CN112016663A - 一种基于群体智能优化算法的高聚物浆液参数识别方法 - Google Patents

一种基于群体智能优化算法的高聚物浆液参数识别方法 Download PDF

Info

Publication number
CN112016663A
CN112016663A CN202010855442.XA CN202010855442A CN112016663A CN 112016663 A CN112016663 A CN 112016663A CN 202010855442 A CN202010855442 A CN 202010855442A CN 112016663 A CN112016663 A CN 112016663A
Authority
CN
China
Prior art keywords
individual
value
objective function
function value
group
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.)
Granted
Application number
CN202010855442.XA
Other languages
English (en)
Other versions
CN112016663B (zh
Inventor
李晓龙
姚文艺
贾赫扬
钟燕辉
张蓓
申震洲
李阳
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202010855442.XA priority Critical patent/CN112016663B/zh
Publication of CN112016663A publication Critical patent/CN112016663A/zh
Application granted granted Critical
Publication of CN112016663B publication Critical patent/CN112016663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Consolidation Of Soil By Introduction Of Solidifying Substances Into Soil (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及化学注浆领域，涉及一种基于群体智能优化算法的高聚物浆液参数识别方法，包括：为智能优化算法参数赋值；按智能优化算法规则生成种群，为种群中每个个体、个体对应的优化目标函数值、个体历史最优值、个体历史最优目标函数值、种群历史最优值、群体历史最优目标函数值以及当前迭代次数赋初值；迭代求解；判断是否执行了预定次数的运算或所述群体历史最优目标函数值是否达到了精度要求；识别得到化学反应动力学参数。本发明通过利用群体智能优化算法从而实现了对存在多个同步化学反应条件下的高聚物浆液化学反应动力学参数的快速准确识别。

Description

一种基于群体智能优化算法的高聚物浆液参数识别方法
技术领域
本发明属于化学注浆领域，尤其涉及一种基于群体智能优化算法的高聚物浆液参数识别方法。
背景技术
注浆作为工程基础设施加固修复的重要手段，在交通、水利、市政等领域得到了广泛应用。发展快捷高效的注浆加固修复新材料、新技术和新理论始终是人们关注的热点，尤其是近年来，随着现代高分子工业的进步，具有自膨胀特性的双组分聚氨酯类高聚物注浆材料及其高压注射技术在国际上发展十分迅速，应用日趋广泛，成为化学灌浆领域较为活跃的发展方向之一，已广泛应用于矿井、隧道等地下工程以及水害防治、地基加固、道路维修等方面，成为岩土工程领域具有明显特色的发展方向。
研究高聚物浆液在被注介质中的扩散机理对于注浆设计和施工具有重要指导意义。借助仿真手段模拟高聚物在被注介质中的膨胀扩散过程是研究高聚物浆液扩散机理的重要途径。高聚物浆液的内在化学反应机制是其膨胀扩散的原动力，实现对高聚物浆液化学反应过程的准确求解是借助仿真手段研究浆液扩散机理的前提，其关键在于准确确定高聚物浆液化学反应动力学参数(指前因子和活化能)。
确定化学反应动力学参数的传统方法是通过试验测定，但该方法只能针对单一化学反应实施，由于高聚物浆液的膨胀扩散过程包含胶凝反应和发泡反应两个并行的化学反应，受两个同步发生的化学反应的耦合作用以及外加剂等因素的影响，与单一反应相比，浆液化学反应动力学参数会发生变化，进而改变反应速率。CN110470559A公开了一种固体高温高压化学反应动力学参数获取方法与装置，其获取方法为：电炉升至指定温度并通入高压反应气体，将固体样品送入电炉炉膛内发生反应并实时测量样品质量，通过对样品质量曲线的微分获取固体高温高压化学反应动力学参数。该方法也是通过试验并采集试验数据以及结合样品质量曲线推算出化学反应动力学参数，并且此方法也并不适合存在多个同步反应条件下的高聚物浆液化学反应动力学参数的获取。如何实现对存在多个同步反应条件下的高聚物浆液化学反应动力学参数的准确辨识，目前尚缺乏有效的手段，成为制约高聚物注浆理论研究和技术发展的瓶颈。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于群体智能优化算法的高聚物浆液参数识别方法，以解决现有技术中对存在多个同步反应条件下的高聚物浆液化学反应动力学参数的识别缓慢且不准确的问题。
为了解决上述技术问题，本发明采用了如下的技术方案：
本发明提供了一种基于群体智能优化算法的高聚物浆液参数识别方法，包括以下步骤：
S10、预处理：确定所述智能优化算法的种群规模n、个体维数d、最大迭代次数T、收敛精度ε；
S20、初始化：按照所述智能优化算法规则生成种群，为种群中每个个体赋初始值，每个个体代表一组高聚物浆液化学反应动力学参数，计算每个个体对应的初始目标函数值；赋予每个个体的个体历史最优值和相应的个体历史最优目标函数值；赋予整个群体的群体历史最优值和相应的群体历史最优目标函数值；为当前迭代次数赋初值；
S30、迭代求解：按照所述智能优化算法规则更新种群每个个体值，计算每个个体相应的优化目标函数值，根据个体当前所述优化目标函数值与所述个体历史最优目标函数值及所述群体历史最优目标函数值的关系，确定是否更新所述个体历史最优值和相应的所述个体历史最优目标函数值以及所述群体历史最优值和相应的所述群体历史最优目标函数值；
S40、判断是否执行了预定次数的运算或所述群体历史最优目标函数值是否达到了精度要求，若是，则执行步骤S50；若否，则执行步骤S30；
S50、输出参数识别结果：输出所述群体历史最优目标函数值对应的化学反应动力学参数，即为识别得到的化学反应动力学参数。
进一步的，所述智能优化算法为粒子群算法、遗传算法、蚁群算法、鱼塘算法。
进一步的，所述步骤S20具体包括：
S21、以化学反应动力学参数取值可行域作为求解空间，在求解空间内随机产生种群的每个个体的初始值形式为xi＝(ANCO,ENCO,AOH,EOH)，i＝1:n，所述ANCO代表每个个体在x轴上离原点的距离，所述ENCO代表每个个体在y轴上离原点的距离，所述AOH代表每个个体在z轴上离原点的距离，所述EOH代表每个个体在时间轴上离原点的距离；
S22、用表达式(1)计算每个个体对应的所述初始目标函数值fi；
所述表达式(1)为：
Figure BDA0002646261530000041
所述表达式(1)中，
Figure BDA0002646261530000042
为实测温度值，
Figure BDA0002646261530000043
为计算温度值，ρk为实测密度值，ρ′k为计算密度值，k为记录点序列号，m为记录点总数，α、β为权重系数；
S23、赋予每个个体的所述个体历史最优值和相应的所述个体历史最优目标函数值：将每个个体的所述初始值xi和相应的所述初始目标函数值fi，分别作为各所述个体历史最优值pi和相应的所述个体历史最优目标函数值fpi的初值；
S24、赋予整个群体的所述群体历史最优值和相应的所述群体历史最优目标函数值：在各所述个体历史最优目标函数值fpi的初值中选择其中的最小值作为所述群体历史最优目标函数值fg的初值，相应的所述个体历史最优值pi初值中的最小值作为所述群体历史最优值pg初值；
S25、设置所述当前迭代次数t＝1。
进一步的，所述步骤S22中，
Figure BDA0002646261530000051
通过联立求解高聚物浆液胶凝反应速率方程(2)、发泡反应速率方程(3)和能量守恒方程(4)得到，ρ′k通过表达式(5)计算得到，
Figure BDA0002646261530000052
和ρk分别通过开展高聚物浆液化学反应试验过程中对不同时刻浆液的温度和体积的测量得到；
所述高聚物浆液胶凝反应速率方程(2)为：
Figure BDA0002646261530000053
所述发泡反应速率方程(3)为：
Figure BDA0002646261530000054
所述能量守恒方程(4)为：
Figure BDA0002646261530000055
所述表达式(5)为：
Figure BDA0002646261530000061
所述高聚物浆液胶凝反应速率方程(2)、所述发泡反应速率方程(3)、所述能量守恒方程(4)、所述表达式(5)中，AOH为凝胶反应的指前因子，EOH为凝胶反应的活化能，AW为发泡反应的指前因子，EW为发泡反应的活化能，Rg为理想气体常数，T为浆液绝对温度，XOH为胶凝反应的转化率，XW为发泡反应的转化率，cNCO,0、cOH,0、cW,0分别为异氰酸酯、多元醇以及水组分在反应混合物中的当前摩尔浓度，ρp、ρBL、ρW分别为异氰酸酯与多元醇混合液、液态物理发泡剂、水的密度，C为比热，λ为蒸发热，(△H)OH为凝胶反应的反应热，(△H)W为发泡反应的反应热，ρ为浆液密度，rW,0是水组分的初始质量，rBL,0是物理发泡剂溶解度的初始值，
Figure BDA0002646261530000062
rW、rBG、rBL分别为各组分的当前质量，t是反应时间。
进一步的，所述步骤S30具体包括：
S31：按照所述智能优化算法规则更新种群每个个体当前值xi；
S32、利用所述表达式(1)计算每个个体相应的优化目标函数值fi；
S33、比较个体当前目标函数值fi t和所述个体历史最优目标函数值fpi，如果fi t<fpi，则更新fpi为fpi＝fi t，所述个体历史最优值pi用个体当前值
Figure BDA0002646261530000063
替换；
如果fpi更新，进一步比较其与所述群体历史最优目标函数值fg的大小，若fpi<fg，则更新fg＝fpi，所述群体历史最优值pg也相应替换为pi。
进一步的，所述步骤S40具体包括：
当t＜T且fg>ε时，执行步骤S30，同时t＝t+1；
如果t＞T或fg≤ε，则计执行步骤S50；
其中所述ε为设定的收敛精度。
本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法与现有技术相比，至少具有如下有益效果：
通过利用群体智能优化算法从而实现了对存在多个同步化学反应条件下的高聚物浆液化学反应动力学参数的快速准确识别。
附图说明
为了更清楚地说明本申请的方案，下面将对实施例描述中所需要使用的附图作一个简单的介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法的总流程示意图；
图2为本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法的实施例一实测温度与基于识别参数得到的计算温度的对比图；
图3为本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法的实施例一实测密度与基于识别参数得到的计算密度的对比图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
实施例一
本实施例中，采用基于群体智能优化算法的自膨胀高聚物浆液化学反应动力学参数识别方法，结合自膨胀高聚物浆液化学反应过程中的温度、密度测试数据，对浆液化学反应动力学参数实施辨识。首先设定自膨胀高聚物浆液的组分参数及相关物理参数：浆液组分浓度cOH,0为4079.6mol/m3，cNCO,0为4557.7mol/m3，cW,0为294.7mol/m3，密度ρp为1100kg/m3，ρW为1000kg/m3，反应热(-△H)W为8.6×104J·mol-1，(-△H)OH为7.075×104J·mol-1，rBL,0为1228kg/m3，
Figure BDA0002646261530000091
为4.4×104，Cp为1800J/(kg·K)，
Figure BDA0002646261530000092
为836.6J/(kg·K)，CBL为1159J/(kg·K)，CBG为1000J/(kg·K)，λ为206.8kJ/kg。
本实施例中的群体智能优化算法具体采用粒子群算法。
S10、预处理：设置种群规模n＝60，粒子维数d＝4，最大迭代次数T＝50，收敛精度ε＝0.00001；
S20、初始化：按照所述智能优化算法规则生成种群，为种群中每个个体赋初始值，每个个体代表一组高聚物浆液化学反应动力学参数，计算每个个体对应的初始目标函数值；赋予每个个体的个体历史最优值和相应的个体历史最优目标函数值；赋予整个群体的群体历史最优值和相应的群体历史最优目标函数值；为当前迭代次数赋初值；
S21、以化学反应动力学参数取值可行域作为求解空间，在求解空间内随机产生种群的每个个体的初始值形式为xi＝(ANCO,ENCO,AOH,EOH)，i＝1:n，所述ANCO代表每个个体在x轴上离原点的距离，所述ENCO代表每个个体在y轴上离原点的距离，所述AOH代表每个个体在z轴上离原点的距离，所述EOH代表每个个体在时间轴上离原点的距离；
S22、用表达式(1)计算每个个体对应的所述初始目标函数值fi；
所述表达式(1)为：
Figure BDA0002646261530000093
所述表达式(1)中，
Figure BDA0002646261530000094
为实测温度值，
Figure BDA0002646261530000095
为计算温度值，ρk为实测密度值，ρ′k为计算密度值，k为记录点序列号，m为记录点总数，α、β为权重系数；
所述步骤S22中，
Figure BDA0002646261530000101
通过联立求解高聚物浆液胶凝反应速率方程(2)、发泡反应速率方程(3)和能量守恒方程(4)得到，ρ′k通过表达式(5)计算得到，
Figure BDA0002646261530000102
和ρk分别通过开展高聚物浆液化学反应试验过程中对不同时刻浆液的温度和体积的量测得到。
所述表达式(2)为：
Figure BDA0002646261530000103
所述表达式(3)为：
Figure BDA0002646261530000104
所述表达式(4)为：
Figure BDA0002646261530000105
所述表达式(5)为：
Figure BDA0002646261530000106
所述高聚物浆液胶凝反应速率方程(2)、所述发泡反应速率方程(3)、所述能量守恒方程(4)、所述表达式(5)中，AOH为凝胶反应的指前因子，EOH为凝胶反应的活化能，AW为发泡反应的指前因子，EW为发泡反应的活化能，Rg为理想气体常数，T为绝对温度，XOH为胶凝反应的转化率，XW为发泡反应的转化率，cNCO,0、cOH,0、cW,0分别为异氰酸酯、多元醇以及水组分在反应混合物中的当前摩尔浓度，ρp、ρBL、ρW分别为混合浆液、液态物理发泡剂、水的密度，C为比热，λ为蒸发热，(△H)OH为凝胶反应的反应热，(△H)W为发泡反应的反应热，ρ为密度，rW,0是水组分的初始质量，rBL,0是溶解度的初始值，
Figure BDA0002646261530000111
rW、rBG、rBL分别为各组分的当前质量，t是反应时间。
S23、赋予每个个体的所述个体历史最优值和相应的所述个体历史最优目标函数值：将每个个体的所述初始值xi和相应的所述初始目标函数值fi，分别作为各所述个体历史最优值pi和相应的所述个体历史最优目标函数值fpi的初值；
S24、赋予整个群体的所述群体历史最优值和相应的所述群体历史最优目标函数值：在各所述个体历史最优目标函数值fpi的初值中选择其中的最小值作为所述群体历史最优目标函数值fg的初值，相应的所述个体历史最优值pi初值中的最小值作为所述群体历史最优值pg初值；
S25、设置所述当前迭代次数t＝1。
S30、迭代求解：按照所述智能优化算法规则更新种群每个个体值，计算每个个体相应的优化目标函数值，根据个体当前所述优化目标函数值与所述个体历史最优目标函数值及所述群体历史最优目标函数值的关系，确定是否更新所述个体历史最优值和相应的所述个体历史最优目标函数值以及所述群体历史最优值和相应的所述群体历史最优目标函数值；
S30具体步骤如下：
S31、按表达式(6)更新每个粒子的位置；
所述表达式(6)为：
Figure BDA0002646261530000121
S32、利用表达式(1)计算每个粒子的目标函数值fi；
S33、对每个粒子进行比较和替换操作：
比较粒子当前目标函数值fi t和个体历史最优目标函数值fpi，如果fi t<fpi，则更新fpi为fpi＝fi t，个体历史最优值pi用当前位置
Figure BDA0002646261530000122
替换；如果fpi更新，进一步比较其与群体历史最优目标函数值fg的大小，若fpi<fg，则更新fg＝fpi，对应的群体历史最优值pg也相应替换为个体历史最优值pi；
S34、按表达式(7)更新每个粒子的速度。
所述表达式(7)为：
Figure BDA0002646261530000123
所述表达式(7)中，t表示当前迭代次数，t-1表示当前迭代次数的上一次迭代次数；r1表示第一随机因子、r2表示第二随机因子，取值范围在[0,1]；w为惯性权重，用来控制速度，平衡算法的整体和局部搜索能力；c1为算法的第一学习因子、c2为算法的第二学习因子，通常取两个相同的非负常数，取值范围在[0,4]，本实施例中，第一学习因子c1＝0.5，第二学习因子c2＝0.5；pi为粒子个体历史最优值，pg为群体历史最优值。
所述表达式(7)中，惯性权重w可用表达式(8)计算；
所述表达式(8)为：
w＝(T-t)×1.0/T (8)
S40、判断是否执行了预定次数的运算或所述群体历史最优目标函数值是否达到了精度要求，若是，则执行步骤S50；若否，则执行步骤S30；
S50、输出参数识别结果：输出所述群体历史最优目标函数值对应的化学反应动力学参数，即为识别得到的化学反应动力学参数。
表1为本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法的实施例一最终识别得到的化学反应动力学参数。
Figure BDA0002646261530000131
Figure BDA0002646261530000141
表1
如表1所示可知，本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法的实施例一最终得到的化学反应动力学参数在参数取值范围内，从图2、图3可以看出，本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法中实测温度与计算温度几乎相同、实测密度与计算密度几乎相同，说明本发明提供的一种基于群体智能优化算法的高聚物浆液参数识别方法所得到的的化学反应动力学参数是较准确的。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (6)

1.一种基于群体智能优化算法的高聚物浆液参数识别方法，其特征在于，包括以下步骤：
S10、预处理：确定所述智能优化算法的种群规模n、个体维数d、最大迭代次数T、收敛精度ε；
S20、初始化：按照所述智能优化算法规则生成种群，为种群中每个个体赋初始值，每个个体代表一组高聚物浆液化学反应动力学参数，计算每个个体对应的初始目标函数值；赋予每个个体的个体历史最优值和相应的个体历史最优目标函数值；赋予整个群体的群体历史最优值和相应的群体历史最优目标函数值；为当前迭代次数赋初值；
S30、迭代求解：按照所述智能优化算法规则更新种群每个个体值，计算每个个体相应的优化目标函数值，根据个体当前所述优化目标函数值与所述个体历史最优目标函数值及所述群体历史最优目标函数值的关系，确定是否更新所述个体历史最优值和相应的所述个体历史最优目标函数值以及所述群体历史最优值和相应的所述群体历史最优目标函数值；
S40、判断是否执行了预定次数的运算或所述群体历史最优目标函数值是否达到了精度要求，若是，则执行步骤S50；若否，则执行步骤S30；
S50、输出参数识别结果：输出所述群体历史最优目标函数值对应的化学反应动力学参数，即为识别得到的化学反应动力学参数。
2.根据权利要求1所述的一种基于群体智能优化算法的高聚物浆液参数识别方法，其特征在于，所述智能优化算法为粒子群算法、遗传算法、蚁群算法、鱼塘算法。
3.根据权利要求1所述的一种基于群体智能优化算法的高聚物浆液参数识别方法，其特征在于，所述步骤S20具体包括：
S21、以化学反应动力学参数取值可行域作为求解空间，在求解空间内随机产生种群的每个个体的初始值形式为xi＝(ANCO,ENCO,AOH,EOH)，i＝1:n，所述ANCO代表每个个体在x轴上离原点的距离，所述ENCO代表每个个体在y轴上离原点的距离，所述AOH代表每个个体在z轴上离原点的距离，所述EOH代表每个个体在时间轴上离原点的距离；
S22、用表达式(1)计算每个个体对应的所述初始目标函数值fi；
所述表达式(1)为：
Figure FDA0002646261520000021
所述表达式(1)中，
Figure FDA0002646261520000022
为实测温度值，
Figure FDA0002646261520000023
为计算温度值，ρk为实测密度值，ρ′k为计算密度值，k为记录点序列号，m为记录点总数，α、β为权重系数；
S23、赋予每个个体的所述个体历史最优值和相应的所述个体历史最优目标函数值：将每个个体的所述初始值xi和相应的所述初始目标函数值fi，分别作为各所述个体历史最优值pi和相应的所述个体历史最优目标函数值fpi的初值；
S24、赋予整个群体的所述群体历史最优值和相应的所述群体历史最优目标函数值：在各所述个体历史最优目标函数值fpi的初值中选择其中的最小值作为所述群体历史最优目标函数值fg的初值，相应的所述个体历史最优值pi初值中的最小值作为所述群体历史最优值pg初值；
S25、设置所述当前迭代次数t＝1。
4.根据权利要求3所述的一种基于群体智能优化算法的高聚物浆液参数识别方法，其特征在于，所述步骤S22中，
Figure FDA0002646261520000031
通过联立求解高聚物浆液胶凝反应速率方程(2)、发泡反应速率方程(3)和能量守恒方程(4)得到，ρk′通过表达式(5)计算得到，
Figure FDA0002646261520000032
和ρk分别通过开展高聚物浆液化学反应试验过程中对不同时刻浆液的温度和体积的测量得到；
所述高聚物浆液胶凝反应速率方程(2)为：
Figure FDA0002646261520000033
所述发泡反应速率方程(3)为：
Figure FDA0002646261520000034
所述能量守恒方程(4)为：
Figure FDA0002646261520000035
所述表达式(5)为：
Figure FDA0002646261520000036
所述高聚物浆液胶凝反应速率方程(2)、所述发泡反应速率方程(3)、所述能量守恒方程(4)、所述表达式(5)中，AOH为凝胶反应的指前因子，EOH为凝胶反应的活化能，AW为发泡反应的指前因子，EW为发泡反应的活化能，Rg为理想气体常数，T为浆液绝对温度，XOH为胶凝反应的转化率，XW为发泡反应的转化率，cNCO,0、cOH,0、cW,0分别为异氰酸酯、多元醇以及水组分在反应混合物中的当前摩尔浓度，ρp、ρBL、ρW分别为异氰酸酯与多元醇混合液、液态物理发泡剂、水的密度，C为比热，λ为蒸发热，(△H)OH为凝胶反应的反应热，(△H)W为发泡反应的反应热，ρ为浆液密度，rW,0是水组分的初始质量，rBL,0是物理发泡剂溶解度的初始值，rCO2、rW、rBG、rBL分别为各组分的当前质量，t是反应时间。
5.根据权利要求3所述的一种基于群体智能优化算法的高聚物浆液参数识别方法，其特征在于，所述步骤S30具体包括：
S31：按照所述智能优化算法规则更新种群每个个体当前值xi；
S32、利用所述表达式(1)计算每个个体相应的优化目标函数值fi；
S33、比较个体当前目标函数值fi t和所述个体历史最优目标函数值fpi，如果fi t<fpi，则更新fpi为fpi＝fi t，所述个体历史最优值pi用个体当前值
Figure FDA0002646261520000041
替换；
如果fpi更新，进一步比较其与所述群体历史最优目标函数值fg的大小，若fpi<fg，则更新fg＝fpi，所述群体历史最优值pg也相应替换为pi。
6.根据权利要求1所述的一种基于群体智能优化算法的高聚物浆液参数识别方法，其特征在于，所述步骤S40具体包括：
当t＜T且fg>ε时，执行步骤S30，同时t＝t+1；
如果t＞T或fg≤ε，则计执行步骤S50；
其中所述ε为设定的收敛精度。
CN202010855442.XA 2020-08-24 2020-08-24 一种基于群体智能优化算法的高聚物浆液参数识别方法 Active CN112016663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010855442.XA CN112016663B (zh) 2020-08-24 2020-08-24 一种基于群体智能优化算法的高聚物浆液参数识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010855442.XA CN112016663B (zh) 2020-08-24 2020-08-24 一种基于群体智能优化算法的高聚物浆液参数识别方法

Publications (2)

Publication Number Publication Date
CN112016663A true CN112016663A (zh) 2020-12-01
CN112016663B CN112016663B (zh) 2022-11-11

Family

ID=73505653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010855442.XA Active CN112016663B (zh) 2020-08-24 2020-08-24 一种基于群体智能优化算法的高聚物浆液参数识别方法

Country Status (1)

Country Link
CN (1) CN112016663B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924334A (zh) * 2021-02-01 2021-06-08 郑州大学 一种高聚物浆液物理发泡剂溶解度曲线适用性检验方法
CN112924336A (zh) * 2021-02-01 2021-06-08 郑州大学 双组份高聚物物理发泡剂溶解曲线的测试方法及验证方法
CN112992282A (zh) * 2021-02-01 2021-06-18 郑州大学 一种双组份聚氨酯高聚物物理发泡剂溶解曲线的验证方法
CN115691675A (zh) * 2022-11-10 2023-02-03 西南大学 一种基于异步分布式优化算法的高效蕈菌毒性识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521654A (zh) * 2011-11-22 2012-06-27 浙江大学 Rna遗传算法的超临界水氧化反应动力学模型参数估计方法
CN105893694A (zh) * 2016-04-21 2016-08-24 北京航空航天大学 一种基于重采样粒子群优化算法的复杂系统设计方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics
CN110544513A (zh) * 2019-07-17 2019-12-06 中国地质大学（武汉） 基于单峰热解曲线的炭化可燃物热解动力学参数计算方法
CN111312337A (zh) * 2020-01-17 2020-06-19 中国地质大学（武汉） 基于热重实验的单峰可燃物热解反应机理模型确定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521654A (zh) * 2011-11-22 2012-06-27 浙江大学 Rna遗传算法的超临界水氧化反应动力学模型参数估计方法
CN105893694A (zh) * 2016-04-21 2016-08-24 北京航空航天大学 一种基于重采样粒子群优化算法的复杂系统设计方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics
CN110544513A (zh) * 2019-07-17 2019-12-06 中国地质大学（武汉） 基于单峰热解曲线的炭化可燃物热解动力学参数计算方法
CN111312337A (zh) * 2020-01-17 2020-06-19 中国地质大学（武汉） 基于热重实验的单峰可燃物热解反应机理模型确定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PAVEL FERKL等: "Multi-scale modelling of expanding polyurethane foams: Coupling macro- and bubble-scales", 《CHEMICAL ENGINEERING SCIENCE》 *
胡军等: "AVO 岩性参数反演的改进人工鱼群算法研究", 《地下空间与工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924334A (zh) * 2021-02-01 2021-06-08 郑州大学 一种高聚物浆液物理发泡剂溶解度曲线适用性检验方法
CN112924336A (zh) * 2021-02-01 2021-06-08 郑州大学 双组份高聚物物理发泡剂溶解曲线的测试方法及验证方法
CN112992282A (zh) * 2021-02-01 2021-06-18 郑州大学 一种双组份聚氨酯高聚物物理发泡剂溶解曲线的验证方法
CN112992282B (zh) * 2021-02-01 2022-11-11 郑州大学 一种双组份聚氨酯高聚物物理发泡剂溶解曲线的验证方法
CN112924334B (zh) * 2021-02-01 2023-01-17 郑州大学 一种高聚物浆液物理发泡剂溶解度曲线适用性检验方法
CN115691675A (zh) * 2022-11-10 2023-02-03 西南大学 一种基于异步分布式优化算法的高效蕈菌毒性识别方法

Also Published As

Publication number Publication date
CN112016663B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN112016663B (zh) 一种基于群体智能优化算法的高聚物浆液参数识别方法
CN104991051B (zh) 一种基于混合模型的混凝土强度预测方法
CN109030197A (zh) 一种考虑温湿耦合作用的混凝土分数阶抗压强度模型
CN108536926A (zh) 基于改进自适应gev分布的腐蚀油气管道剩余寿命分析方法
CN101609057B (zh) 普通混凝土导热系数随龄期发展预测模型的构建方法
Xia et al. Slope stability analysis based on group decision theory and fuzzy comprehensive evaluation
CN106327004A (zh) 一种基于熟料质量指标的水泥烧成过程优化方法
CN112017733B (zh) 一种基于粒子群算法的高聚物浆液参数识别方法
Du et al. Influence of external environment on self-repairing ability of the cement-based materials containing paraffin/toluene-di-isocyanate microcapsules
Han et al. Deep learning to predict the hydration and performance of fly ash-containing cementitious binders
Tang et al. Effect of Salt Solution on the Mechanical Behaviours of Geopolymer Concrete under Dry‐Wet Cycles
CN117172116A (zh) 基于pso-bp组合模型的混凝土抗压强度预测方法
Guo et al. Accelerated life testing of concrete based on three-parameter Weibull stochastic approach
CN101609084B (zh) 普通混凝土导温系数随龄期发展预测模型的构建方法
Utomo et al. CLC (Cellular Lightweight Concrete) brick making process using neural network and extreme learning method based on microcontroller and Visual Studio. Net
Yuan et al. Experimental study on the influence of aging on mechanical properties of geogrids and bearing capacity of reinforced sand cushion
Gong et al. Life prediction of hydraulic concrete based on grey residual markov model
Xiaolong et al. Study on On-site Monitoring of Hydration Heat of Mass Concrete for Bridge Slab Based on Measured Data.
Huang et al. Machine learning-based prediction model for CO2-induced corrosion on oil well cement under high-pressure and high-temperature condition
JP2003281194A (ja) 装置の最適設計支援方法、装置の最適設計支援システムおよびコンピュータプログラム
CN112924334B (zh) 一种高聚物浆液物理发泡剂溶解度曲线适用性检验方法
Bryan et al. Understanding and Predicting Stress Corrosion Cracking of SNF Dry Storage Canisters.
CN116959636A (zh) 一种深部煤系地层注浆材料设计方法及注浆材料
Tan et al. A 3D Peridynamic Model to Simulate Indirect Tensile Failure in Marble
Zhang et al. Analysis of the Relationship between Mechanical Properties and Pore Structure of MSW Incineration Bottom Ash Fine Aggregate Concrete after Freeze-Thaw Cycles Based on the Gray Theory.

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