CN113628695B - 一种玻璃黏度预测方法及系统 - Google Patents

一种玻璃黏度预测方法及系统 Download PDF

Info

Publication number
CN113628695B
CN113628695B CN202110797848.1A CN202110797848A CN113628695B CN 113628695 B CN113628695 B CN 113628695B CN 202110797848 A CN202110797848 A CN 202110797848A CN 113628695 B CN113628695 B CN 113628695B
Authority
CN
China
Prior art keywords
glass
viscosity
function
temperature
different temperatures
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
CN202110797848.1A
Other languages
English (en)
Other versions
CN113628695A (zh
Inventor
刘鑫
赵明
赵谦
郎玉冬
陈阳
匡宁
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.)
Nanjing Fiberglass Research and Design Institute Co Ltd
Original Assignee
Nanjing Fiberglass Research and Design Institute Co Ltd
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 Nanjing Fiberglass Research and Design Institute Co Ltd filed Critical Nanjing Fiberglass Research and Design Institute Co Ltd
Priority to CN202110797848.1A priority Critical patent/CN113628695B/zh
Publication of CN113628695A publication Critical patent/CN113628695A/zh
Application granted granted Critical
Publication of CN113628695B publication Critical patent/CN113628695B/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
    • G16C20/30—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
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种玻璃黏度预测方法及系统，该方法具体步骤为：采集玻璃材料在不同温度下的黏度数据，构建玻璃黏度的数据库；在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模，对于固定效应项，采用运算速度更快的B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；对于推断方法，使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测。本发明提供的预测方法相比较传统统计模型，具有更低的预测误差和更少的计算成本。

Description

一种玻璃黏度预测方法及系统
技术领域
本发明属于玻璃性能预测领域，特别涉及一种玻璃黏度预测方法及系统。
背景技术
黏度作为玻璃的重要物理性质之一，可以直接反映熔体的结构，因此一直是人们研究的热点。黏度是温度、压力、组成的函数，在某些化合物中也与氧逸度有关。随着温度升高，自由体积和构型熵都会增加，熔体的结果重排变得容易，使得黏度下降。大多数硅酸盐熔体呈现出非牛顿行为，也就是说硅酸盐的熔体跟剪切应力或剪切速率有关。硅酸盐熔体的黏度对数呈非线性变化。
目前，根据生产的需要，一般把常用的温度同黏度-温度曲线上特定的黏度对应起来。在曲线上生产中最关心的则是操作范围温度，即成型玻璃液表面的温度范围。一般体系下的玻璃纤维的操作温度范围为102.5～103.5dPa.s，所以在拉丝过程中尤其关注在此黏度范围内的温度，也就是说准确地预测玻璃黏度可以对指导生产、研究化学组成对玻璃熔体各种性质的影响具有重要意义。
现有的玻璃黏度预测方法主要有如下两种：
(1)Vogel-Fulcher-Tamman(VFT)公式
VFT公式是一种经验公式，其具体形式如下所示：
Figure BDA0003163438690000011
其中A,B,T0为待估参数，并且A可看作是温度趋近于无穷大时的玻璃黏度；B类似于活化能；T0可视为当玻璃黏度趋近于无穷时的温度。
此模型虽然结构简单但是同时局限性也较高：此模型只能针对一块固定配方的玻璃进行黏度的计算，不能针对某个体系下所有配比的玻璃；此模型中并没有包含其他解释变量，单单依靠温度和黏度的对应关系，计算结果往往不理想。
(2)多元线性回归模型
多元线性回归模型的一般形式为：
Figure BDA0003163438690000012
其中a0,…,ap为回归系数，xij为第i块玻璃的第j个解释变量，yi为第i块玻璃的黏度。
通常此模型中的解释变量往往选择玻璃的温度以及组分信息，此模型相比于VFT公式虽然可以在某一玻璃体系中计算玻璃黏度，但是只能限制在此体系中；另外此模型依旧是离散模型，不能考虑不同温度下玻璃黏度的相关性，在计算过程中会损失很多有意义的信息，使得预测结果不精确。
发明内容
本发明的目的在于针对上述现有技术存在的问题，提供一种玻璃黏度预测方法及系统。
实现本发明目的的技术解决方案为：
第一方面，本发明提供一种玻璃黏度预测方法，包括：
采集玻璃材料在不同温度下的黏度数据，构建玻璃黏度的数据库；
在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模：
yi(t)＝μ(t)+τi(t)+∈i(t)i＝1，…，n
其中yi(t)表示第i块玻璃在温度t下的黏度，μ(t)为固定效应项，表示所有n块玻璃在温度t下的平均黏度；τi(t)为随机效应项，表示第i块玻璃在温度t下的特性；∈i(t)为随机误差项；
对于固定效应项，采用B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；
使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测。
第二方面，本发明还提供一种玻璃黏度预测系统，所述系统包括：
第一模块，用于采集玻璃材料在不同温度下的黏度数据，并对缺失数据和异常值进行预处理，构建玻璃黏度的数据库；
第二模块，在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模：
yi(t)＝μ(t)+τi(t)+∈i(t)i＝1,…,n
其中yi(t)表示第i块玻璃在温度t下的黏度，μ(t)为固定效应项，表示所有n块玻璃在温度t下的平均黏度；τi(t)为随机效应项，表示第i块玻璃在温度t下的特性；∈i(t)为随机误差项；
对于固定效应项，采用运算速度更快的B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；
第三模块，使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述预测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述预测方法的步骤。
本发明与现有技术相比，其显著优点为：
(1)针对离散数据的模型一般假设不同温度下的玻璃黏度是不相关的，但是对于一块玻璃其黏度与温度间存在某种函数形式，采用函数型数据而分析的方法，可以考虑不同温度下黏度之间的相关性，提高预测精度；
(2)传统模型只能根据黏度随温度的变化趋势进行预测，往往预测结果的解释性不强并且只能局限在一定体系范围内；本发明对于观测值之间的协方差，使用非线性的核函数进行刻画，同时在核函数中引入一些与温度相关并可以解释玻璃黏度自变量，提高模型的解释能力和预测精度；
(3)采用函数型混合效应模型对玻璃黏度数据进行建模，该模型可以同时考虑固定效应项和随机效应项，并基于高斯过程的假设，可以计算预测值的经验置信区间，给出预测点处的概率分布值，这样就可以为玻璃工艺人员提供预测值的范围，便于其在实际制备过程中进行调整；
(4)对于推断过程，通过引入潜变量采用基于数据的完全似然函数EM(Expectation-Maximization)算法，算法较为简易并会加快算法收敛速度提高运算效率；
(5)本申请提出的预测方法可实现：玻璃黏度的预测误差在10％以内；模型的计算效率较经典的方法提高20％。
附图说明
图1为本发明具体实施过程的流程图。
图2为实例中该体系下的玻璃在不同温度下的黏度曲线示意图。
图3为二维高斯过程的概率密度函数图像示意图。
图4为5个B样条基函数示意图。
图5为估计均值函数(固定效应项)及其95％置信区间示意图。
图6为随机效应项中的估计协方差函数示意图。
图7为预测的玻璃黏度及其95％置信区间示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，结合图1，一种玻璃黏度预测方法，包括：
步骤1，采集玻璃材料在不同温度下的黏度数据，构建玻璃黏度的数据库；
步骤2，在数据采集的过程中，由于采集器械损坏或者人为等原因，会造成数据缺失以及出现异常值等情况，如果使用该数据进行建模分析，会导致结果不准确，所以在建模前需要对数据进行预处理：对于数据缺失的样本，直接删除该样本；对于其他数据，使用分位数检验的方法，剔除位于特定分位点外的样本。
步骤3，对采集后的数据使用函数型混合效应模型进行建模：
yi(t)＝μ(t)+τi(t)+∈i(t),i＝1,…,n
其中yi(t)表示第i块玻璃在温度t下的黏度，μ(t)为固定效应项，表示所有n块玻璃在温度t下的平均黏度；τi(t)为随机效应项，表示第i块玻璃在温度t下的特性；∈i(t)为随机误差项。
步骤4，在高斯过程的假设下，模型有以下结构：
μ(t)＝BTμβ
τi(t)～GP(0,C(·,·；θ))
Figure BDA0003163438690000041
Figure BDA0003163438690000042
其中B为样条基函数，μβ为在样条基函数下的回归系数，GP(·,·)为高斯过程，C(·,·；θ)为非线性核函数，θ＝(v0,w1,…,wpx)为核函数中的参数，px为核函数中自变量个数，xi(t)为自变量，
Figure BDA0003163438690000051
为随机误差项中的方差，v0控制了核函数总体的大小，wk为控制核函数中第k个变量的权重，接下来依据所有玻璃样本的黏度数据给出似然函数：
Figure BDA0003163438690000052
其中y(t)＝(y1(t),…,yn(t))，m为温度t的重复观测次数，
Figure BDA0003163438690000053
I是维数为m的单位阵，使用EM算法进行参数估计，得到估计的参数集合
Figure BDA0003163438690000054
步骤5，根据上一步的估计的参数对新玻璃样本的黏度进行估计，即可以转化为一个条件期望问题：
Figure BDA0003163438690000055
其中y0(t)为待预测的新玻璃样本。该条件期望问题为基于上一步的参数估计结果和已知温度下的玻璃黏度去测未知温度下的玻璃黏度。
在一个实施例中，提供一种玻璃黏度预测系统，所述系统包括：
第一模块，用于采集玻璃材料在不同温度下的黏度数据，构建玻璃黏度的数据库；
第二模块，在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模，对于固定效应项，采用运算速度更快的B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；
第三模块，使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测。
关于玻璃黏度预测系统的具体限定可以参见上文中对于玻璃黏度预测方法的限定，在此不再赘述。上述玻璃黏度预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模，对于固定效应项，采用B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；对于推断方法，使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测。
关于每一步的具体限定可以参见上文中对于基于函数型数据分析的玻璃黏度预测方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模，对于固定效应项，采用B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；对于推断方法，使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测。
关于每一步的具体限定可以参见上文中对于基于函数型数据分析的玻璃黏度预测方法的限定，在此不再赘述。
下面结合实施例和附图对本发明的技术方案作进一步说明。
实施例
一种玻璃黏度预测方法，包括如下步骤：
步骤1、在7元氧化物体系下从数据库中采集十块玻璃在不同温度下的黏度数据，具体玻璃摩尔配比信息和黏度-温度曲线如表1和图2所示，其中图2中共有15条黏度-温度曲线，每一条代表一块玻璃样本。
步骤2、将步骤1中采集到的玻璃黏度数据使用函数型混合效应模型进行建模，对于固定效应项，使用B样条基函数进行展开，如图4所示，图中横坐标表示温度，纵坐标为黏度值，单位为dPa.s，每条曲线表示在不同温度下基函数的黏度取值；我们选择五个B样条基函数对固定效应项进行展开，每一条曲线对应着每条样条B基函数，
Figure BDA0003163438690000071
为B样条基函数，其中
Figure BDA0003163438690000072
Figure BDA0003163438690000073
其中，t为温度范围，t∈[1100,1400]；i＝1,2,…5；k为阶数，取k＝3；n为控制点个数，取n＝5；{t0，t1，…tm}为节点向量，m＝n+k+1。
对于随机效应项，采用高斯过程作为假设，图3展示了2维高斯过程的概率密度曲线图。对于随机误差项，采用独立同分布的正态分布为假设。
步骤3、基于所有玻璃样本的似然函数，使用EM算法进行参数估计，得到参数估计结果
Figure BDA0003163438690000076
图5为固定效应项的估计结果，黑色实线为估计值，灰色阴影部分为95％置信区间。图6为估计的核函数结果，可以发现，核函数结果呈现中间高两边低的形态，在当前温度下的黏度与其附近温度相关，并且温度相差越小，相关性越大。
步骤4、基于步骤3的参数估计结果
Figure BDA0003163438690000074
进行对玻璃黏度的预测工作，结果如图7所示，图中黑线表示在温度1100～1280℃区间内玻璃黏度的观测值，虚线表示在温度1280～1400℃区间内玻璃黏度的预测值，阴影部分表示预测值的95％置信区间。最后从数据库中选取另外15个玻璃黏度样本点，分别使用本发明提出的方法和两种传统方法(VFT模型和多元线性回归模型)进行预测，具体结果见表2，从表中可以看出本发明提出的方法在所有15个玻璃样本的预测结果上均明显优于另外两种传统的方法。本发明的平均预测误差为6.49％，VFT模型的平均预测误差为12.09％，多元线性回归模型的平均预测误差为8.97％，由上可知，本发明的方法能够相对准确的预测出玻璃黏度，验证了本方法的有效性。
表1 7元氧化物体系下十种不同配方的玻璃的组分信息
Figure BDA0003163438690000075
Figure BDA0003163438690000081
表2本方法和其他方法预测玻璃黏度的预测值与真实值的比较
Figure BDA0003163438690000082
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种玻璃黏度预测方法，其特征在于，包括：
采集玻璃材料在不同温度下的黏度数据，构建玻璃黏度的数据库；
在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模：
yi(t)＝μ(t)+τi(t)+∈i(t)i＝1，...，n
其中yi(t)表示第i块玻璃在温度t下的黏度，μ(t)为固定效应项，表示所有n块玻璃在温度t下的平均黏度；τi(t)为随机效应项，表示第i块玻璃在温度t下的特性；∈i(t)为随机误差项；
在高斯过程的假设下，模型有以下结构：
μ(t)＝Brμβ
τi(t)～GP(0，X(·，·；θ))
Figure FDA0004059937110000011
Figure FDA0004059937110000012
其中B为样条基函数，μβ为在样条基函数下的回归系数，C(·，·；θ)为非线性核函数，
Figure FDA0004059937110000013
为核函数中的参数，xi(t)为自变量，
Figure FDA0004059937110000014
为随机误差项中的方差；接下来给出依据所有玻璃黏度数据的似然函数：
Figure FDA0004059937110000015
其中y(t)＝(y1(t)，...，yn(t))，m为温度t的重复观测次数，
Figure FDA0004059937110000016
I是维数为m的单位阵，使用EM算法进行参数估计，得到估计的参数集合
Figure FDA0004059937110000017
根据参数集合
Figure FDA0004059937110000018
对新玻璃样本的黏度进行估计，即可转化为一个条件期望问题：
Figure FDA0004059937110000019
其中y0(t)为待预测的新玻璃样本；
对于固定效应项，采用B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；
使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测；
选择五个B样条基函数对固定效应项进行展开，每一条曲线对应着每条样条B基函数，
Figure FDA0004059937110000021
为B样条基函数，其中
Figure FDA0004059937110000022
Figure FDA0004059937110000023
其中，t为温度范围，t∈[1100，1400]；i＝1，2，...5；k为阶数，取k＝3；n为控制点个数，取n＝5；{t0，t1，...tm}为节点向量，m＝n+k+1。
2.根据权利要求1所述的玻璃黏度预测方法，其特征在于，在建模前需要对数据进行预处理：对于数据缺失的样本，直接删除该样本；对于其他数据，使用分位数检验的方法，剔除位于特定分位点外的样本。
3.一种玻璃黏度预测系统，其特征在于，所述系统包括：
第一模块，用于采集玻璃材料在不同温度下的黏度数据，并对缺失数据和异常值进行预处理，构建玻璃黏度的数据库；
第二模块，在高斯过程的假设下基于函数型混合效应模型对不同组分、不同温度下的玻璃黏度数据进行建模：
yi(t)＝μ(t)+τi(t)+∈i(t)i＝1，...，n
其中yi(t)表示第i块玻璃在温度t下的黏度，μ(t)为固定效应项，表示所有n块玻璃在温度t下的平均黏度；τi(t)为随机效应项，表示第i块玻璃在温度t下的特性；∈i(t)为随机误差项；
在高斯过程的假设下，模型有以下结构：
μ(t)＝VTμβ
τi(t)～GP(0，X(·，·；θ))
Figure FDA0004059937110000031
Figure FDA0004059937110000032
其中V为样条基函数，μβ为在样条基函数下的回归系数，C(·，·；θ)为非线性核函数，
Figure FDA0004059937110000033
为核函数中的参数，xi(t)为自变量，
Figure FDA0004059937110000034
为随机误差项中的方差；接下来给出依据所有玻璃黏度数据的似然函数：
Figure FDA0004059937110000035
其中y(t)＝(y1(t)，...，yn(t))，m为温度t的重复观测次数，
Figure FDA0004059937110000036
I是维数为m的单位阵，使用EM算法进行参数估计，得到估计的参数集合
Figure FDA0004059937110000037
根据参数集合
Figure FDA0004059937110000038
对新玻璃样本的黏度进行估计，即可转化为一个条件期望问题：
Figure FDA0004059937110000039
其中y0(t)为待预测的新玻璃样本；
对于固定效应项，采用运算速度更快的B样条基函数进行展开；对于随机效应项，使用非线性的核函数来描述其协方差函数，同时在核函数中加入自变量以解释玻璃黏度间的相关性；
选择五个B样条基函数对固定效应项进行展开，每一条曲线对应着每条样条B基函数，
Figure FDA00040599371100000310
为B样条基函数，其中
Figure FDA00040599371100000311
Figure FDA00040599371100000312
其中，t为温度范围，t∈[1100，1400]；i＝1，2，...5；k为阶数，取k＝3；n为控制点个数，取n＝5；{t0，t1，...tm}为节点向量，m＝n+k+1；
第三模块，使用EM算法对模型中的参数进行估计，最后对多元玻璃在不同温度下的黏度进行预测。
4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述预测方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述预测方法的步骤。
CN202110797848.1A 2021-07-14 2021-07-14 一种玻璃黏度预测方法及系统 Active CN113628695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110797848.1A CN113628695B (zh) 2021-07-14 2021-07-14 一种玻璃黏度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110797848.1A CN113628695B (zh) 2021-07-14 2021-07-14 一种玻璃黏度预测方法及系统

Publications (2)

Publication Number Publication Date
CN113628695A CN113628695A (zh) 2021-11-09
CN113628695B true CN113628695B (zh) 2023-04-07

Family

ID=78379799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110797848.1A Active CN113628695B (zh) 2021-07-14 2021-07-14 一种玻璃黏度预测方法及系统

Country Status (1)

Country Link
CN (1) CN113628695B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114395261B (zh) * 2022-02-25 2022-08-05 北京工业大学 一种符合无机玻璃中高温黏度渐变特性的有机模拟物

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104062422B (zh) * 2014-06-10 2016-03-30 华东理工大学 玻璃的转变温度和硬度的预测方法
CN109978201A (zh) * 2017-12-27 2019-07-05 深圳市景程信息科技有限公司 基于高斯过程分位数回归模型的概率负荷预测系统及方法
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
CN111047090A (zh) * 2019-12-11 2020-04-21 衢州学院 基于混合核函数自适应融合的电力系统短期负荷预测方法

Also Published As

Publication number Publication date
CN113628695A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
Tang et al. Personalized recommendation via parameter-free contextual bandits
Grover et al. Best arm identification in multi-armed bandits with delayed feedback
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN112115419A (zh) 系统状态估计方法、系统状态估计装置
CN113628695B (zh) 一种玻璃黏度预测方法及系统
CN114861788A (zh) 一种基于dbscan聚类的负荷异常检测方法及系统
CN111414943B (zh) 一种基于混合隐朴素贝叶斯模型的异常检测方法
CN110890127B (zh) 酿酒酵母dna复制起始区域识别方法
CN114500004A (zh) 一种基于条件扩散概率生成模型的异常检测方法
CN114169091A (zh) 工程机械部件剩余寿命的预测模型建立方法及预测方法
CN107240028B (zh) 一种Fedora系统组件复杂网络中的重叠社区检测方法
KR20200000660A (ko) 실시간 시계열 데이터를 위한 예측 모형 생성 시스템 및 방법
WO2020179627A1 (ja) パラメータ推定装置、方法、及びプログラム
CN116663744A (zh) 一种用于近零能耗建筑的能耗预测方法及系统
JP6398991B2 (ja) モデル推定装置、方法およびプログラム
Zhao et al. Prediction of mechanical properties of hot rolled strip by using semi-parametric single-index model
CN110110428A (zh) 一种基于克里金模型优选与神经网络的压气机特性预测方法
CN115204463A (zh) 一种基于多注意力机制的剩余使用寿命不确定性预测方法
CN108415877A (zh) Weibull分布参数的一种等尾置信区间估计方法
CN114707348A (zh) 偏最小二乘Kriging模型辅助的航空减速器高效全局优化方法
WO2020218246A1 (ja) 最適化装置、最適化方法、及びプログラム
CN106934064A (zh) 基于elm的网络信息热点预测系统和方法
Li et al. A BYY scale-incremental EM algorithm for Gaussian mixture learning
CN111291020A (zh) 基于局部加权线性动态系统的动态过程软测量建模方法
CN113313313B (zh) 一种面向城市感知的移动节点任务规划方法

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