璃性能单一，预测的玻璃品种单一。因此，对于没有相图数据的玻璃体系，怎样准确快速预测玻璃体系的性能成为了该领域的重点技术难题。
发明内容
基于此，有必要提供一种预测玻璃体系性质的方法。
本发明提供一种预测多元玻璃体系性质的方法，包括以下步骤：
依据多元玻璃体系组成成分确定结构搜索的原子种类；
基于第一性原理进行结构筛选，筛选出各个所述原子之间相互作用能够形成的化合物；
比较各个化合物的形成能和声子谱，得出稳定存在的化合物；
依据所述稳定存在的化合物构建玻璃结构组成图，目标玻璃组成点临近的玻璃态化合物的微结构单元为玻璃的结构基因；
根据多元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述多元玻璃体系杠杆模型公式为
其中，所述多元玻璃体系为n个组成成分，P0为所述目标玻璃的性质，Pi为所述目标玻璃的结构基因的性质，Li为所述目标玻璃的结构基因在所述目标玻璃中的含量。
本发明提供一种预测二元玻璃体系性质的方法，包括以下步骤：
基于第一性原理进行结构筛选，筛选出目标玻璃组成成分中每2种原子或3种原子之间能够形成的化合物，并计算得到所述化合物的形成能和声子谱；
分别比较所述化合物的所述形成能和声子谱，得出能够稳定存在的化合物；
以所述目标玻璃的组成原子为顶点绘制成分三角形，在所述成分三角形中标出所述稳定存在的化合物的坐标，得到二元玻璃体系组成图；
在所述二元玻璃体系组成图中找到所述目标玻璃的成分坐标，与所述成分坐标相邻的两个所述稳定存在的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据二元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述二元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2，其中，P0为所述目标玻璃的性质，P1、P2为所述目标玻璃的结构基因的性质，L1、L2为所述目标玻璃的结构基因在所述目标玻璃中的含量。
在其中一个实施例中，所述性质为力学性质、磁学性质、电学性质、发光性质、热学性质中的至少一种。
在其中一个实施例中，所述性质为密度、折射率、荧光半高度、有效线宽、吸收截面、峰值发射截面中的至少一种。
在其中一个实施例中，所述基于第一性原理进行结构筛选为利用第一性原理结构筛选软件进行高通量结构筛选。
在其中一个实施例中，所述高通量结构筛选采用局域粒子群优化算法，每一代计算35至50个结构，共计算20至30代。
在其中一个实施例中，所述高通量结构筛选还包括结构驰豫计算，结构驰豫的截断能为400ev至500ev，泛函采用广义梯度泛函中的PBE泛函。
在其中一个实施例中，所述基于第一性原理进行结构筛选之前还包括，根据所述目标玻璃组成成分的原子种类，确定每种原子的个数范围。
在其中一个实施例中，所述分别比较所述化合物的所述形成能和声子谱的步骤包括：
构建所述计算得到所述化合物的形成能随组分变化的凸点图，根据所述凸点图判断所述化合物中热力学稳定的化合物；
计算所述热力学稳定的化合物的声子谱，选择声子谱中不含有虚频的化合物，即为所述稳定存在的化合物。
在其中一个实施例中，所述目标玻璃包括激光玻璃、光学玻璃、生物玻璃、核技术玻璃、安全玻璃、器皿玻璃中的一种或多种。
本发明还提供一种预测三元玻璃体系性质的方法，包括以下步骤：
将目标玻璃的三个组成成分中任意两个进行组合，得到三个二元组成体系，根据所述的预测二元玻璃体系性质的方法分别对每个所述二元组成体系进行所述结构筛选，得到相应的每个所述二元组成体系中所述稳定存在的化合物；
将所述目标玻璃的所述三个组成成分进行组合，得到三元组成体系，确定所述三元组成体系中4种原子之间的比例，并基于第一性原理进行结构筛选，筛选出所述三元组成体系中4种原子能够形成的化合物；
将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较，确定所述三元组成体系中4种原子能够形成的化合物中稳定存在的化合物；
以所述三元组成体系中的组成成分为顶点绘制成分三角形，在所述成分三角形中标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物的坐标，以所有的所述稳定存在的化合物的坐标为顶点，根据最小面积原则划分三角区，得到三元玻璃体系组成图；
在所述三元玻璃体系组成图中找到所述目标玻璃对应的成分坐标，所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据三元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述三元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2+P3×L3，其中，P0为所述目标玻璃的性质，P1、P2、P3为所述目标玻璃的结构基因的性质，L1、L2、L3为所述目标玻璃的结构基因在所述目标玻璃中的含量。
在其中一个实施例中，将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较的步骤，包括：
以所述二元组成体系中的所述稳定存在的化合物为组分的端点构建所述三元组成体系中4种原子能够形成的化合物的形成能随组分变化的凸点图，根据所述凸点图判断所述化合物中热力学稳定的化合物；
计算所述热力学稳定的化合物的声子谱，选择声子谱中不含有虚频的化合物，即为所述稳定存在的化合物。
在其中一个实施例中，当所述三元组成体系中4种原子能够形成的化合物中没有所述稳定存在的化合物时，在所述成分三角形中仅标出所有所述二元组成体系中所述稳定存在的化合物。
在其中一个实施例中，当所述三元组成体系中4种原子能够形成的化合物中存在所述稳定存在的化合物时，在所述成分三角形中要标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物。
本发明还提供一种预测二元玻璃体系密度的方法，包括以下步骤：
基于第一性原理进行结构筛选，筛选出目标玻璃组成成分中每2种原子或3种原子之间能够形成的化合物，并计算得到所述化合物的形成能和声子谱；
分别比较所述化合物的所述形成能和声子谱，得出能够稳定存在的化合物；
以所述目标玻璃的组成原子为顶点绘制成分三角形，在所述成分三角形中标出所述稳定存在的化合物的坐标，得到二元玻璃体系组成图；
在所述二元玻璃体系组成图中找到所述目标玻璃的成分坐标，与所述成分坐标相邻的两个所述稳定存在的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据二元玻璃体系杠杆模型公式计算所述目标玻璃的密度，所述二元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2，其中，P0为所述目标玻璃的密度，P1、P2为所述目标玻璃的结构基因的密度，L1、L2为所述目标玻璃的结构基因在所述目标玻璃中的含量。
本发明还提供一种预测二元玻璃体系折射率的方法，包括以下步骤：
基于第一性原理进行结构筛选，筛选出目标玻璃组成成分中每2种原子或3种原子之间能够形成的化合物，并计算得到所述化合物的形成能和声子谱；
分别比较所述化合物的所述形成能和声子谱，得出能够稳定存在的化合物；
以所述目标玻璃的组成原子为顶点绘制成分三角形，在所述成分三角形中标出所述稳定存在的化合物的坐标，得到二元玻璃体系组成图；
在所述二元玻璃体系组成图中找到所述目标玻璃的成分坐标，与所述成分坐标相邻的两个所述稳定存在的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据二元玻璃体系杠杆模型公式计算所述目标玻璃的折射率，所述二元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2，其中，P0为所述目标玻璃的折射率，P1、P2为所述目标玻璃的结构基因的折射率，L1、L2为所述目标玻璃的结构基因在所述目标玻璃中的含量。
本发明还提供一种预测二元玻璃体系发光性质的方法，包括以下步骤：
基于第一性原理进行结构筛选，筛选出目标玻璃组成成分中每2种原子或3种原子之间能够形成的化合物，并计算得到所述化合物的形成能和声子谱；
分别比较所述化合物的所述形成能和声子谱，得出能够稳定存在的化合物；
以所述目标玻璃的组成原子为顶点绘制成分三角形，在所述成分三角形中标出所述稳定存在的化合物的坐标，得到二元玻璃体系组成图；
在所述二元玻璃体系组成图中找到所述目标玻璃的成分坐标，与所述成分坐标相邻的两个所述稳定存在的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据二元玻璃体系杠杆模型公式计算所述目标玻璃的发光性质，所述二元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2，其中，P0为所述目标玻璃的发光性质，P1、P2为所述目标玻璃的结构基因的发光性质，L1、L2为所述目标玻璃的结构基因在所述目标玻璃中的含量。
本发明还提供一种预测三元玻璃体系密度的方法，包括以下步骤：
将目标玻璃的三个组成成分中任意两个进行组合，得到三个二元组成体系，根据所述的预测二元玻璃体系性质的方法分别对每个所述二元组成体系进行所述结构筛选，得到相应的每个所述二元组成体系中所述稳定存在的化合物；
将所述目标玻璃的所述三个组成成分进行组合，得到三元组成体系，确定所述三元组成体系中4种原子之间的比例，并基于第一性原理进行结构筛选，筛选出所述三元组成体系中4种原子能够形成的化合物；
将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较，确定所述三元组成体系中4种原子能够形成的化合物中稳定存在的化合物；
以所述三元组成体系中的组成成分为顶点绘制成分三角形，在所述成分三角形中标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物的坐标，以所有的所述稳定存在的化合物的坐标为顶点，根据最小面积原则划分三角区，得到三元玻璃体系组成图；
在所述三元玻璃体系组成图中找到所述目标玻璃对应的成分坐标，所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据三元玻璃体系杠杆模型公式计算所述目标玻璃的密度，所述三元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2+P3×L3，其中，P0为所述目标玻璃的密度，P1、P2、P3为所述目标玻璃的结构基因的密度，L1、L2、L3为所述目标玻璃的结构基因在所述目标玻璃中的含量。
本发明还提供一种预测三元玻璃体系折射率的方法，包括以下步骤：
将目标玻璃的三个组成成分中任意两个进行组合，得到三个二元组成体系，根据所述的预测二元玻璃体系性质的方法分别对每个所述二元组成体系进行所述结构筛选，得到相应的每个所述二元组成体系中所述稳定存在的化合物；
将所述目标玻璃的所述三个组成成分进行组合，得到三元组成体系，确定所述三元组成体系中4种原子之间的比例，并基于第一性原理进行结构筛选，筛选出所述三元组成体系中4种原子能够形成的化合物；
将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较，确定所述三元组成体系中4种原子能够形成的化合物中稳定存在的化合物；
以所述三元组成体系中的组成成分为顶点绘制成分三角形，在所述成分三角形中标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物的坐标，以所有的所述稳定存在的化合物的坐标为顶点，根据最小面积原则划分三角区，得到三元玻璃体系组成图；
在所述三元玻璃体系组成图中找到所述目标玻璃对应的成分坐标，所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据三元玻璃体系杠杆模型公式计算所述目标玻璃的折射率，所述三元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2+P3×L3，其中，P0为所述目标玻璃的折射率，P1、P2、P3为所述目标玻璃的结构基因的折射率，L1、L2、L3为所述目标玻璃的结构基因在所述目标玻璃中的含量。
本发明还提供一种预测三元玻璃体系发光性质的方法，包括以下步骤：
将目标玻璃的三个组成成分中任意两个进行组合，得到三个二元组成体系，根据所述的预测二元玻璃体系性质的方法分别对每个所述二元组成体系进行所述结构筛选，得到相应的每个所述二元组成体系中所述稳定存在的化合物；
将所述目标玻璃的所述三个组成成分进行组合，得到三元组成体系，确定所述三元组成体系中4种原子之间的比例，并基于第一性原理进行结构筛选，筛选出所述三元组成体系中4种原子能够形成的化合物；
将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较，确定所述三元组成体系中4种原子能够形成的化合物中稳定存在的化合物；
以所述三元组成体系中的组成成分为顶点绘制成分三角形，在所述成分三角形中标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物的坐标，以所有的所述稳定存在的化合物的坐标为顶点，根据最小面积原则划分三角区，得到三元玻璃体系组成图；
在所述三元玻璃体系组成图中找到所述目标玻璃对应的成分坐标，所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据三元玻璃体系杠杆模型公式计算所述目标玻璃的发光性质，所述三元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2+P3×L3，其中，P0为所述目标玻璃的发光性质，P1、P2、P3为所述目标玻璃的结构基因的发光性质，L1、L2、L3为所述目标玻璃的结构基因在所述目标玻璃中的含量。
与现有方法相比，本发明具有如下优点：
(1)本发明将材料基因的研究理念应用于玻璃研究，创新性的提出了一种多尺度融合研发玻璃材料的方法，即从原子层面出发，基于密度泛函理论，首次提出原子-化合物-玻璃结构与性质结合的从微观到宏观的多尺度融合实现玻璃材料性质的定量研究。结合第一性原理结构筛选、绘制成分三角形得到玻璃体系组成图，利用玻璃体系组成图找到目标玻璃的结构基因，依据玻璃体系结构基因的性质，运用杠杆模型公式定量研究预测目标玻璃的性质，对功能玻璃、特种光纤及其光纤激光器的研发具有重要的意义。
(2)本发明中提出的多尺度融合方法，是从微观到宏观的方法，可实现二元、三元及其多元玻璃体系材料的快速按需设计，和传统靠实验试错法研究玻璃相比，存在实验周期短、成本低、效率高等优点。
(3)本发明根据第一性原理从原子角度出发寻找玻璃体系的结构基因，将玻璃体系组成图中目标玻璃的成分坐标相邻的两个稳定存在的化合物或所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元作为该目标玻璃体系的结构基因，通过找到的玻璃结构基因预测目标玻璃的性质，相比于以往通过所有氧化物加和方法，玻璃态化合物更接近玻璃母体的真实结构，含有与目标玻璃相同的配位多面体结构基团(结构基因)，能反映目标玻璃的结构和性质，能更准确的预测目标玻璃的密度、折射率和发光性能。
(4)本发明提供的预测玻璃性质的方法，根据第一性原理从原子角度出发绘制玻璃体系组成图，利用玻璃体系组成图寻找目标玻璃的结构基因，从而利用该玻璃体系结构基因预测玻璃的性质，解决了相图数据缺乏以及存在实验误差的玻璃体系如何预测玻璃性能的问题，能实现更大范围玻璃体系材料的更广泛、准确、高效的研发。
附图说明
图1为本发明实施例1的Li2O-GeO2二元玻璃体系稳定化合物相对形成能随组分变化的凸点图；
图2为本发明实施例1的Li2O-GeO2二元玻璃体系组成图；
图3为本发明实施例1和实施例2的Li2O-GeO2、Na2O-GeO2二元玻璃体系的密度和折射率的预测值与实验值的对比图；
图4为本发明实施例2的Na2O-GeO2二元玻璃体系组成图；
图5为本发明实施例3的GeO2-BaO-La2O3三元玻璃体系组成图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种预测多元玻璃体系性质的方法，包括以下步骤：
S01，依据多元玻璃体系组成成分确定结构搜索的原子种类；
S02，基于第一性原理进行结构筛选，筛选出各个所述原子之间相互作用能够形成的化合物；
S03，比较各个化合物的形成能和声子谱，得出稳定存在的化合物；
S04，依据所述稳定存在的化合物构建玻璃结构组成图，目标玻璃组成点临近的玻璃态化合物的微结构单元为玻璃的结构基因；
S05，根据多元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述多元玻璃体系杠杆模型公式为
其中，所述多元玻璃体系为n个组成成分，P0为所述目标玻璃的性质，Pi为所述目标玻璃的结构基因的性质，Li为所述目标玻璃的结构基因在所述目标玻璃中的含量。
本发明提供的预测多元玻璃体系性质的方法快速、高效，依据玻璃的近程有序特点，创新性的首次提出原子-化合物-玻璃的多尺度融合研发功能玻璃的构思，从微观到宏观预测玻璃体系的性质，即从原子层面出发，基于第一性原理寻找玻璃体系结构基因，通过玻璃体系结构基因和杠杆模型公式定量研究目标玻璃的性质，对功能玻璃、特种光纤及其光纤激光器的的快速、低成本、高效研发具有重大意义。
本发明中，所述多元玻璃体系由多个氧化物组成，所述组成成分为组成所述多元玻璃体系的氧化物，所述二元玻璃体系包括两个组成成分，所述三元玻璃体系包括三个组成成分，例如Li2O-GeO2二元玻璃体系组成成分为Li2O、GeO2，BaO-La2O3-GeO2三元玻璃体系组成成分为BaO、La2O3、GeO2。
本发明中，所述化合物包括多个不同的化合物，所述不同的化合物包括原子组成不同的化合物，还包括原子组成相同但结构不同的化合物。
本发明实施例提供一种预测二元玻璃体系性质的方法，包括以下步骤：
S10，基于第一性原理进行结构筛选，筛选出目标玻璃组成成分中每2种原子或3种原子之间能够形成的化合物，并计算得到所述化合物的形成能和声子谱；
S20，分别比较所述化合物的所述形成能和声子谱，得出能够稳定存在的化合物；
S30，以所述目标玻璃的组成原子为顶点绘制成分三角形，在所述成分三角形中标出所述稳定存在的化合物的坐标，得到二元玻璃体系组成图；
S40，在所述二元玻璃体系组成图中找到所述目标玻璃的成分坐标，与所述成分坐标相邻的两个所述稳定存在的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
S50，根据二元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述二元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2，其中，P0为所述目标玻璃的性质，P1、P2为所述目标玻璃的结构基因的性质，L1、L2为所述目标玻璃的结构基因在所述目标玻璃中的含量。
所述性质可以为力学性质、磁学性质、电学性质、发光性质、热学性质中的至少一种。在一实施例中，所述性质为密度、折射率、荧光半高度、有效线宽、吸收截面、峰值发射截面中的至少一种。
所述的第一性原理进行结构筛选是依据原子的属性即可得出所能形成的化合物，是一种从头算算法。
在一实施例中，所述基于第一性原理进行结构筛选为利用第一性原理结构筛选软件进行高通量结构筛选，例如CALYPSO、VASP。所述的高通量结构筛选是并发式进行的，有利于加快搜索效率。
在一实施例中，所述高通量结构筛选采用局域粒子群优化算法，每一代计算35至50个结构，共计算20至30代。
在一实施例中，所述高通量结构筛选还包括结构驰豫计算，结构驰豫的截断能为400ev至500ev，泛函采用广义梯度泛函(GGA)中的PBE泛函。
在一实施例中，所述基于第一性原理进行结构筛选之前还包括，步骤S00，根据所述目标玻璃组成成分的原子种类，确定每种原子结构筛选的个数范围。
在一实施例中，步骤S20中所述比较各个化合物的所述形成能和声子谱的步骤包括：
S22，构建所述计算得到所述化合物的形成能随组分变化的凸点图，根据所述凸点图判断所述化合物中热力学稳定的化合物；
S24，计算所述热力学稳定的化合物的声子谱，选择声子谱中不含有虚频的化合物(即动力学稳定的化合物)，即为所述稳定存在的化合物。
步骤S30中，所述成分三角形为根据多元相图的成分表示方法绘制的三角形，也可称为浓度三角形。过所述成分三角形中任意一点分别做各边的平行线，平行线在所述成分三角形各边截得的线段分别表示该点各组元的浓度或比例。所述坐标为特定组成的化合物在所述成分三角形中对应的点。步骤S40中，所述成分坐标即为目标玻璃的组成成分在所述成分三角形中对应的点。
在一实施例中，所述目标玻璃包括激光玻璃、光学玻璃、生物玻璃、核技术玻璃、安全玻璃、器皿玻璃中的一种或多种。
本发明实施例还提供一种预测三元玻璃体系性质的方法，包括以下步骤：
S100，将目标玻璃的三个组成成分中任意两个进行组合，得到三个二元组成体系，根据所述的寻找二元玻璃体系结构基因的方法分别对每个所述二元组成体系进行结构筛选，得到相应的每个所述二元组成体系中所述稳定存在的化合物；
S200，将所述目标玻璃的所述三个组成成分进行组合，得到三元组成体系，确定所述三元组成体系中4种原子之间的比例，并基于第一性原理进行结构筛选，筛选出所述三元组成体系中4种原子能够形成的化合物；
S300，将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较，确定所述三元组成体系中4种原子能够形成的化合物中稳定存在的化合物；
S400，以所述三元组成体系中的组成成分为顶点绘制成分三角形，在所述成分三角形中标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物的坐标，以所有的所述稳定存在的化合物的坐标为顶点，根据最小面积原则划分三角区，得到三元玻璃体系组成图；
S500，在所述三元玻璃体系组成图中找到所述目标玻璃对应的成分坐标，所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
S600,根据三元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述三元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2+P3×L3，其中，为P0为所述目标玻璃的性质，P1、P2、P3为所述目标玻璃的结构基因的性质，L1、L2、L3为所述目标玻璃的结构基因在所述目标玻璃中的含量。
在一实施例中，步骤S300，将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系组成图中的所述稳定存在的化合物的形成能和声子谱进行比较的步骤，包括：
S320，以所述二元组成体系组成图中的所述稳定存在的化合物为组分的端点构建所述三元组成体系中4种原子能够形成的化合物的形成能随组分变化的凸点图，根据所述凸点图判断所述化合物中热力学稳定的化合物；
S340，计算所述热力学稳定的化合物的声子谱，选择声子谱中不含有虚频的化合物，即为所述稳定存在的化合物。
在一实施例中，所述三元组成体系中4种原子能够形成的化合物中没有所述稳定存在的化合物，步骤S400，所述成分三角形中仅标出所有所述二元组成体系中所述稳定存在的化合物。
在一实施例中，所述三元组成体系中4种原子能够形成的化合物中含有所述稳定存在的化合物，步骤S400，所述成分三角形中要标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物。
本发明实施例提供的预测玻璃体系性质的方法，借鉴生物基因理念和材料基因工程研究方式寻找玻璃体系结构基因，采用高通量并行迭代方法替代传统试错法中的顺序迭代方法，逐步由“经验指导实验”向“理论预测和实验验证相结合”的材料研发模式转变，以实现“研发周期缩短一半、研发成本降低一半”的目标，加速新材料的“发现-开发-生产-应用”过程。
所述二元玻璃体系组成图和所述三元玻璃体系组成图，反映了玻璃的组成，玻璃组成点能在该图中一一对应，在所述二元玻璃体系组成图和所述三元玻璃体系组成图中，目标玻璃的所述成分坐标相邻的两个所述稳定存在的化合物或所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元即为该玻璃体系的结构基因。
所述玻璃体系的结构基因包含了目标玻璃相同的多面体配位情况，反映了玻璃的结构，并决定了玻璃的性质。玻璃体系的组成点能在所述玻璃体系组成图中一一对应。
锗酸盐玻璃由于拥有较好的中红外透过性、低声子能量和较高的稀土离子溶解度等优点而在中红外光纤激光器领域备受关注，以下实施例通过本发明提供的预测二元玻璃体系密度和折射率的方法来研究Li2O-GeO2、Na2O-GeO2玻璃体系。
实施例1Li2O-GeO2二元玻璃体系
目标玻璃为：xmol％Li2O-y mol％GeO2
设置Ge、Li、O中每个原子的个数范围，Ge原子个数为0-8，Li原子个数为0-8，O原子个数为1-10；
根据每两个或三个原子个数比，在第一性原理结构筛选软件CALYPSO进行结构筛选，结构演化采用局域粒子群优化算法，每一代产生35个结构；并通过第一性原理计算软件VASP对筛选出的结构进行结构驰豫，截断能为500ev，泛函采用广义梯度泛函(GGA)中的PBE泛函；得到能够形成的化合物：GeO2、Li2O·7GeO2、Li2O·4GeO2、3Li2O·8GeO2、Li2O·2GeO2和Li2O；
以及这些化合物的形成能。
基于所述化合物的形成能构建形成能随组分变化的凸点图，凸点图如图1所示根据所述凸点图判断所述化合物中热力学稳定的化合物为GeO2、Li2O·7GeO2、Li2O·4GeO2、Li2O·2GeO2和Li2O；
计算所述热力学稳定的化合物的声子谱，选择声子谱中不含有虚频的化合物，即为所述稳定存在的化合物，包括GeO2、Li2O·4GeO2、Li2O·2GeO2和Li2O；
以Ge、Li、O三个原子为顶点绘制成分三角形，在成分三角形中标出GeO2、Li2O·4GeO2、Li2O·2GeO2和Li2O的坐标，得到Li2O-GeO2二元玻璃体系组成图，如图2所示；
当x为25.7，y为74.3时，目标玻璃为25.7mol％Li2O-74.3mol％GeO2，在图2中找到目标玻璃的成分坐标，该坐标落在图2中的Li2O·2GeO2和Li2O·4GeO2之间，玻璃态的Li2O·2GeO2和Li2O·4GeO2即为25.7mol％Li2O-74.3mol％GeO2组成的玻璃的结构基因；
根据二元玻璃体系杠杆模型公式P0＝P1×L1+P2×L2计算上述目标玻璃的密度和折射率，P1为Li2O·2GeO2的密度或折射率，P2为Li2O·4GeO2的密度或折射率，通过实验得到Li2O-GeO2、Na2O-GeO2二元玻璃体系中各玻璃态化合物的密度与折射率，如表1所示。L1为Li2O·2GeO2在目标玻璃中的含量，L2为Li2O·4GeO2在目标玻璃中的含量，经计算L1为42.75，L2为57.25。将表中Li2O·2GeO2和Li2O·4GeO2的密度即P1、P2代入公式，计算得出P0＝3.8523，目标玻璃25.7mol％Li2O-74.3mol％GeO2的密度预测值为3.8612。同理，将表1中Li2O·4GeO2的折射率、Li2O·2GeO2的折射率作为P1、P2代入公式，计算得到目标玻璃25.7mol％Li2O-74.3mol％GeO2的折射率预测值为1.694。
表1
计算出当x，y取一系列不同值时，即各种组成的Li2O-GeO2二元玻璃体系的密度预测值和折射率预测值，并与实验得到的对应组成的Li2O-GeO2二元玻璃体系的密度和折射率进行对比，其结果如图3所示，从图3中可以看出根据上述方法计算得到的Li2O-GeO2二元玻璃体系的密度预测值和折射率预测值与实验值相比，相对误差在5％以内，证明所述预测二元玻璃体系密度和折射率的方法是有效的。玻璃的密度由排水法测试，折射率由Metricon2010型棱镜耦合仪测得。
实施例2Na2O-GeO2二元玻璃体系
目标玻璃为：xmol％Na2O-y mol％GeO2
预测Na2O-GeO2二元玻璃体系密度和折射率的方法与实施例1基本相同，只是玻璃体系不同，其玻璃体系组成图如图4所示。
计算出当x，y取一系列不同值时，即各种组成的Na2O-GeO2二元玻璃体系的密度预测值和折射率预测值，并与实验得到的对应组成的Na2O-GeO2二元玻璃体系的密度和折射率进行对比，其结果如图3所示，从图3中可以看出根据上述方法计算得到的Na2O-GeO2二元玻璃体系的密度预测值和折射率预测值与实验值相比，相对误差在5％以内，证明所述预测二元玻璃体系密度和折射率的方法是有效的。玻璃的密度由排水法测试，折射率由Metricon2010型棱镜耦合仪测得。
实施例3GeO2-BaO-La2O3三元玻璃体系
目标玻璃：xmol％GeO2-ymol％BaO-zmol％La2O3(x≥56mol％，y≤50mol％，z≤20mol％)
GeO2-BaO-La2O3玻璃体系是重要的锗酸盐玻璃基质材料，锗酸盐玻璃由于拥有较好的中红外透过性、低声子能量和较高的稀土离子溶解度等优点而在中红外光纤激光器领域备受关注，是一种重要的激光玻璃材料。以下实施例通过所述预测三元玻璃体系性质的方法来研究GeO2-BaO-La2O3玻璃体系。
将组成成分GeO2、BaO和La2O3中的任意两个进行组合，得到GeO2-BaO二元组成体系、GeO2-La2O3二元组成体系、BaO-La2O3二元组成体系；按照步骤S00-S40分别得到GeO2-BaO二元组成体系中所述稳定存在的化合物，包括GeO2、BaO·4GeO2、BaO·GeO2、2BaO·GeO2、BaO；GeO2-La2O3二元组成体系中所述稳定存在的化合物，包括La2O3、La2O3·GeO2；BaO-La2O3二元组成体系中无所述稳定存在的化合物；
将组成成分GeO2、BaO和La2O3进行组合，得到GeO2-BaO-La2O3三元组成体系，该三元组成体系的4种原子中，确定结构筛选的范围为Ge：1-5、Ba:1-5、La:1-5、O:1-10，并利用第一性原理结构筛选软件和计算软件进行高通量结构筛选，筛选出Ge、Ba、La、O这4种原子能够形成的化合物并计算其形成能和声子谱。
将Ge、Ba、La、O这4种原子能够形成的化合物的形成能和声子谱与GeO2、BaO·4GeO2、BaO·GeO2、2BaO·GeO2、BaO、La2O3、La2O3·GeO2的形成能和声子谱进行比较，根据比较结果，Ge、Ba、La、O这4种原子能够形成的化合物中没有能够稳定存在的化合物；
以GeO2、BaO和La2O3为顶点绘制成分三角形，在成分三角形中标出所有能够稳定存在的化合物的坐标(A:GeO2、B:BaO·4GeO2、C:BaO·GeO2、D:2BaO·GeO2、E:BaO、F:La2O3、G:La2O3·GeO2)，以A、B、C、D、E、F、G为顶点，根据最小面积原则划分三角区，得到三元玻璃体系组成图，如图5所示。
当x为70，y为20，z为10时，即目标玻璃1为70mol％GeO2-20mol％BaO-10mol％La2O3，在图5中找到目标玻璃1的成分坐标，该坐标落在△BCG内，目标玻璃的结构基因为玻璃态的BaO·4GeO2、BaO·GeO2和La2O3·GeO2。
根据三元玻璃体系杠杆模型公式P0＝P1×L1+P2×L2+P3×L3计算上述目标玻璃的密度，P1为BaO·4GeO2的密度，P2为BaO·GeO2的密度，P3为La2O3·GeO2的密度，通过实验得到GeO2-BaO-La2O3三元玻璃体系中各玻璃态化合物的密度如表2所示，通过表2可知，P1为5.15g/cm3，P2为5.06g/cm3，P3为5.88g/cm3；L1为BaO·4GeO2在目标玻璃中的含量，通过计算为66.67％；L2为BaO·GeO2在目标玻璃中的含量，通过计算为13.33％；L3为La2O3·GeO2在目标玻璃中的含量，通过计算为20％；将各数值带入公式P0＝5.15g/cm3×66.67％+5.06g/cm3×13.33％+5.88g/cm3×20％＝5.231g/cm3。
表2
计算出当x，y，z取一系列不同值时，即各种组成的GeO2-BaO-La2O3三元玻璃体系的密度预测值，并与实验得到的对应组成的GeO2-BaO-La2O3三元玻璃体系的密度进行对比并计算其相对误差，其结果如表3所示，从表3中可以看出根据上述方法计算得到的玻璃体系的预测值与实验值相比，相对误差在5％以内，证明所述预测三元玻璃体系密度的方法是有效的。
表3
基于上述对密度的预测方法，将密度替换为折射率，同样可以有效的预测各组成的GeO2-BaO-La2O3三元玻璃体系的折射率。玻璃的密度由排水法测试，折射率由Metricon2010型棱镜耦合仪测得。
实施例4
目标玻璃：x mol％GeO2-y mol％BaO-z mol％La2O3-(1-x-y-z)Tm2O3(x≥56mol％，y≤50mol％，z≤20mol％)
Tm3+掺杂的锗酸盐玻璃，xGeO2-yBaO-zLa2O3-(1-x-y-z)Tm2O3(x≥56mol％，y≤50mol％，z≤20mol％)玻璃是一种重要的激光玻璃材料。通过所述预测三元玻璃体系性质的方法来研究Tm3+掺杂的xGeO2-yBaO-zLa2O3玻璃的发光性质。所述发光性质是Tm3+离子的3F4→3H6能级跃迁的发光性质，包括玻璃中稀土离子：Tm3+离子的3F4→3H6跃迁的荧光半高宽、有效线宽、峰值发射截面，还有Tm3+离子在790nm的吸收截面，1610nm的吸收截面。
Tm2O3作为掺杂成分，xGeO2-yBaO-zLa2O3-(1-x-y-z)Tm2O3玻璃体系相当于GeO2-BaO-La2O3三元玻璃体系，基于实施例3相同的方法得到xmol％GeO2-y mol％BaO-z mol％L12O3-(1-x-y-z)Tm2O3玻璃体系组成图，即图5。同样的，基于相同的方法找到目标玻璃的结构基因。目标玻璃2为69.2mol％GeO2-10mol％BaO-20mol％La2O3-0.8mol％Tm2O3的结构基因为玻璃态的GeO2、BaO·4GeO2、La2O3·GeO2。
根据三元玻璃体系杠杆模型公式P0＝P1×L1+P2×L2+P3×L3计算上述目标玻璃的发光性质，P1为GeO2的发光性质，P2为BaO·4GeO2的发光性质，P3为La2O3·GeO2的发光性质，L1为GeO2在目标玻璃中的含量，通过计算为9.2％；L2为BaO·4GeO2在目标玻璃中的含量，通过计算为50％；L3为La2O3·GeO2在目标玻璃中的含量，通过计算为40％；通过实验得到Tm2O3掺杂的GeO2-BaO-La2O3三元玻璃体系中各玻璃态化合物的发光性质，荧光半高度、有效线宽、790吸收截面、1610吸收截面、峰值发射截面如表4所示，将表4中各玻璃态化合物的发光性质的数据带入公式，计算得到69.2mol％GeO2-10mol％BaO-20mol％La2O3-0.8mol％Tm2O3玻璃体系的荧光半高度、有效线宽、790nm的吸收截面、1610nm的吸收截面、峰值发射截面。
表4
同样的，基于相同的方法计算出当x，y，z取一系列不同值时，即各种组成的xmol％GeO2-y mol％BaO-z mol％La2O3-(1-x-y-z)Tm2O3玻璃体系的发光性质，并与实验得到的对应组成的玻璃的发光性质进行比较，计算相对误差，结果如表5和表6所示，从表5和表6中可以看出根据上述方法计算得到的玻璃体系的预测值与实验值相比，相对误差在11％以内，证明所述预测三元玻璃体系发光性质的方法是有效的。
表5
表6
表5和表6中实验值由实验测试获得，将熔融冷却制备得到的玻璃样品打磨抛光加工为20mm×10mm×1.5mm尺寸用于光谱测试，用Perkin-ElmerL1mbda900UV/VIS/NIR型分光光度仪测量吸收光谱，在808抽运下采用TRIAX320型荧光光谱仪(J-Y公司，法国)测试荧光光谱。稀土离子的寿命由示波器探测荧光强度信号随时间的变化获得，荧光寿命为荧光强度衰减到最高强度的e-1时所经历的时间。所有的测试均在室温下进行。在测试的基础上，有效线宽的计算公式为：
公式中，Δλeff为有效线宽，Imax为发射光谱中光强最大值，Ι(λ)dλ为光强和波长的乘积。荧光半高宽可直接由发射光谱得到。在吸收光谱的基础上，利用比尔-朗伯方程计算吸收截面，计算公式为：
其中，lg(I0/I)为光波长为一定时的吸收率(也称光密度)，N为玻璃中稀土离子浓度，l为玻璃的厚度。峰值发射截面的计算公式为：
其中，λp是峰值波长，c是真空中的光速(3×108)，n是玻璃折射率，Δλeff是有效线宽，A是辐射跃迁的概率，A由Judd-Ofelt理论计算得出。
实施例5Na2O-MgO-P2O5三元玻璃体系
预测Na2O-MgO-P2O5三元玻璃体系的密度和折射率，方法与实施例3基本相同，只是玻璃体系不同，玻璃体系的预测值与实验值相比，相对误差在5％以内，证明所述预测三元玻璃体系密度和折射率的方法是有效的。
实施例6TeO2-BaO-Li2O三元玻璃体系
预测TeO2-BaO-Li2O三元玻璃体系的密度和折射率，方法与实施例3基本相同，只是玻璃体系不同，玻璃体系的预测值与实验值相比，相对误差在5％以内，证明所述预测三元玻璃体系密度和折射率的方法是有效的。
实施例7SiO2-B2O3-Al2O3三元玻璃体系
预测SiO2-B2O3-Al2O3三元玻璃体系的密度和折射率，方法与实施例3基本相同，只是玻璃体系不同，玻璃体系的预测值与实验值相比，相对误差在5％以内，证明所述预测三元玻璃体系密度和折射率的方法是有效的。
本发明提供预测二元及三元玻璃体系性质的方法可推广至四元、五元甚至更多组分玻璃体系，例如SiO2-B2O3-CaO-Al2O3玻璃体系。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种预测多元玻璃体系性质的方法，其特征在于，包括以下步骤：
依据多元玻璃体系组成成分确定结构搜索的原子种类；
基于第一性原理进行结构筛选，筛选出各个所述原子之间相互作用能够形成的化合物；
比较各个化合物的形成能和声子谱，得出稳定存在的化合物；
依据所述稳定存在的化合物构建玻璃结构组成图，目标玻璃组成点临近的玻璃态化合物的微结构单元为玻璃的结构基因；
根据多元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述多元玻璃体系杠杆模型公式为
其中，所述多元玻璃体系为n个组成成分，P0为所述目标玻璃的性质，Pi为所述目标玻璃的结构基因的性质，Li为所述目标玻璃的结构基因在所述目标玻璃中的含量。
2.一种预测二元玻璃体系性质的方法，其特征在于，包括以下步骤：
基于第一性原理进行结构筛选，筛选出目标玻璃组成成分中每2种原子或3种原子之间能够形成的化合物，并计算得到所述化合物的形成能和声子谱；
分别比较所述化合物的所述形成能和声子谱，得出能够稳定存在的化合物；
以所述目标玻璃的组成原子为顶点绘制成分三角形，在所述成分三角形中标出所述稳定存在的化合物的坐标，得到二元玻璃体系组成图；
在所述二元玻璃体系组成图中找到所述目标玻璃的成分坐标，与所述成分坐标相邻的两个所述稳定存在的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据二元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述二元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2，其中，P0为所述目标玻璃的性质，P1、P2为所述目标玻璃的结构基因的性质，L1、L2为所述目标玻璃的结构基因在所述目标玻璃中的含量。
3.根据权利要求2所述的预测二元玻璃体系性质的方法，其特征在于，所述性质为力学性质、磁学性质、电学性质、发光性质、热学性质中的至少一种。
4.根据权利要求2所述的预测二元玻璃体系性质的方法，其特征在于，所述性质为密度、折射率、荧光半高度、有效线宽、吸收截面、峰值发射截面中的至少一种。
5.根据权利要求2所述的预测二元玻璃体系性质的方法，其特征在于，所述基于第一性原理进行结构筛选为利用第一性原理结构筛选软件进行高通量结构筛选。
6.根据权利要求5所述的预测二元玻璃体系性质的方法，其特征在于，所述高通量结构筛选采用局域粒子群优化算法，每一代计算35至50个结构，共计算20至30代。
7.根据权利要求5所述的预测二元玻璃体系性质的方法，其特征在于，所述高通量结构筛选还包括结构驰豫计算，结构驰豫的截断能为400ev至500ev，泛函采用广义梯度泛函中的PBE泛函。
8.根据权利要求2所述的预测二元玻璃体系性质的方法，其特征在于，所述基于第一性原理进行结构筛选之前还包括，根据所述目标玻璃组成成分的原子种类，确定每种原子的个数范围。
9.根据权利要求2所述的预测二元玻璃体系性质的方法，其特征在于，所述分别比较所述化合物的所述形成能和声子谱的步骤包括：
构建所述计算得到所述化合物的形成能随组分变化的凸点图，根据所述凸点图判断所述化合物中热力学稳定的化合物；
计算所述热力学稳定的化合物的声子谱，选择声子谱中不含有虚频的化合物，即为所述稳定存在的化合物。
10.根据权利要求2所述的预测二元玻璃体系性质的方法，其特征在于，所述目标玻璃包括激光玻璃、光学玻璃、生物玻璃、核技术玻璃、安全玻璃、器皿玻璃中的一种或多种。
11.一种预测三元玻璃体系性质的方法，其特征在于，包括以下步骤：
将目标玻璃的三个组成成分中任意两个进行组合，得到三个二元组成体系，根据权利要求2-10任一项所述的预测二元玻璃体系性质的方法分别对每个所述二元组成体系进行所述结构筛选，得到相应的每个所述二元组成体系中所述稳定存在的化合物；
将所述目标玻璃的所述三个组成成分进行组合，得到三元组成体系，确定所述三元组成体系中4种原子之间的比例，并基于第一性原理进行结构筛选，筛选出所述三元组成体系中4种原子能够形成的化合物；
将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较，确定所述三元组成体系中4种原子能够形成的化合物中稳定存在的化合物；
以所述三元组成体系中的组成成分为顶点绘制成分三角形，在所述成分三角形中标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物的坐标，以所有的所述稳定存在的化合物的坐标为顶点，根据最小面积原则划分三角区，得到三元玻璃体系组成图；
在所述三元玻璃体系组成图中找到所述目标玻璃对应的成分坐标，所述成分坐标落在的所述三角区的三个顶点代表的化合物对应的玻璃态化合物微结构单元即为所述目标玻璃的结构基因；
根据三元玻璃体系杠杆模型公式计算所述目标玻璃的性质，所述三元玻璃体系杠杆模型公式为P0＝P1×L1+P2×L2+P3×L3，其中，P0为所述目标玻璃的性质，P1、P2、P3为所述目标玻璃的结构基因的性质，L1、L2、L3为所述目标玻璃的结构基因在所述目标玻璃中的含量。
12.根据权利要求11所述的预测三元玻璃体系性质的方法，其特征在于，将所述三元组成体系中4种原子能够形成的化合物的形成能和声子谱与所述二元组成体系中的所述稳定存在的化合物的形成能和声子谱进行比较的步骤，包括：
以所述二元组成体系中的所述稳定存在的化合物为组分的端点构建所述三元组成体系中4种原子能够形成的化合物的形成能随组分变化的凸点图，根据所述凸点图判断所述化合物中热力学稳定的化合物；
计算所述热力学稳定的化合物的声子谱，选择声子谱中不含有虚频的化合物，即为所述稳定存在的化合物。
13.根据权利要求11所述的预测三元玻璃体系性质的方法，其特征在于，当所述三元组成体系中4种原子能够形成的化合物中没有所述稳定存在的化合物时，在所述成分三角形中仅标出所有所述二元组成体系中所述稳定存在的化合物。
14.根据权利要求11所述的预测三元玻璃体系性质的方法，其特征在于，当所述三元组成体系中4种原子能够形成的化合物中存在所述稳定存在的化合物时，在所述成分三角形中要标出所有所述二元组成体系中所述稳定存在的化合物和所有所述三元组成体系中所述稳定存在的化合物。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910566855.3A CN110364231B (zh) | 2019-06-27 | 2019-06-27 | 预测玻璃体系性质的方法 |
| US16/764,406 US20210407628A1 (en) | 2019-06-27 | 2019-07-25 | Method for performance prediction of glass system |
| PCT/CN2019/097785 WO2020258433A1 (zh) | 2019-06-27 | 2019-07-25 | 预测玻璃体系性质的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910566855.3A CN110364231B (zh) | 2019-06-27 | 2019-06-27 | 预测玻璃体系性质的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110364231A CN110364231A (zh) | 2019-10-22 |
| CN110364231B true CN110364231B (zh) | 2020-03-10 |
Family
ID=68217161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910566855.3A Active CN110364231B (zh) | 2019-06-27 | 2019-06-27 | 预测玻璃体系性质的方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210407628A1 (zh) |
| CN (1) | CN110364231B (zh) |
| WO (1) | WO2020258433A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648727B (zh) * | 2019-10-30 | 2021-09-21 | 华南理工大学 | 一种特定物理性能的玻璃材料的制备方法 |
| CN112052556B (zh) * | 2020-07-28 | 2021-06-04 | 华南理工大学 | 一种宽带激光玻璃的配方设计方法 |
| CN115073171B (zh) * | 2022-06-29 | 2023-08-08 | 清华大学深圳国际研究生院 | 一种适用于光固化成型加工的ltcc生料带材料、ltcc基板及其制备方法和应用 |
| CN117497087B (zh) * | 2023-12-20 | 2024-04-26 | 浙江大学 | 一种基于可解释的高维空间预测模型的氧化物玻璃性能预测方法 |
| CN117854656B (zh) * | 2024-03-07 | 2024-05-10 | 四川大学 | 一种定量添加广谱吸收剂优化光子玻璃饱和度的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101443048A (zh) * | 2004-04-20 | 2009-05-27 | 德瑞迪克纳米科技公司 | 具有增强的扩增性和内部官能度的树枝状聚合物 |
| CN102841081A (zh) * | 2012-08-30 | 2012-12-26 | 湖南科技大学 | 有色金属矿区土-水界面污染流中各重金属分布预测方法 |
| CN103710647B (zh) * | 2013-12-30 | 2015-12-02 | 河海大学常州校区 | 一种基于热力学因素和结构因素的非晶合金成分设计方法 |
| CN105911037A (zh) * | 2016-04-19 | 2016-08-31 | 湖南科技大学 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10307451B2 (en) * | 2010-02-15 | 2019-06-04 | Sinoveda Canada Inc. | Phytoestrogen product of red clover and pharmaceutical uses thereof |
| CN106339517B (zh) * | 2015-07-09 | 2019-12-10 | 中国科学院微电子研究所 | 一种预测表面活性剂热力学性质的方法及系统 |
| CN108009397B (zh) * | 2017-12-01 | 2020-01-17 | 中南大学 | 预测锂离子电池材料电化学性能的仿真方法、装置及设备 |
| CN108960493B (zh) * | 2018-06-22 | 2022-04-12 | 中材科技股份有限公司 | 玻璃材料性能的预测模型建立及预测方法、装置 |
| CN109300514B (zh) * | 2018-09-17 | 2020-01-14 | 华南理工大学 | 一种采用玻璃材料基因方法预测激光玻璃性能的方法 |
-
2019
- 2019-06-27 CN CN201910566855.3A patent/CN110364231B/zh active Active
- 2019-07-25 WO PCT/CN2019/097785 patent/WO2020258433A1/zh active Application Filing
- 2019-07-25 US US16/764,406 patent/US20210407628A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101443048A (zh) * | 2004-04-20 | 2009-05-27 | 德瑞迪克纳米科技公司 | 具有增强的扩增性和内部官能度的树枝状聚合物 |
| CN102841081A (zh) * | 2012-08-30 | 2012-12-26 | 湖南科技大学 | 有色金属矿区土-水界面污染流中各重金属分布预测方法 |
| CN103710647B (zh) * | 2013-12-30 | 2015-12-02 | 河海大学常州校区 | 一种基于热力学因素和结构因素的非晶合金成分设计方法 |
| CN105911037A (zh) * | 2016-04-19 | 2016-08-31 | 湖南科技大学 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020258433A1 (zh) | 2020-12-30 |
| US20210407628A1 (en) | 2021-12-30 |
| CN110364231A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110364231B (zh) | 预测玻璃体系性质的方法 | |
| CN109300514B (zh) | 一种采用玻璃材料基因方法预测激光玻璃性能的方法 | |
| Ravinder et al. | Deep learning aided rational design of oxide glasses | |
| Conduit et al. | Probabilistic neural network identification of an alloy for direct laser deposition | |
| Li et al. | Ab initio molecular dynamics of CdSe quantum-dot-doped glasses | |
| JP2021043959A (ja) | 作製評価システム、作製評価方法及びプログラム | |
| Ghazaryan et al. | Statistical analysis of roAp, He-weak, and He-rich stars | |
| Fakhri et al. | Prediction of Mixed-mode I and II effective fracture toughness of several types of concrete using the extreme gradient boosting method and metaheuristic optimization algorithms | |
| WO2015145978A1 (ja) | エネルギー量推定装置、エネルギー量推定方法、及び、記録媒体 | |
| Fialho et al. | Optimizing architectural and structural aspects of buildings towards higher energy efficiency | |
| Stevensson et al. | The structural roles of Sc and Y in aluminosilicate glasses probed by molecular dynamics simulations | |
| Zhang et al. | Physics-informed machine learning with high-throughput design module for evaluating rupture life and guiding design of oxide/oxide ceramic matrix composites | |
| Maruyama et al. | Artificial intelligence for materials research at extremes | |
| WO2018009090A1 (ru) | Компьютерно реализуемый способ поиска кристаллических структур | |
| Docenko et al. | High resolution spectroscopy and potential determination of the (3) Π1 state of NaCs | |
| Bai et al. | Enlarging dynamic and momentum aperture by particle swarm optimization | |
| KR20150010103A (ko) | 전하 상태에 따른 분자 오비탈 분포 특성의 정량적 비교 분석 방법 및 이를 이용한 시스템 | |
| Zarei et al. | Optimal design of a biofuel supply chain using an augmented multi-objective and TOPSIS method | |
| Tan et al. | A deep learning framework for predictions of excited state properties of light emissive molecules | |
| CN115146512A (zh) | 一种以增材制造构件服役性能为驱动的材料多次迭代混合设计方法 | |
| CN112052556B (zh) | 一种宽带激光玻璃的配方设计方法 | |
| Dong et al. | Predicting and optimizing the physical and spectroscopic properties of phosphate laser glasses using a phase diagram approach | |
| WO2020258612A1 (zh) | 寻找玻璃结构基因的方法 | |
| Yoon et al. | Simulating gravity-Assisted loading of laser-cooled atoms into a hollow-core photonic-bandgap fiber | |
| Zhang et al. | Revolutionizing Solid‐State NASICON Sodium Batteries: Enhanced Ionic Conductivity Estimation through Multivariate Experimental Parameters Leveraging Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |