CN110648727B - 一种特定物理性能的玻璃材料的制备方法 - Google Patents

一种特定物理性能的玻璃材料的制备方法 Download PDF

Info

Publication number
CN110648727B
CN110648727B CN201911048017.3A CN201911048017A CN110648727B CN 110648727 B CN110648727 B CN 110648727B CN 201911048017 A CN201911048017 A CN 201911048017A CN 110648727 B CN110648727 B CN 110648727B
Authority
CN
China
Prior art keywords
glass
component
design model
intelligent design
network
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
Application number
CN201911048017.3A
Other languages
English (en)
Other versions
CN110648727A (zh
Inventor
杨中民
吴敏波
钱国权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201911048017.3A priority Critical patent/CN110648727B/zh
Publication of CN110648727A publication Critical patent/CN110648727A/zh
Application granted granted Critical
Publication of CN110648727B publication Critical patent/CN110648727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16C20/50—Molecular design, e.g. of drugs
    • C—CHEMISTRY; METALLURGY
    • C03—GLASS; MINERAL OR SLAG WOOL
    • C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
    • C03B19/00—Other methods of shaping glass
    • C03B19/02—Other methods of shaping glass by casting molten glass, e.g. injection moulding
    • C—CHEMISTRY; METALLURGY
    • C03—GLASS; MINERAL OR SLAG WOOL
    • C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
    • C03B25/00—Annealing glass products
    • C03B25/02—Annealing glass products in a discontinuous way
    • 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
    • C03C3/062—Glass compositions containing silica with less than 40% silica by weight
    • 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
    • C03C3/076—Glass compositions containing silica with 40% to 90% silica, by weight
    • 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
    • C03C3/076—Glass compositions containing silica with 40% to 90% silica, by weight
    • C03C3/078—Glass compositions containing silica with 40% to 90% silica, by weight containing an oxide of a divalent metal, e.g. an oxide of zinc
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Materials Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Organic Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medicinal Chemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Glass Compositions (AREA)

Abstract

本发明公开一种特定物理性能的玻璃材料的制备方法。所述方法包括如下步骤：构成玻璃成分‑物理性能数据库；构建成分智能设计模型；将玻璃成分‑物理性能数据库划分为训练数据集和测试数据集，分别用于训练和测试成分智能设计模型，得到训练好的成分智能设计模型；输入所需的目标性能，通过成分智能设计模型逆向计算筛选出满足目标性能的玻璃配方；按照筛选得到的玻璃配方，制备具有特定物理性能的玻璃。本发明是一种高效、低成本的玻璃材料制备手段，极大地加快了高性能玻璃材料研发的速度。

Description

一种特定物理性能的玻璃材料的制备方法
技术领域
本发明属于玻璃材料研究领域，具体涉及一种特定物理性能的玻璃材料的制备方法。
背景技术
在整个人类历史中，玻璃是所有材料中最重要和最具影响力的材料之一，而且玻璃的重要性与日俱增。玻璃的一个明显特征是其非晶态结构，不需要满足与晶体化学相同的化学计量要求。因此，元素周期表中每一种元素都可以加入到玻璃中，从而存在无限数量的潜在玻璃材料，这使得特定性能玻璃材料的研发面临很多困难。玻璃材料未来的应用需要精准高效设计其组成及其性能，以满足不同应用领域下的功能需求。然而，目前玻璃材料的研发主要靠实验试错法，其存在研发周期长、效率低、和成本高等问题。
2011年，美国提出“材料基因组计划(MGI)”。材料基因组的概念类似于生物基因组，但应用于材料科学和工程领域，目标是基于其基础化学组成对材料特性进行定量准确的预测。在材料基因方法研究理念下，玻璃基因组的研究也受到关注。结合玻璃材料的物理模型和经验模型来理解玻璃性能的起源，解码“玻璃基因”，可以加快玻璃材料研发的步伐，设计出具有优异性能的玻璃，以应对当今以及未来世界面临的许多重大挑战。
当代人工智能方法的出现有可能改变和增强计算机在科学和工程中的作用。大数据和人工智能的结合被称为“科学的第四范式”和“第四次工业革命”。最近，人们越来越关注人工智能解决材料科学中的问题，运用人工智能通过足够数据的学习，可以准确预测材料性能。本发明创新性地提出了结合神经网络算法去解析并掌握玻璃材料高度复杂和非线性的组成-性质关系，通过成分智能设计模型逆向计算能准确筛选出满足目标性能的玻璃材料成分，并根据筛选出的玻璃成分制备特定性能的玻璃。极大地加快了玻璃材料制备的速度。而且，本发明还创新性地将玻璃的元素属性(电负性、离子半径)作为输入变量引入成分智能设计模型中，将材料理论与统计算法结合，一方面极大地增强了成分智能设计模型的泛化能力。另一方面，通过成分智能设计模型能更加清晰理解组成玻璃的元素属性与玻璃性能的关系，加快玻璃理论研究以及破解“玻璃基因”的步伐。
发明内容
针对传统实验试错法研发周期长、成本高、效率低等问题，本发明提供一种特定物理性能的玻璃材料的制备方法。结合神经网络算法构建成分智能设计模型去训练足量的玻璃数据，解析并掌握玻璃材料高度复杂和非线性的组成-性质关系，通过训练好的模型逆向计算筛选出满足目标性能的玻璃材料成分，并按照筛选出的玻璃材料成分制备玻璃。这种新的研发方式使玻璃材料的研发速度极大提高。
本发明的目的至少通过以下技术方案之一实现。
一种特定物理性能的玻璃材料的制备方法，包括如下步骤：
S1、获取同一个玻璃体系的玻璃材料配方数据及相应性能数据，构成玻璃成分-物理性能数据库；
S2、以玻璃网络修饰体和网络中间体氧化物的阳离子元素性质(电负性、离子半径)与含量乘积作为输入层变量，玻璃性能作为输出变量，结合神经网络算法构建成分智能设计模型；
S3、将玻璃成分-物理性能数据库划分为训练数据集和测试数据集，分别用于训练和测试成分智能设计模型，得到训练好的成分智能设计模型；
S4、输入所需的目标性能，通过成分智能设计模型逆向计算筛选出满足目标性能的玻璃配方；
S5、按照筛选得到的玻璃配方，制备具有特定物理性能的玻璃。
进一步地，步骤S1中，所述玻璃成分-物理性能数据库的数据来源包括玻璃数据库、文献。
进一步地，步骤S1中，所述玻璃的结构中一般包括网络形成体、网络修饰体和网络中间体；网络形成体氧化物包括SiO2、P2O5、B2O3和GeO2等；网络中间体氧化物包括ZnO、Al2O3、TiO2和PbO等；网络修饰体氧化物包括碱金属及碱土金属氧化物。
对于同一体系氧化物无机玻璃，玻璃中局域场强的变化会引起玻璃性能的变化，由于网络形成体相同，所以玻璃中局域场强的变化主要受玻璃中网络中间体和修饰体金属阳离子的元素性质的影响。由于电负性和离子半径能全面反映元素的性质，如键性和配位情况，是表征金属阳离子元素性质的两个重要参数，因此，创造性地提出将玻璃网络中间体和修饰体氧化物阳离子的元素属性(电负性、离子半径)与相应氧化物含量乘积作为成分智能设计模型输入层变量。
进一步地，步骤S2中，成分智能设计模型的输入变量有2*Q个，分别为Qi1＝Xi*ci和Qi2＝ri*ci。其中，Q为玻璃材料中网络中间体和网络修饰体氧化物种类的总数，Qi1、Qi2表示成分智能设计模型输入层变量，Xi，ri分别为第i个玻璃网络中间体或修饰体氧化物阳离子的电负性和离子半径，ci为玻璃网络中间体或网络修饰体氧化物i的含量。
进一步地，步骤S2中，成分智能设计模型的输出变量为玻璃材料的目标性能，包括密度、折射率、弹性模量、热导率、电导率、热膨胀系数、液相线温度中的一个或多个性能。
进一步地，步骤S2中，所使用的神经网络算法为BP神经网络算法(引用自郑捷.机器学习算法原理与编程实践[M].北京:电子工业出版社,2015:189-226.)；神经网络包含输入层、隐藏层和输出层；层与层之间设置初始随机权重参数和偏置；隐藏层的激活函数为非线性函数；输出层的激活函数为线性函数。
进一步地，步骤S3具体包括以下步骤：
S3.1、从玻璃成分-物理性能数据库随机抽取10～30％数据作为测试数据集，其余的数据作为训练数据集；
S3.2、用训练数据集训练成分智能设计模型，通过十次十折交叉验证，对十次交叉评估结果做平均处理，通过调节模型参数，确定成分智能设计模型中隐藏层数及隐藏层节点数，使平均相关系数R达到最大，成分智能设计模型结构达到最优；
S3.3、当隐藏层数及节点数确定后，用测试集测试训练好的成分智能设计模型的预测能力。
进一步地，步骤S4中，对于期望的玻璃性能，通过训练好的成分智能设计模型逆向计算筛选出满足期望性能的玻璃网络中间体及修饰体的氧化物组成及含量；网络形成体的氧化物含量等于总氧化物含量减去网络中间体和修饰体氧化物的含量，从而得到具有特定物理性能的玻璃的配方。
进一步地，步骤S5中，按照计算筛选出的玻璃配方，采用熔融法制备玻璃，实现特定物理性能的玻璃材料的制备。
与现有技术相比，本发明具有如下优点和效果：
1、本发明结合神经网络算法去研究并掌握玻璃材料高度复杂和非线性的组成-性质关系，通过构建的成分智能设计模型逆向计算能准确筛选出满足目标性能的玻璃材料组成及含量，极大地加快了玻璃材料设计的速度。
2、本发明创新性地将玻璃的元素属性(电负性、离子半径)作为输入变量引入成分智能设计模型中。这一方法有两大优势：一、能将同一体系激光玻璃数据放入同一个成分智能设计模型进行统一训练，克服了分类训练时因激光玻璃数据稀疏缺少而引起准确性降低的问题；二、由于玻璃的元素性质与玻璃激光性能有密切关系，电负性和离子半径能全面反映元素的性质，如键性和配位情况，使模型更加准确。
3、本发明创新性地将玻璃的元素属性(电负性、离子半径)作为输入变量引入成分智能设计模型中，将材料理论与统计算法结合，一方面极大地增强了模型的泛化能力。另一方面，通过机器学习能更加清晰理解组成玻璃的元素属性与玻璃性能的关系，加快玻璃理论研究以及解码“玻璃基因”的步伐。
附图说明
图1为本发明实施例中的神经网络算法的基本结构、参数设置及运算流程示意图。
图2a和图2b为本发明实施例1中成分智能设计模型的评估效果示意图。
图3a和图3b为本发明实施例2中成分智能设计模型的评估效果示意图。
图4a和图4b为本发明实施例3中成分智能设计模型的评估效果示意图。
图5a和图5b为本发明实施例4中成分智能设计模型的评估效果示意图。
图6为本发明实施例中的一种特定物理性能的玻璃材料的制备方法的流程图。
具体实施方式
以下将结合附图以及实施例对本发明的具体实施做进一步说明，但本发明要求保护的范围不仅局限于此。
实施例1：
制备目标折射率为1.5的碱金属硅酸盐二元玻璃，如图6所示，包括以下步骤：
步骤1.1、首先从玻璃数据库、文献等获取同一个玻璃体系的玻璃材料配方数据及相应折射率数据，构成玻璃成分-物理性能数据库，如表1所示。
表1碱金属硅酸盐玻璃配方数据及相应折射率数据
Figure BDA0002254607430000061
步骤1.2、结合神经网络算法构建成分智能设计模型。成分智能设计模型输入层的输入变量有2个，分别为Qi1＝Xi*ci和Qi2＝ri*ci，其中，Xi为碱金属离子电负性，ri为碱金属离子半径，ci为碱金属氧化物i的摩尔百分比。输出层的输出变量有1个，为折射率n。
由于玻璃材料的折射率变化是连续的，所以在神经网络算法中隐藏层只需1层就可实现任何函数的拟合，隐藏层节点数利用经验公式以及十次十折交叉验证确定，经验公式
Figure BDA0002254607430000071
其中l为隐藏层节点数，n为输入变量个数，m为输出变量个数，a为调节参数，a＝1～10。
如图1所示，所使用的神经网络算法为BP神经网络算法，其中，wh，bh为输入层到输出层权重矩阵和偏置矩阵；wy，by为输入层到输出层权重矩阵和偏置矩阵；hi为隐藏层的输入，ho为隐藏层的输入；yi为输出层的输入，yo为输出层的输出；tansig为隐藏层非线性激活函数；linear为输出层线性激活函数。首先设置权重参数和偏置为随机数，通过神经网络的正向计算可得到预测输出yo，然后将预测输出与目标输出的均方差通过梯度下降法反馈回权重参数和偏置并对两者进行更新，最终同通过不断更新权重参数和偏置达到训练模型的目的。
步骤1.3、从玻璃成分-物理性能数据库随机抽取20％数据作为测试数据集，剩余数据作为训练数据集训练成分智能设计模型并通过十次十折交叉验证优化模型参数，相关系数R用于评估模型。通过十次十折交叉验证，对十次十折交叉验证评估结果做平均处理，最终确定效果最优的隐藏层节点数为6。
隐藏层节点数确定为6后，利用测试集测试训练好的成分智能设计模型。本实施例中，训练好的成分智能设计模型的评估效果如图2a和图2b所示，图2a为训练集的评估图，图2b为测试集的评估图。在两图中，拟合线(实线)与标准线(虚线)几乎重合，而且两图的相关系数R都很大，说明模型的反向成分设计能力很好。
步骤1.4、通过训练好的成分智能设计模型逆向计算筛选出目标折射率为1.5的碱金属硅酸盐二元玻璃的成分，结果如表2所示。
表2关于目标折射率的玻璃成分筛选结果
Figure BDA0002254607430000081
步骤1.5、按照筛选得到的六个玻璃配方，采用熔融法制备六块玻璃，准确称取玻璃组分中的各成分，在研钵中混合研磨均匀，再倒入柑祸中在1700℃下融熔30分钟，最后倒在铜质模具中淬冷形成玻璃。
将淬火的玻璃迅速转入退火炉中进行退火，退火温度为玻璃转变温度。
通过棱镜耦合仪测试六块玻璃的折射率，测试得出，所制备的玻璃的折射率与目标折射率相近，实现了对于特定折射率的玻璃材料的制备。
实施例2：
制备室温下目标弹性模量为60Gpa的碱金属硅酸盐二元玻璃，如图6所示，包括以下步骤：
步骤2.1、从玻璃数据库、文献等获取同一个玻璃体系的玻璃材料配方数据及相应弹性模量数据，构成玻璃成分-物理性能数据库，如表3所示。
表3碱金属硅酸盐玻璃配方数据及相应弹性模量数据
Figure BDA0002254607430000082
步骤2.2、结合神经网络算法构建成分智能设计模型。成分智能设计模型输入层的输入变量有2个，分别为Qi1＝Xi*ci和Qi2＝ri*ci，其中，Xi为碱金属离子电负性，ri为碱金属离子半径，ci为碱金属氧化物i的摩尔百分比。输出层的输出变量有1个，为弹性模量E(Gpa)。
步骤2.3、从玻璃成分-物理性能数据库随机抽取20％数据作为测试数据集，剩余数据作为训练数据集训练成分智能设计模型并通过十次十折交叉验证优化模型参数，相关系数R用于评估模型。通过十次十折交叉验证，对十次十折交叉验证评估结果做平均处理，最终确定效果最优的隐藏层节点数为5。
隐藏层节点数确定为5后，利用测试集测试训练好的成分智能设计模型。本实施例中，训练好的成分智能设计模型的评估效果如图3a和图3b所示。图3a为训练集的评估图，在图中，拟合线(实线)与标准线(虚线)几乎重合，相关系数R接近1，说明模型的训练效果很好；图3b为测试集的评估图，在两图中，拟合线(实线)与标准线(虚线)相近，相关系数R也很大。总体而言，模型的反向成分设计能力很好，符合成分设计的要求。
步骤2.4、通过训练好的成分智能设计模型逆向计算筛选出目标弹性模量为60Gpa的碱金属硅酸盐二元玻璃的成分，结果如表4所示。
表4关于目标弹性模量的玻璃成分设计结果
Figure BDA0002254607430000091
步骤2.5、按照筛选得到的两个玻璃配方，采用熔融法制备两块玻璃，准确称取玻璃组分中的各成分，在研钵中混合研磨均匀，再倒入柑祸中在1700℃下融熔30分钟，最后倒在铜质模具中淬冷形成玻璃。
将淬火的玻璃迅速转入退火炉中进行退火，退火温度为玻璃转变温度。
通过共振法测试两块玻璃的弹性模量，测试得出，所制备玻璃的弹性模量与目标弹性模量相近，实现了对于特定弹性模量的玻璃材料的制备。
实施例3：
制备目标密度为2.5g/cm3的碱金属碱土金属硅酸盐三元玻璃，如图6所示，包括以下步骤：
步骤3.1、从玻璃数据库、文献等获取同一个玻璃体系的玻璃材料配方数据及相应密度数据，构成玻璃成分-物理性能数据库，如表5所示。
表5碱金属碱土金属硅酸盐玻璃配方数据及相应密度数据
Figure BDA0002254607430000101
步骤3.2、结合神经网络算法构建成分智能设计模型。成分智能设计模型输入层的输入变量有4个，分别为Qi1＝Xi*ci和Qi2＝ri*ci，其中，Xi为碱金属(碱土金属)离子电负性，ri为碱金属(碱土金属)离子半径，ci为碱金属(碱土金属)氧化物i的摩尔百分比。输出层的输出变量有1个，为密度d(g/cm3)。
步骤3.3、从玻璃成分-物理性能数据库随机抽取20％数据作为测试数据集，剩余数据作为训练数据集训练成分智能设计模型并通过十次十折交叉验证优化模型参数，相关系数R用于评估模型。通过十次十折交叉验证，对十次十折交叉验证评估结果做平均处理，最终确定效果最优的隐藏层节点数为6。
隐藏层节点数确定为6后，利用测试数据集测试训练好的成分智能设计模型。实施例中，训练好的成分智能设计模型的评估效果如图4a和图4b所示。图4a为训练集的评估图，图4b为测试集的评估图。在两图中，拟合线(实线)与标准线(虚线)几乎重合，而且两图的相关系数R都很大，说明模型的反向成分设计能力很好。
步骤3.4、通过训练好的成分智能设计模型逆向计算筛选出目标密度为2.5g/cm3的碱金属碱土金属硅酸盐三元玻璃的成分，结果如表6所示。
表6关于目标密度的玻璃成分设计结果
Figure BDA0002254607430000111
步骤3.5、按照筛选得到的三个玻璃配方，采用熔融法制备三块玻璃，准确称取玻璃组分中的各成分，在研钵中混合研磨均匀，再倒入柑祸中在1700℃下融熔30分钟，最后倒在铜质模具中淬冷形成玻璃。
将淬火的玻璃迅速转入退火炉中进行退火，退火温度为玻璃转变温度。
通过阿基米德排水发测试三块玻璃的密度，测试得出，所制备的玻璃的密度与目标密度相近，实现了对于特定密度的玻璃材料的设计及其制备。
实施例4：
制备目标折射率为1.5，平均色散为0.008的碱金属碱土金属硅酸盐三元玻璃，如图6所示，包括以下步骤：
步骤4.1、从玻璃数据库、文献等获取同一个玻璃体系的玻璃材料配方数据及相应折射率、平均色散数据，构成玻璃成分-物理性能数据库，如表7所示。
表7碱金属碱土金属硅酸盐玻璃配方数据及相应性能数据
Figure BDA0002254607430000121
步骤4.2、结合神经网络算法构建成分智能设计模型。成分智能设计模型输入层的输入变量有4个，分别为Qi1＝Xi*ci和Qi2＝ri*ci，其中，Xi为碱金属(碱土金属)离子电负性，ri为碱金属(碱土金属)离子半径，ci为碱金属(碱土金属)氧化物i的摩尔百分比。输出层的输出变量有2个，分别为折射率n和平均色散(nF-nC)*102。
步骤4.3、从玻璃成分-物理性能数据库随机抽取20％数据作为测试数据集，剩余数据作为训练数据集训练成分智能设计模型并通过十次十折交叉验证优化模型参数，相关系数R用于评估模型。通过十次十折交叉验证，对十次十折交叉验证评估结果做平均处理，最终确定效果最优的隐藏层节点数为7。
隐藏层节点数确定为7后，利用测试数据集测试训练好的成分智能设计模型。本实施例中，训练好的成分智能设计模型的评估效果如图5a和图5b所示。图5a为训练集的评估图，图5b为测试集的评估图。在两图中，拟合线(实线)与标准线(虚线)几乎重合，而且两图的相关系数R都很大，说明模型的反向成分设计能力很好。
步骤4.4、通过训练好的成分智能设计模型逆向计算筛选出目标折射率为1.5，平均色散为0.008的碱金属碱土金属硅酸盐三元玻璃的成分，结果如表8所示。
表8关于目标性能的玻璃成分设计结果
Figure BDA0002254607430000131
步骤4.5、按照筛选得到的三个玻璃配方，采用熔融法制备三块玻璃，准确称取玻璃组分中的各成分，在研钵中混合研磨均匀，再倒入柑祸中在1700℃下融熔30分钟，最后倒在铜质模具中淬冷形成玻璃。
将淬火的玻璃迅速转入退火炉中进行退火，退火温度为玻璃转变温度。
通过棱镜耦合仪测试六块玻璃的折射率和平均色散，测试得出，所制备的玻璃的折射率和平均色散与目标折射率和平均色散相近，实现了对于特定性能的玻璃材料的制备。
如实施例2和实施例3所示，本发明由二元体系推广到了三元玻璃体系，同理，本发明还可推广至四元甚至更多组分玻璃体系性能玻璃的制备。
以上实施例仅为本发明其中的实施方式，仅用于解释本发明，而非限制本发明，本领域技术人员在未脱离本发明精神实质下所作的改变、替换、修饰等均应属于本发明的保护范围。

Claims (8)

1.一种特定物理性能的玻璃材料的制备方法，其特征在于，包括如下步骤：
S1、获取同一个玻璃体系的玻璃材料配方数据及相应性能数据，构成玻璃成分-物理性能数据库；
S2、以玻璃网络修饰体和网络中间体氧化物的阳离子元素性质与含量乘积作为输入层变量，玻璃性能作为输出变量，结合神经网络算法构建成分智能设计模型；成分智能设计模型的输入变量有2*Q个，分别为Qi1＝Xi*ci和Qi2＝ri*ci；其中，Q为玻璃材料中网络中间体和网络修饰体氧化物种类的总数，Qi1、Qi2表示成分智能设计模型输入层变量，Xi，ri分别为第i个玻璃网络中间体或修饰体氧化物阳离子的电负性和离子半径，ci 为玻璃网络中间体或网络修饰体氧化物i的含量；
S3、将玻璃成分-物理性能数据库划分为训练数据集和测试数据集，分别用于训练和测试成分智能设计模型，得到训练好的成分智能设计模型；
S4、输入所需的目标性能，通过成分智能设计模型逆向计算筛选出满足目标性能的玻璃配方；
S5、按照筛选得到的玻璃配方，制备具有特定物理性能的玻璃。
2.根据权利要求1所述的一种特定物理性能的玻璃材料的制备方法，其特征在于，步骤S1中，所述玻璃成分-物理性能数据库的数据来源包括玻璃数据库、文献。
3.根据权利要求1所述的一种特定物理性能的玻璃材料的制备方法，其特征在于，步骤S1中，所述玻璃的结构中包括网络形成体、网络修饰体和网络中间体；网络形成体氧化物包括SiO2、P2O5、B2O3和GeO2；网络中间体氧化物包括ZnO、Al2O3、TiO2和PbO；网络修饰体氧化物包括碱金属及碱土金属氧化物。
4.根据权利要求1所述的一种特定物理性能的玻璃材料的制备方法，其特征在于，步骤S2中，成分智能设计模型的输出变量为玻璃材料的目标性能，包括密度、折射率、弹性模量、热导率、电导率、热膨胀系数、液相线温度中的一个或多个性能。
5.根据权利要求1所述的一种特定物理性能的玻璃材料的制备方法，其特征在于，步骤S2中，所使用的神经网络算法为BP神经网络算法；神经网络包含输入层、隐藏层和输出层；层与层之间设置初始随机权重参数和偏置；隐藏层的激活函数为非线性函数；输出层的激活函数为线性函数。
6.根据权利要求1所述的一种特定物理性能的玻璃材料的制备方法，其特征在于，步骤S3具体包括以下步骤：
S3.1、从玻璃成分-物理性能数据库随机抽取10～30％数据作为测试数据集，其余的数据作为训练数据集；
S3.2、用训练数据集训练成分智能设计模型，通过十次十折交叉验证，对十次交叉评估结果做平均处理，通过调节模型参数，确定成分智能设计模型中隐藏层数及隐藏层节点数，使平均相关系数R达到最大，成分智能设计模型结构达到最优；
S3.3、当隐藏层数及节点数确定后，用测试集测试训练好的成分智能设计模型的预测能力。
7.根据权利要求1所述的一种特定物理性能的玻璃材料的制备方法，其特征在于，步骤S4中，对于期望的玻璃性能，通过训练好的成分智能设计模型逆向计算筛选出满足期望性能的玻璃网络中间体及修饰体的氧化物组成及含量；网络形成体的氧化物含量等于总氧化物含量减去网络中间体和修饰体氧化物的含量，从而得到具有特定物理性能的玻璃的配方。
8.根据权利要求1所述的一种特定物理性能的玻璃材料的制备方法，其特征在于，步骤S5中，按照计算筛选出的玻璃配方，采用熔融法制备玻璃，实现特定物理性能的玻璃材料的制备。
CN201911048017.3A 2019-10-30 2019-10-30 一种特定物理性能的玻璃材料的制备方法 Active CN110648727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911048017.3A CN110648727B (zh) 2019-10-30 2019-10-30 一种特定物理性能的玻璃材料的制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911048017.3A CN110648727B (zh) 2019-10-30 2019-10-30 一种特定物理性能的玻璃材料的制备方法

Publications (2)

Publication Number Publication Date
CN110648727A CN110648727A (zh) 2020-01-03
CN110648727B true CN110648727B (zh) 2021-09-21

Family

ID=69013887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911048017.3A Active CN110648727B (zh) 2019-10-30 2019-10-30 一种特定物理性能的玻璃材料的制备方法

Country Status (1)

Country Link
CN (1) CN110648727B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115536269B (zh) * 2022-10-26 2024-03-01 清远南玻节能新材料有限公司 玻璃组分的确定方法以及玻璃制备方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095273A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于模糊bp神经网络的玻璃钢化的工艺参数设置方法
CN109300514A (zh) * 2018-09-17 2019-02-01 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
CN110364231A (zh) * 2019-06-27 2019-10-22 华南理工大学 预测玻璃体系性质的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095273A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于模糊bp神经网络的玻璃钢化的工艺参数设置方法
CN109300514A (zh) * 2018-09-17 2019-02-01 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
CN110364231A (zh) * 2019-06-27 2019-10-22 华南理工大学 预测玻璃体系性质的方法

Also Published As

Publication number Publication date
CN110648727A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
Rong-Ji et al. Optimizing process parameters for selective laser sintering based on neural network and genetic algorithm
Yuan et al. Retracted: A comparative study on predicting the rapid chloride permeability of self‐compacting concrete using meta‐heuristic algorithm and artificial intelligence techniques
Leong et al. Effects of significant variables on compressive strength of soil-fly ash geopolymer: variable analytical approach based on neural networks and genetic programming
CN110648727B (zh) 一种特定物理性能的玻璃材料的制备方法
Agor et al. Evaluation of sisal fiber and aluminum waste concrete blend for sustainable construction using adaptive neuro-fuzzy inference system
Ghanei et al. Effect of nano-CuO on engineering and microstructure properties of fibre-reinforced mortars incorporating metakaolin: Experimental and numerical studies
Chen et al. Predictive modelling for the acid resistance of cement-based composites modified with eggshell and glass waste for sustainable and resilient building materials
Al-Jamimi et al. Prediction of compressive strength in plain and blended cement concretes using a hybrid artificial intelligence model
Guo et al. An efficient inspection system based on broad learning: nondestructively estimating cement compressive strength with internal factors
CN110807292B (zh) 一种特定激光性能的激光玻璃材料的制备方法
Dong et al. Mix design optimization for fly ash-based geopolymer with mechanical, environmental, and economic objectives using soft computing technology
CN111027251B (zh) 一种基于偏好集的电磁继电器稳健性优化设计方法
Wang et al. Towards a Reliable Design of Geopolymer Concrete for Green Landscapes: A Comparative Study of Tree-Based and Regression-Based Models
CN107563573B (zh) 一种基于自适应学习混合模型的太阳能发电量的预测方法
Surekha et al. Design of genetic fuzzy system for forward and reverse mapping of green sand mould system
Sivananda Reddy et al. A validation study on mechanical properties of foam concrete with coarse aggregate using ANN model
Giri et al. Mechanical and Microstructural Properties of Rubberized Geopolymer Concrete: Modeling and Optimization
Rusna et al. Using Artificial Neural Networks for the Prediction of the Compressive Strength of Geopolymer Fly Ash
CN113555067B (zh) 一种再生沥青混合料低温抗裂性能的评价方法
Hsino et al. Experimental and numerical analysis of the concrete maturation process with additive of phase change materials
Mahajan et al. An artificial neural network for the prediction of the strength of supplementary cementitious concrete
Song et al. Analysis of strategic interactions among generation companies using conjectured supply function equilibrium model
Qiye et al. Improved artificial neural network for data analysis and property prediction in slag glass–ceramic
CN113743540B (zh) 一种基于多模型融合Stacking算法的煤质熔点预测方法
Jain et al. Soft computing modeling on air-cured slag-fly ash-glass powder-based alkali activated masonry elements developed using different industrial waste aggregates

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