• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于遷移學習的鈣鈦礦材料帶隙預測*

    2023-11-24 05:06:36孫濤袁健美2
    物理學報 2023年21期
    關鍵詞:帶隙鈣鈦礦集上

    孫濤 袁健美2)?

    1) (湘潭大學數(shù)學與計算科學學院,湘潭 411105)

    2) (湘潭大學,智能計算與信息處理教育部重點實驗室,湘潭 411105)

    針對快速獲取鈣鈦礦材料帶隙值的問題,建立特征融合神經(jīng)網(wǎng)絡模型(CGCrabNet),利用遷移學習策略對鈣鈦礦材料的帶隙進行預測.CGCrabNet 從材料的化學方程式和晶體結構兩方面提取特征,并擬合特征和帶隙之間的映射,是一個端到端的神經(jīng)網(wǎng)絡模型.在開放量子材料數(shù)據(jù)庫中數(shù)據(jù)(OQMD 數(shù)據(jù)集)預訓練的基礎上,通過僅175 條鈣鈦礦材料數(shù)據(jù)對CGCrabNet 參數(shù)進行微調(diào),以提高模型的穩(wěn)健性.數(shù)值實驗結果表明,CGCrabNet 在OQMD 數(shù)據(jù)集上對帶隙的預測誤差比基于注意力的成分限制網(wǎng)絡(CrabNet)降低0.014 eV;本文建立的模型對鈣鈦礦材料預測的平均絕對誤差為0.374 eV,分別比隨機森林回歸、支持向量機回歸和梯度提升回歸的預測誤差降低了0.304 eV、0.441 eV 和0.194 eV;另外,模型預測的SrHfO3 和RbPaO3 等鈣鈦礦材料的帶隙與第一性原理計算的帶隙相差小于0.05 eV,這說明CGCrabNet 可以快速準確地預測鈣鈦礦材料的性質(zhì),加速新材料的研發(fā)過程.

    1 引言

    近年來,隨著密度泛函理論的不斷完善和計算機計算能力的逐漸提升,第一性原理高通量計算在預測新材料和優(yōu)化材料性質(zhì)等方面取得較大的發(fā)展[1].然而,基于第一性原理計算在快速計算時的準確性是有限的,在需要獲取高精度的計算結果的時候,利用該方法所需要的計算量是很大的,巨大的計算量成為了高通量計算的瓶頸.對此,尋找一種更快、消耗計算量更少的方式來預測新材料的屬性,則可加快新材料的研發(fā)過程.近年來,隨著機器學習技術的發(fā)展,可以有效地對數(shù)據(jù)和目標標簽之間復雜的非線性關系進行建模,已經(jīng)被廣泛應用到材料信息學中[2].

    2018 年,Xie 和Grossman[3]提出了一種晶體圖卷積神經(jīng)網(wǎng)絡(crystal graph convolutional neural networks,CGCNN),預測了帶隙等多種晶體材料的性質(zhì),并且預測的平均絕對誤差要低于或接近基于密度泛函理論(Density functional theory,DFT)的方法.2019 年,Chen等[4]提出了一種通用的材料圖網(wǎng)絡(MatErials graph network,MEG Net) 來預測分子和晶體的性質(zhì).在QM9 分子數(shù)據(jù)集上對13 個分子屬性進行測試,提高了對大部分分子屬性的預測精度.2020 年,Karamad等[5]提出一種軌道圖卷積神經(jīng)網(wǎng)絡(orbital graph convolutional neural network,OGCNN),在CGCNN 模型的基礎上加入了原子軌道相互作用特征,在多個晶體材料數(shù)據(jù)庫上驗證模型的性能,證明了模型具有高精度的晶體性質(zhì)預測能力.

    對于缺乏材料結構信息的數(shù)據(jù)集,研究人員嘗試不利用材料的結構信息,通過其他的材料信息如元素組成等對材料性質(zhì)進行預測.2018 年,Jha等[6]提出一種僅通過元素組成來預測材料化學性質(zhì)的深度學習模型ElemNet.在OQMD 數(shù)據(jù)庫構成的數(shù)據(jù)集上對每個材料化合物的最低形成焓進行預測,能夠以較快的速度和較高的精度預測材料性質(zhì).2020 年,Goodall 和Lee[7]提出一種從化學計量比中深度表征學習方法Roost,它將化學計量式視為元素之間的密集加權圖,利用消息傳遞操作在組成材料的各元素之間傳遞信息,從而更新元素的組成.通過在OQMD 數(shù)據(jù)庫和MP 數(shù)據(jù)庫構成的數(shù)據(jù)集上進行實驗測試,發(fā)現(xiàn)Roost 可以有效地對缺少晶體材料結構的數(shù)據(jù)進行性質(zhì)預測任務.2021 年,Wang等[8]提出一種基于注意力的成分限制網(wǎng)絡(compositionally restricted attention-based network,CrabNet),在28 個基準數(shù)據(jù)集上進行測試,大多數(shù)的預測精度都與其他方法接近或更高.

    鈣鈦礦材料的化學通式為ABX3,是一類結構相似的化合物的總稱.鈣鈦礦材料具有合適的且可調(diào)的帶隙寬度等優(yōu)良的性質(zhì),是太陽能電池、光催化材料和熱電器件等領域的候選材料[9].帶隙是一個重要的物理性質(zhì),它一開始就劃定了該材料的應用范圍.Guo 和Lin[10]利用機器學習模型,預測了無鉛雙鈣鈦礦鹵化物的帶隙性質(zhì).Gao等[11]利用梯度提升回歸算法從5796 種無機雙鈣鈦礦材料中篩選帶隙合適的材料,得到K2NaInI6和Na2MgMnI6兩種候選材料,并且DFT 計算證實了熱穩(wěn)定性和良好的光學性能.對鈣鈦礦材料的帶隙快速預測可以減小候選材料的搜索空間,加快新材料的研發(fā)過程.

    本文構建了一個深度學習模型CGCrabNet用于研究鈣鈦礦材料的帶隙性質(zhì).該模型通過輸入化學式和結構信息,使材料的帶隙值作為模型輸出,通過反向傳播算法更新模型參數(shù).首先在OQMD數(shù)據(jù)集中預訓練了CGCrabNet 模型,并且與其他深度學習帶隙預測模型進行比較.其次將預訓練的CGCrabNet 模型在鈣鈦礦材料數(shù)據(jù)集上進行微調(diào).最后,將本文建立的深度學習模型用于對鈣鈦礦材料的帶隙進行預測,并與隨機森林回歸、支持向量回歸和梯度提升回歸的預測結果進行對比分析.

    2 特征融合神經(jīng)網(wǎng)絡模型

    2.1 模型架構介紹

    本文建立了一種基于化學式和晶體結構作為原始輸入的特征融合神經(jīng)網(wǎng)絡模型,簡稱為CG CrabNet 模型.模型的數(shù)學表達式為

    其中z為帶隙值,f表示神經(jīng)網(wǎng)絡模型,x1∈表示元素信息矩陣,x2∈表示原子占比矩陣,Nf表示化學式中元素種類數(shù),y1∈Rp×I表示節(jié)點特征,每個節(jié)點的特征由One-Hot 編碼表示,y2表示相鄰節(jié)點信息,p表示晶體圖中節(jié)點總數(shù),I表示節(jié)點特征維度,θ表示模型參數(shù).

    CGCrabNet 模型對化學式信息的特征提取模塊參考CrabNet 模型[8]構建.模型輸入的化學式用于構造元素信息矩陣x1和原子占比矩陣x2,其中元素信息矩陣是由組成化學式的所有元素的原子序數(shù)構成的,原子占比矩陣是由化學式中每個元素對應原子數(shù)占晶體總原子數(shù)的比例分數(shù)構成的.例如SiO2的元素信息矩陣為 [8 14]T,原子占比矩陣為 [0.67 0.33]T.

    對于元素信息矩陣,使用元素嵌入將原子序數(shù)表示成固定維度的向量,向量維度取決于通過測試確定的元素嵌入方法.對于原子占比矩陣,通過分數(shù)編碼將其表示為一個dm維的向量.分數(shù)編碼靈感來源于Vaswani等[12]提出的位置編碼器,是將一個0 到1 之間的分數(shù)表示成一個固定維度向量的過程.元素特征構造中的全連接層的作用是進行維度變換,使其可以和分數(shù)編碼后的向量相加,得到化學式中每個元素的元素特征向量.然后將元素特征向量經(jīng)過N個多頭注意力機制,多頭注意力機制的頭數(shù)用n表示,這樣可以使化學式的每個元素特征向量都包含化學式中其他元素信息.最后在多頭注意力機制后連接一個全連接殘差網(wǎng)絡,用來得到化學式中所有元素的元素原貢獻向量p、元素不確定性向量u和元素對數(shù)向量l,通過(2)式和(3)式來計算z1和偶然不確定性S:

    對于輸入的晶體結構,將其轉化成晶體圖數(shù)據(jù),包括節(jié)點特征y1和相鄰節(jié)點信息y2.首先由節(jié)點嵌入層將每個節(jié)點i的One-Hot 特征變成一個連續(xù)、密集的分布式特征向量vi.然后考慮相鄰節(jié)點信息y2,利用圖卷積層通過非線性圖卷積函數(shù)迭代更新原子特征向量vi,更新公式為

    接下來,圖池化層用于生成晶體的整體特征向量vc,如下所示:

    其中κ(x)=ln(1+ex),M表示晶體圖中節(jié)點個數(shù).最后將其輸入到由全連接層組成的全連接網(wǎng)絡中,就可以得到z2.

    CGCrabNet 模型架構如下圖1 所示.CGCrab Net 模型將基于成分網(wǎng)絡得到的z1和基于結構網(wǎng)絡得到的z2加權求和,如(6)式所示,即為目標晶體性質(zhì):

    圖1 CGCrabNet 模型算法Fig.1.CGCrabNet model algorithm.

    其中w1+w2=1.

    2.2 訓練方式

    在CGCrabNet 模型訓練過程中,需要一個合適的損失函數(shù)來衡量模型輸出值和真實值之間的差異.在建立損失函數(shù)的過程中,這里主要考慮偶然不確定性,并且假設偶然不確定性是異方差的,即不確定性取決于模型的輸入,不同的輸入對應的噪聲輸出是不同的[13].假設材料數(shù)據(jù)不確定性的概率分布為拉普拉斯分布,拉普拉斯分布如下:

    其中Xi為模型第i個輸入材料數(shù)據(jù),θ為CGCrab Net 模型參數(shù),ρ(Xi) 為Xi的偶然不確定性,z(Xi)為材料帶隙性質(zhì)的計算值,從數(shù)據(jù)庫中直接獲得.對(7)式取對數(shù)如下:

    因為希望似然估計越大越好,也就是負對數(shù)似然值越小越好,所以用等式(8)右邊構造一個損失函數(shù):

    式中,Xi的偶然不確定性ρ(Xi) 可以看成關于Xi的一個未知函數(shù),也可以通過模型學習得到,所以模型同時預測材料的性質(zhì)和方差ρ(Xi).可以看到,在模型學習偶然不確定性時,是不需要真實樣本值的.因為如果一個樣本i很難預測,為了最小化損失函數(shù),ρ(Xi) 會適當變大,而損失函數(shù)中的ln(2ρ(Xi))防止了網(wǎng)絡預測樣本數(shù)據(jù)不確定性為無窮大的情況.

    在實際訓練中,我們訓練網(wǎng)絡來預測對數(shù)方差Si=ln(2σ(xi)),從而損失函數(shù)為

    這樣做是因為在數(shù)值上對數(shù)方差比方差更穩(wěn)定,而且可以避免學習到方差為0 從而導致無法計算損失函數(shù)的情況.另外,通過學習對數(shù)方差Si,使得方差ρ(Xi) 被解析到正值,給出有效的方差值.

    本文使用Lamb 優(yōu)化器[14]更新模型權重,在進行大批量數(shù)據(jù)訓練時,可以保持梯度更新的精度.在訓練過程中,學習率是一個很關鍵的超參數(shù).學習率設置的過大,模型可能很難收斂,設置的過小,則參數(shù)更新過于緩慢.這里使用周期性學習率(CLR)[15],學習率每2 個epoch 在1×10-4—1×10-2之間循環(huán),以實現(xiàn)一致的模型收斂.

    3 數(shù)值實驗分析

    3.1 實驗訓練細節(jié)

    本文使用了OQMD (the open quantum materials database)[16]和Materials Project[17]數(shù)據(jù)庫中的材料結構和性質(zhì)數(shù)據(jù).針對OQMD 數(shù)據(jù)庫,參考Yamamoto[18]的數(shù)據(jù)獲取方法,得到包含材料化學式、晶體圖結構和帶隙的樣本數(shù)據(jù),這里獲取的帶隙是由GGA+U計算得到的[19].由于獲取的OQMD 數(shù)據(jù)庫中大部分材料帶隙值為0,為了樣本的數(shù)據(jù)均衡性,考慮將原數(shù)據(jù)集中帶隙值為0 的樣本移除數(shù)據(jù)集,最終得到30368 個樣本構成本文使用的OQMD 數(shù)據(jù)集.針對Materials Project 數(shù)據(jù)庫,按照鈣鈦礦結構的一些性質(zhì)例如化學通式(ABX3)、空間群數(shù)(221)和空間群名稱()等,使用API 接口篩選數(shù)據(jù),然后清除一些非鈣鈦礦結構數(shù)據(jù),得到175 條包含CIF 文件、化學式和帶隙值的鈣鈦礦數(shù)據(jù),參考CGCNN[3],由CIF 文件得到相應的晶體圖信息,構成本文鈣鈦礦材料數(shù)據(jù)集①https://github.com/STsuntao/CGCrabNet/tree/master.本文CGCrabNet 模型先在OQMD 數(shù)據(jù)集中和文獻中提出的模型進行對比,驗證其對帶隙的預測能力.然后將CGCrabNet 應用到鈣鈦礦材料帶隙預測任務中,兩個數(shù)據(jù)集的訓練集、驗證集和測試集的劃分比例均為6∶2∶2.為了防止過擬合,訓練中加入提前停止策略,超參數(shù)取值如表1 所列.

    表1 超參數(shù)取值Table 1.Hyperparameter value.

    3.2 實驗結果

    首先,在OQMD 數(shù)據(jù)集上對One-Hot[20],Mag pie[21]和Mat2vec[22]三種元素嵌入方法進行測試.Magpie 是一系列原子特征的集合,包括化學計量特征、元素屬性特征、電子結構特征和離子化合物屬性.Mat2vec 是將物理、化學、材料科學方向的一些詞匯表示成 200 維詞嵌入向量的方法,包含了對每個元素的向量表示.三種方法表示的元素向量均可以在開源項目CrabNet[8]中獲得,測試結果如表2 所列.由測試結果,確定模型中元素嵌入方法使用Mat2vec 方法.

    表2 元素嵌入法測試結果(單位: eV)Table 2.Elemental embedding method test results (in eV).

    為了驗證CGCrabNet 模型預測能力,在OQMD數(shù)據(jù)集上,按照同樣的訓練集、驗證集、測試集劃分方式,復現(xiàn)了CGCNN 模型[3]、Roost 模型[7]、Crab Net 模型[8]和HotCrab 模型[8](即CrabNet 中元素嵌入方法改為One-Hot 得到的模型)進行對照實驗,實驗結果如表3 所列,可以看出CGCrabNet模型在驗證集和測試集上的平均絕對誤差都要低于其他模型,在測試集上平均絕對誤差比CrabNet模型降低了0.014 eV.圖2 是CGCrabNet 模型訓練過程訓練集和驗證集損失值變換圖,可以看到驗證集損失值趨于穩(wěn)定,并且沒有出現(xiàn)過擬合的情況.

    表3 深度學習模型測試結果(單位: eV)Table 3.Deep learning model test results (in eV).

    圖2 CGCrabNet 預訓練損失值變化Fig.2.CGCrabNet pre-training loss value change.

    圖3 和圖4 分別是CGCrabNet 模型在驗證集和測試集上預測帶隙值和計算帶隙值的散點圖,圖中黑色虛線是由坐標軸上的點線性擬合得到的一次函數(shù),該擬合函數(shù)越接近函數(shù)y=x,說明預測效果越好,進一步驗證該模型的預測能力.

    圖3 驗證集預測帶隙值Fig.3.Predicted band gap values on the validation set.

    3.3 模型應用

    為了研究鈣鈦礦材料的帶隙性質(zhì),將CGCrab-Net 模型用于鈣鈦礦材料的帶隙預測.由于本文使用的鈣鈦礦數(shù)據(jù)集較小,所以訓練模型時加入遷移學習策略.首先對OQMD 數(shù)據(jù)集進行檢驗,將其中包含的鈣鈦礦結構數(shù)據(jù)移除數(shù)據(jù)集,最終得到29827 條樣本;接下來在調(diào)整后的OQMD 數(shù)據(jù)集上預訓練CGCrabNet 模型,并保存模型參數(shù);最后,將預訓練的CGCrabNet 模型在鈣鈦礦材料數(shù)據(jù)集上進行微調(diào).模型微調(diào)時batch_size 變?yōu)?6,其他訓練細節(jié)和預訓練時保持不變,訓練39 代時模型訓練提前終止.可以看到,在預訓練的基礎上微調(diào)模型,加上設置的提前終止條件,可以在快速收斂的同時有效防止過擬合.

    此外,還用隨機森林回歸模型(RF)[23]、支持向量回歸模型(SVR)[24]、梯度提升回歸模型(GBR)對鈣鈦礦材料的帶隙性質(zhì)進行預測,在建立鈣鈦礦材料特征時,使用Atom_DL 原子分布式特征[25]拼接得到.為得到穩(wěn)定的預測模型,對3 種回歸模型的參數(shù)進行網(wǎng)格搜索,利用5 折交叉驗證對模型進行評估.5 折交叉驗證將數(shù)據(jù)集平均劃分成5 份,依次用其中的一份作為測試集,其他數(shù)據(jù)作為訓練集來得到誤差.最后,計算5 個誤差的平均值作為模型最終的誤差.所有的機器學習算法模型都是使用開源庫Scikit-learn[26]實現(xiàn)的,各回歸模型的超參數(shù)如表4 所列.

    表4 回歸模型參數(shù)Table 4.Regression model parameters.

    為說明遷移學習的重要性,在僅用鈣鈦礦數(shù)據(jù)的情況下使用CGCrabNet 模型對其帶隙進行了預測,測試集的平均絕對誤差為0.536 eV;加入遷移學習策略之后,測試集的平均絕對誤差為0.374 eV,預測精度有明顯提高.同時,在鈣鈦礦數(shù)據(jù)集上復現(xiàn)了MEGNet 和CGCNN 模型,用于對比預測效果.各模型預測效果的平均絕對誤差值如圖5 所示,可以看到,隨機森林回歸模型和梯度提升回歸模型的平均絕對誤差(MAE)要低于支持向量回歸模型,這是因為RF 和GBR 都是集成學習模型,考慮了多個基本學習器;MEGNet 和CGCNN模型在測試集上的MAE 較高,這是由于鈣鈦礦數(shù)據(jù)集較小,在小數(shù)據(jù)集上訓練MEGNet 和CGCNN模型容易出現(xiàn)過擬合現(xiàn)象.

    圖5 鈣鈦礦材料帶隙預測的平均絕對誤差對比Fig.5.MAE of band gap prediction for perovskite materials.

    分別利用CGCrabNet 模型、隨機森林回歸、支持向量回歸和梯度提升回歸預測帶隙值與計算帶隙值繪制成散點圖如圖6 所示,兩條黑色實線內(nèi)部的點表示預測值與計算值相差小于1 eV,數(shù)據(jù)點越靠近紅色實線表示模型的預測效果越佳.可以看出微調(diào)之后的CGCrabNet 模型在鈣鈦礦材料數(shù)據(jù)集上預測效果良好.

    圖6 預測帶隙與計算帶隙散點圖Fig.6.Predicting and calculating band gap scatter maps.

    表5 列出了鈣鈦礦材料數(shù)據(jù)集測試集中的35 個樣本的帶隙計算值和帶隙預測值,帶隙預測值包括特征融合神經(jīng)網(wǎng)絡模型(CGCrabNet)、隨機森林回歸(RF)、支持向量回歸(SVR)和梯度提升回歸(GBR)預測的帶隙值.從表5 可以看出,CGCrabNet 模型對SrHfO3和RbPaO3等鈣鈦礦材料預測的帶隙值與計算值的平均絕對誤差小于0.05 eV,并且對于大多數(shù)預測的鈣鈦礦材料,CG CrabNet 預測的帶隙比其他3 個回歸模型預測的帶隙更接近帶隙計算值.

    4 結論

    本文針對鈣鈦礦材料帶隙預測任務,構建了一個深度學習帶隙預測模型.比較了Roost 模型、Crab Net 模型、HotCrab 模型、CGCNN 模型和CGCrab Net 模型在OQMD 數(shù)據(jù)集上對材料化合物的帶隙預測效果.利用遷移學習將在OQMD 數(shù)據(jù)集上預訓練的CGCrabNet 模型,用于對鈣鈦礦材料的帶隙性質(zhì)進行預測研究.同時,本文在鈣鈦礦材料數(shù)據(jù)集上建立了隨機森林回歸模型、支持向量回歸模型和梯度提升回歸模型,用于和本文建立的模型進行比較.實驗結果表明,在OQMD 數(shù)據(jù)集上,CGCrabNet 對帶隙的預測精度比CrabNet 等模型有一定提升;在鈣鈦礦材料數(shù)據(jù)集上,本文建立的模型利用遷移學習策略對鈣鈦礦材料預測的平均絕對誤差為0.374 eV,分別比隨機森林回歸、支持向量機回歸和梯度提升回歸的預測誤差降低了0.304 eV,0.441 eV 和0.194 eV;另外,模型預測的SrHfO3和RbPaO3等鈣鈦礦材料的帶隙與第一性原理計算的帶隙的誤差小于0.05 eV,這說明CGCrabNet 模型可以快速準確地預測新材料的性質(zhì),加速新材料的研發(fā)過程.

    此外,本文的CGCrabNet 模型考慮了材料的化學式和晶體圖結構兩種特征作為輸入,未來可以探索更多的材料特征輸入模型,通過多種特征精準學習出材料特征和性質(zhì)的映射關系;另一方面,本文將特征融合神經(jīng)網(wǎng)絡模型應用到鈣鈦礦材料的帶隙預測任務中,進一步可以將其應用到其他材料的物理化學性質(zhì)的研究中.

    猜你喜歡
    帶隙鈣鈦礦集上
    密度泛函理論計算半導體材料的帶隙誤差研究
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    一種基于BJT工藝的無運放低溫度系數(shù)的帶隙基準源
    間距比對雙振子局域共振軸縱振帶隙的影響
    一款高PSRR低溫度系數(shù)的帶隙基準電壓源的設計
    電子制作(2018年1期)2018-04-04 01:48:38
    復扇形指標集上的分布混沌
    當鈣鈦礦八面體成為孤寡老人
    物理學進展(2017年1期)2017-02-23 01:35:44
    幾種新型鈣鈦礦太陽電池的概述
    鈣鈦礦型多晶薄膜太陽電池(4)
    太陽能(2015年4期)2015-02-28 17:08:19
    久久午夜福利片| 日日摸夜夜添夜夜爱| 国产精品嫩草影院av在线观看| 成人二区视频| 精品一区二区三区av网在线观看| 亚洲第一区二区三区不卡| 村上凉子中文字幕在线| 欧美性猛交黑人性爽| 久久九九热精品免费| 免费黄网站久久成人精品| 中文资源天堂在线| 最好的美女福利视频网| 亚洲无线在线观看| 久久精品夜色国产| 午夜免费男女啪啪视频观看 | 亚洲国产欧美人成| 在线免费十八禁| 少妇的逼好多水| 国产高清有码在线观看视频| 又爽又黄无遮挡网站| 日韩在线高清观看一区二区三区| 国产精品久久久久久亚洲av鲁大| 18禁在线播放成人免费| 又爽又黄无遮挡网站| 欧美日本视频| 日本与韩国留学比较| 变态另类丝袜制服| 男人和女人高潮做爰伦理| 久久久久久久久久久丰满| 99久久九九国产精品国产免费| av国产免费在线观看| 乱人视频在线观看| 久久久国产成人精品二区| 18+在线观看网站| 午夜福利在线观看免费完整高清在 | 欧美激情国产日韩精品一区| 国产精品无大码| 97在线视频观看| 亚洲国产色片| 成人一区二区视频在线观看| 中文字幕av成人在线电影| 免费高清视频大片| 久99久视频精品免费| 亚洲三级黄色毛片| 神马国产精品三级电影在线观看| 日韩欧美免费精品| 国产v大片淫在线免费观看| 亚洲无线观看免费| 五月伊人婷婷丁香| 毛片一级片免费看久久久久| 天堂影院成人在线观看| 亚洲第一区二区三区不卡| 亚洲av美国av| 亚洲国产精品成人久久小说 | 亚洲欧美精品自产自拍| 女生性感内裤真人,穿戴方法视频| 一区二区三区四区激情视频 | 日韩一区二区视频免费看| 亚洲欧美精品自产自拍| 亚洲精品国产成人久久av| 一进一出抽搐动态| 色5月婷婷丁香| 国产男靠女视频免费网站| 久久久精品94久久精品| 性欧美人与动物交配| 国产伦一二天堂av在线观看| 精华霜和精华液先用哪个| 我要搜黄色片| 一卡2卡三卡四卡精品乱码亚洲| 搞女人的毛片| 亚洲美女视频黄频| 国产精华一区二区三区| 99精品在免费线老司机午夜| 日日啪夜夜撸| 天美传媒精品一区二区| 高清毛片免费看| 免费无遮挡裸体视频| 最新中文字幕久久久久| 日韩高清综合在线| 国产av麻豆久久久久久久| 国产高潮美女av| 少妇的逼好多水| 成人性生交大片免费视频hd| 欧美日韩国产亚洲二区| 搡女人真爽免费视频火全软件 | 国产午夜精品论理片| 国产真实伦视频高清在线观看| 欧美性感艳星| 亚洲久久久久久中文字幕| 又黄又爽又免费观看的视频| 久久久久久久久大av| 午夜老司机福利剧场| 乱码一卡2卡4卡精品| 插逼视频在线观看| 色哟哟·www| 人妻少妇偷人精品九色| 熟妇人妻久久中文字幕3abv| 精品一区二区免费观看| av女优亚洲男人天堂| 亚洲av不卡在线观看| 精品国内亚洲2022精品成人| 日本免费一区二区三区高清不卡| 久久精品国产自在天天线| 女人十人毛片免费观看3o分钟| 亚洲av电影不卡..在线观看| 亚洲经典国产精华液单| АⅤ资源中文在线天堂| 国产精品伦人一区二区| 小说图片视频综合网站| 有码 亚洲区| 97超级碰碰碰精品色视频在线观看| 搡老熟女国产l中国老女人| 欧美日本亚洲视频在线播放| 97热精品久久久久久| 国内久久婷婷六月综合欲色啪| 成人特级黄色片久久久久久久| 亚洲精品色激情综合| 亚洲精品国产av成人精品 | 国产男人的电影天堂91| 最近的中文字幕免费完整| 大又大粗又爽又黄少妇毛片口| 精品人妻偷拍中文字幕| 亚洲性夜色夜夜综合| 久久99热6这里只有精品| 国产亚洲精品av在线| 亚洲乱码一区二区免费版| 一级毛片久久久久久久久女| 蜜桃亚洲精品一区二区三区| 人妻制服诱惑在线中文字幕| 日韩欧美一区二区三区在线观看| 最近在线观看免费完整版| 一级毛片aaaaaa免费看小| 全区人妻精品视频| 久久久久久国产a免费观看| 51国产日韩欧美| 午夜日韩欧美国产| 看非洲黑人一级黄片| 久久韩国三级中文字幕| 成人美女网站在线观看视频| 久久久久久九九精品二区国产| 丰满乱子伦码专区| 女人被狂操c到高潮| 日韩精品中文字幕看吧| 久久久久久伊人网av| 在线观看午夜福利视频| 99久久精品一区二区三区| 中文字幕av成人在线电影| 激情 狠狠 欧美| 成人美女网站在线观看视频| 亚洲美女黄片视频| 亚洲七黄色美女视频| 色尼玛亚洲综合影院| 免费观看在线日韩| 99九九线精品视频在线观看视频| 国产91av在线免费观看| 成人av一区二区三区在线看| 国产黄a三级三级三级人| 别揉我奶头~嗯~啊~动态视频| 99久久精品一区二区三区| 蜜臀久久99精品久久宅男| 综合色丁香网| 欧美高清性xxxxhd video| 99视频精品全部免费 在线| 美女黄网站色视频| 97超级碰碰碰精品色视频在线观看| 日韩国内少妇激情av| 久久精品国产亚洲av香蕉五月| 久久午夜福利片| 亚洲在线观看片| 日本免费一区二区三区高清不卡| 免费看美女性在线毛片视频| 国产在视频线在精品| 成人特级黄色片久久久久久久| 麻豆国产97在线/欧美| 精品无人区乱码1区二区| 欧美人与善性xxx| 黄片wwwwww| 18禁裸乳无遮挡免费网站照片| 精品久久久久久久久久免费视频| 老熟妇仑乱视频hdxx| 日韩欧美免费精品| 国产成人a区在线观看| 1000部很黄的大片| 岛国在线免费视频观看| 欧美潮喷喷水| 日韩精品有码人妻一区| 国产成人aa在线观看| 国产伦在线观看视频一区| 在线观看一区二区三区| 亚洲国产精品成人久久小说 | 国产精品综合久久久久久久免费| 亚洲性夜色夜夜综合| 如何舔出高潮| 成人毛片a级毛片在线播放| 免费看美女性在线毛片视频| 男女那种视频在线观看| 美女免费视频网站| 老司机影院成人| av在线亚洲专区| 色综合亚洲欧美另类图片| 别揉我奶头~嗯~啊~动态视频| 国产探花极品一区二区| 国产av不卡久久| 成人二区视频| 一进一出抽搐gif免费好疼| 日本a在线网址| 人妻丰满熟妇av一区二区三区| 亚洲国产精品sss在线观看| 欧美成人a在线观看| 国产av麻豆久久久久久久| 日韩中字成人| 久久精品夜色国产| 高清午夜精品一区二区三区 | 亚洲四区av| 亚洲欧美成人精品一区二区| 日韩三级伦理在线观看| 校园春色视频在线观看| 日本与韩国留学比较| 亚洲精品国产av成人精品 | videossex国产| 可以在线观看毛片的网站| 日本色播在线视频| 美女 人体艺术 gogo| 国产精品国产高清国产av| 久久精品影院6| 免费在线观看成人毛片| 亚洲电影在线观看av| 欧美一区二区亚洲| 一级毛片aaaaaa免费看小| 国产精品av视频在线免费观看| 国产欧美日韩一区二区精品| 中文字幕久久专区| 不卡一级毛片| 国产黄a三级三级三级人| 欧美zozozo另类| 老司机午夜福利在线观看视频| 尾随美女入室| 精品熟女少妇av免费看| 少妇被粗大猛烈的视频| 欧美性猛交╳xxx乱大交人| 国产真实乱freesex| 国产综合懂色| 亚洲国产高清在线一区二区三| 久久精品国产亚洲av香蕉五月| 欧美激情在线99| 99久国产av精品| 日韩成人伦理影院| 久久欧美精品欧美久久欧美| 久久久久久久午夜电影| 欧美3d第一页| 亚洲欧美日韩东京热| 欧美精品国产亚洲| 尤物成人国产欧美一区二区三区| 久久人人精品亚洲av| 老司机影院成人| 三级经典国产精品| 成人午夜高清在线视频| av在线亚洲专区| 国产av不卡久久| 国产乱人偷精品视频| 日本与韩国留学比较| 99在线视频只有这里精品首页| 大香蕉久久网| 免费观看人在逋| 国产欧美日韩精品一区二区| 日韩欧美三级三区| 国产91av在线免费观看| 国产精品无大码| 亚洲成人久久爱视频| 国产精品亚洲一级av第二区| 久久综合国产亚洲精品| 国产亚洲精品av在线| 久久精品影院6| 欧美国产日韩亚洲一区| 看非洲黑人一级黄片| 久久精品国产亚洲网站| 22中文网久久字幕| 午夜免费激情av| 国产免费男女视频| 有码 亚洲区| 丝袜喷水一区| 一级毛片久久久久久久久女| 国产亚洲av嫩草精品影院| 少妇猛男粗大的猛烈进出视频 | 国产精品99久久久久久久久| 麻豆国产97在线/欧美| 女人被狂操c到高潮| 黄色日韩在线| 男女之事视频高清在线观看| 男女那种视频在线观看| 精品久久久久久久久亚洲| 禁无遮挡网站| 亚洲人成网站在线播放欧美日韩| 观看美女的网站| 联通29元200g的流量卡| 黑人高潮一二区| 午夜精品国产一区二区电影 | 日韩国内少妇激情av| 久久中文看片网| 午夜激情欧美在线| 日韩一本色道免费dvd| 91久久精品国产一区二区成人| 午夜精品一区二区三区免费看| 少妇被粗大猛烈的视频| 日韩 亚洲 欧美在线| 成人高潮视频无遮挡免费网站| 免费不卡的大黄色大毛片视频在线观看 | 99久久成人亚洲精品观看| 国产午夜精品久久久久久一区二区三区 | 久久九九热精品免费| 久久久欧美国产精品| 亚洲美女视频黄频| 毛片女人毛片| 男女那种视频在线观看| 色噜噜av男人的天堂激情| 1024手机看黄色片| 白带黄色成豆腐渣| 国产黄色小视频在线观看| 男女那种视频在线观看| 久久精品夜夜夜夜夜久久蜜豆| 欧美色欧美亚洲另类二区| 欧美区成人在线视频| 噜噜噜噜噜久久久久久91| 亚洲精品乱码久久久v下载方式| 亚洲电影在线观看av| 午夜亚洲福利在线播放| 99精品在免费线老司机午夜| 五月玫瑰六月丁香| 校园春色视频在线观看| 99国产极品粉嫩在线观看| 美女cb高潮喷水在线观看| 亚洲专区国产一区二区| 日韩欧美免费精品| 天堂av国产一区二区熟女人妻| 高清日韩中文字幕在线| 最新在线观看一区二区三区| 国内精品美女久久久久久| 国产高清视频在线观看网站| 在线播放国产精品三级| 深夜a级毛片| 午夜爱爱视频在线播放| 国产成人精品久久久久久| 日本a在线网址| 亚洲丝袜综合中文字幕| 亚洲国产欧美人成| av在线老鸭窝| 婷婷六月久久综合丁香| 亚洲国产精品国产精品| 3wmmmm亚洲av在线观看| 非洲黑人性xxxx精品又粗又长| 麻豆久久精品国产亚洲av| 免费人成视频x8x8入口观看| 中文字幕av在线有码专区| 在线免费观看的www视频| 99久久成人亚洲精品观看| 午夜影院日韩av| 久久久色成人| 色哟哟哟哟哟哟| 午夜福利在线观看吧| 国产三级在线视频| 日韩高清综合在线| .国产精品久久| 两个人视频免费观看高清| 搞女人的毛片| 亚洲av熟女| 免费看光身美女| 欧美一区二区亚洲| 午夜免费男女啪啪视频观看 | 亚洲欧美精品自产自拍| 18禁在线无遮挡免费观看视频 | 成人无遮挡网站| 国产免费男女视频| 久久6这里有精品| 日韩国内少妇激情av| 搡老妇女老女人老熟妇| 成人永久免费在线观看视频| 综合色av麻豆| 日日摸夜夜添夜夜添av毛片| 国产一区二区亚洲精品在线观看| 人妻丰满熟妇av一区二区三区| 欧美bdsm另类| 国产真实乱freesex| 两个人的视频大全免费| 国内精品宾馆在线| 成人av一区二区三区在线看| 俺也久久电影网| 亚洲电影在线观看av| 天天躁日日操中文字幕| 在线观看66精品国产| 校园人妻丝袜中文字幕| 亚洲国产精品合色在线| 国产一区二区三区在线臀色熟女| 99热精品在线国产| 精品人妻视频免费看| 乱系列少妇在线播放| 日韩av不卡免费在线播放| 亚洲欧美日韩高清专用| 国产精品综合久久久久久久免费| 18禁在线无遮挡免费观看视频 | 国产亚洲精品久久久com| 国产精品国产高清国产av| 男女视频在线观看网站免费| 少妇熟女aⅴ在线视频| 两个人视频免费观看高清| 国产成人一区二区在线| 国产一区二区在线av高清观看| 国产在视频线在精品| 亚洲第一区二区三区不卡| 久久久国产成人免费| 精品一区二区三区视频在线观看免费| 免费人成视频x8x8入口观看| 在线播放国产精品三级| 97超视频在线观看视频| a级一级毛片免费在线观看| a级毛片a级免费在线| 亚洲精华国产精华液的使用体验 | 国产成人a∨麻豆精品| 中文资源天堂在线| 日韩av在线大香蕉| 国内精品一区二区在线观看| 床上黄色一级片| 成人欧美大片| 久久精品久久久久久噜噜老黄 | 最近手机中文字幕大全| 欧美区成人在线视频| 久久久色成人| 国产高潮美女av| 久久人人爽人人片av| 91久久精品电影网| 99久国产av精品国产电影| 国内少妇人妻偷人精品xxx网站| 在线免费观看不下载黄p国产| 一区二区三区高清视频在线| 久久国内精品自在自线图片| 午夜福利高清视频| 狂野欧美白嫩少妇大欣赏| av天堂在线播放| 热99re8久久精品国产| 人人妻人人澡欧美一区二区| 啦啦啦啦在线视频资源| av在线观看视频网站免费| 毛片一级片免费看久久久久| 午夜免费男女啪啪视频观看 | 悠悠久久av| 亚洲av一区综合| 亚洲在线观看片| 国内揄拍国产精品人妻在线| 国产精品嫩草影院av在线观看| 欧美激情国产日韩精品一区| 91久久精品国产一区二区三区| 蜜桃亚洲精品一区二区三区| 高清午夜精品一区二区三区 | 亚洲欧美日韩无卡精品| 亚洲婷婷狠狠爱综合网| 黄色欧美视频在线观看| 嫩草影视91久久| 国产国拍精品亚洲av在线观看| 午夜精品国产一区二区电影 | 日日摸夜夜添夜夜添小说| 少妇丰满av| 一卡2卡三卡四卡精品乱码亚洲| 欧美三级亚洲精品| 国内精品宾馆在线| 悠悠久久av| 97超级碰碰碰精品色视频在线观看| 亚洲精品亚洲一区二区| 亚洲欧美精品综合久久99| 搡老岳熟女国产| 国产单亲对白刺激| 中文资源天堂在线| 美女xxoo啪啪120秒动态图| 色综合色国产| 久久韩国三级中文字幕| 成人av一区二区三区在线看| 亚洲人与动物交配视频| 久久精品人妻少妇| 如何舔出高潮| 久久精品国产亚洲av香蕉五月| 人妻丰满熟妇av一区二区三区| 亚洲熟妇中文字幕五十中出| 亚洲人成网站高清观看| 日本精品一区二区三区蜜桃| 亚洲av成人精品一区久久| 噜噜噜噜噜久久久久久91| 色5月婷婷丁香| 美女xxoo啪啪120秒动态图| 白带黄色成豆腐渣| 六月丁香七月| 日日摸夜夜添夜夜添小说| 激情 狠狠 欧美| 国产精品99久久久久久久久| 日韩欧美精品免费久久| .国产精品久久| 人妻少妇偷人精品九色| 97碰自拍视频| 给我免费播放毛片高清在线观看| 国产黄片美女视频| 男女视频在线观看网站免费| 在线观看免费视频日本深夜| 精品免费久久久久久久清纯| 成年版毛片免费区| 在线免费十八禁| 久久热精品热| 成人二区视频| 日韩精品有码人妻一区| 免费看av在线观看网站| 日日撸夜夜添| 亚洲av成人精品一区久久| 18禁在线播放成人免费| 伊人久久精品亚洲午夜| 变态另类丝袜制服| 一个人看视频在线观看www免费| 精品免费久久久久久久清纯| 18+在线观看网站| 在线观看美女被高潮喷水网站| 中文资源天堂在线| 最后的刺客免费高清国语| 久久精品91蜜桃| 麻豆乱淫一区二区| 国产真实伦视频高清在线观看| 国产单亲对白刺激| 男人舔女人下体高潮全视频| 天堂网av新在线| 国产成人福利小说| 欧美高清成人免费视频www| 久久天躁狠狠躁夜夜2o2o| 亚洲成人av在线免费| 一进一出抽搐动态| 无遮挡黄片免费观看| 亚洲久久久久久中文字幕| 国产精品三级大全| 看黄色毛片网站| 99久久无色码亚洲精品果冻| 99视频精品全部免费 在线| 亚洲四区av| 久久国产乱子免费精品| 色尼玛亚洲综合影院| 淫秽高清视频在线观看| 日韩国内少妇激情av| 1024手机看黄色片| 久久欧美精品欧美久久欧美| 欧美丝袜亚洲另类| 成人三级黄色视频| 国产精品久久电影中文字幕| 久久久久久久午夜电影| 欧美人与善性xxx| 午夜精品在线福利| 日韩一本色道免费dvd| 精品午夜福利视频在线观看一区| 久久久久久久久大av| 99精品在免费线老司机午夜| 女人十人毛片免费观看3o分钟| 女同久久另类99精品国产91| 非洲黑人性xxxx精品又粗又长| 亚洲精品日韩av片在线观看| 啦啦啦韩国在线观看视频| 成人特级av手机在线观看| 日本熟妇午夜| 麻豆国产av国片精品| 亚洲精品一区av在线观看| 十八禁国产超污无遮挡网站| 久久久久久国产a免费观看| 欧美最新免费一区二区三区| 午夜精品在线福利| 97人妻精品一区二区三区麻豆| 最近最新中文字幕大全电影3| 亚洲精品国产成人久久av| 不卡视频在线观看欧美| 一本久久中文字幕| 日本色播在线视频| 天堂影院成人在线观看| 日本免费a在线| 国产黄片美女视频| a级毛色黄片| 热99在线观看视频| 人人妻人人看人人澡| 日日干狠狠操夜夜爽| 国产老妇女一区| 亚洲人与动物交配视频| 亚洲精品日韩在线中文字幕 | 大又大粗又爽又黄少妇毛片口| 亚洲性夜色夜夜综合| 寂寞人妻少妇视频99o| 久久人人爽人人片av| 97人妻精品一区二区三区麻豆| 联通29元200g的流量卡| 超碰av人人做人人爽久久| 国产女主播在线喷水免费视频网站 | 一级黄片播放器| 日本 av在线| 精品久久久久久久久久久久久| 成人漫画全彩无遮挡| 国产黄片美女视频| 成年免费大片在线观看| 久久久成人免费电影| 自拍偷自拍亚洲精品老妇| 校园春色视频在线观看| 长腿黑丝高跟| 国产精品亚洲美女久久久| 日韩成人av中文字幕在线观看 | 中文字幕久久专区| 欧美一区二区国产精品久久精品| 成人亚洲欧美一区二区av| 日本黄色片子视频| 国产高清视频在线观看网站| 看黄色毛片网站| 亚洲精品国产av成人精品 | 成年女人毛片免费观看观看9| 美女黄网站色视频| 日韩精品中文字幕看吧| 99久久精品国产国产毛片| 在线观看一区二区三区| 青春草视频在线免费观看| 久久久久国内视频| 国产成人精品久久久久久|