CN116579253B - 密封条的物理性能确定方法、装置、电子设备和存储介质 - Google Patents

密封条的物理性能确定方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116579253B
CN116579253B CN202310842671.1A CN202310842671A CN116579253B CN 116579253 B CN116579253 B CN 116579253B CN 202310842671 A CN202310842671 A CN 202310842671A CN 116579253 B CN116579253 B CN 116579253B
Authority
CN
China
Prior art keywords
population
individuals
value
fitness
sealing strip
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
CN202310842671.1A
Other languages
English (en)
Other versions
CN116579253A (zh
Inventor
勾健
郭忠文
马荣鑫
范正炼
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.)
Ocean University of China
Wuhu Midea Kitchen and Bath Appliances Manufacturing Co Ltd
Original Assignee
Ocean University of China
Wuhu Midea Kitchen and Bath Appliances Manufacturing 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 Ocean University of China, Wuhu Midea Kitchen and Bath Appliances Manufacturing Co Ltd filed Critical Ocean University of China
Priority to CN202310842671.1A priority Critical patent/CN116579253B/zh
Publication of CN116579253A publication Critical patent/CN116579253A/zh
Application granted granted Critical
Publication of CN116579253B publication Critical patent/CN116579253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本申请提供一种密封条的物理性能确定方法、装置、电子设备和存储介质，涉及电器技术领域。该方法包括：根据多个第一种群个体的适应度值中的最大适应度值对各适应度值进行修正，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值；根据第一种群个体修正后的适应度值，生成多个第二种群个体；根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定密封条的物理性能，可以准确地确定密封条的物理性能。

Description

密封条的物理性能确定方法、装置、电子设备和存储介质
技术领域
本申请涉及电器技术领域，尤其涉及一种密封条的物理性能确定方法、装置、电子设备和存储介质。
背景技术
密封条，作为电器密封系统中的重要部件，其功能既要满足密封性，又要满足扣合性，因此，合理地设计密封条是至关重要的。
在选择密封条时，需要充分考虑密封条的物理性能，例如应变能密度不同，那么，如何准确地确定密封条的物理性能是本领域技术人员亟需解决的问题。
发明内容
本申请旨在至少解决相关技术中存在的技术问题之一。为此，本申请提出一种密封条的物理性能确定方法、装置、电子设备和存储介质，通过准确地确定密封条的物理性能，使得后续可以基于密封条的物理性能，合理地设计密封条。
本申请还提出一种密封条物理性能的确定装置。
本申请还提出一种电子设备。
本申请还提出一种非暂态计算机可读存储介质。
根据本申请第一方面实施例的密封条的物理性能确定方法，该方法包括：
生成第一种群，所述第一种群包括多个第一种群个体，所述第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各所述第一种群个体对应有适应度值，所述适应度值是基于不同场景下密封条的反弹力最大值确定的。
针对各所述第一种群个体，根据多个所述适应度值中的最大适应度值，对所述第一种群个体的适应度值进行修正，得到修正后的适应度值；基于所述最大适应度值与所述适应度值的第一差值小于预设阈值的比较结果，所述最大适应度值与所述修正后的适应度值之间的第二差值小于所述第一差值，基于所述第一差值大于或等于预设阈值的比较结果，所述第二差值大于所述第一差值。
根据各所述第一种群个体修正后的适应度值，生成第二种群，所述第二种群包括多个第二种群个体；所述第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能。
根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，确定目标种群个体，所述目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数。
根据本申请实施例的密封条物理性能的确定方法，生成包括多个第一种群个体的第一种群，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；并根据多个第一种群个体的适应度值中的最大适应度值对各第一种群个体的适应度值进行修正，基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值；并根据各第一种群个体修正后的适应度值，生成第二种群；根据多个第一种群个体和第二种群包括的多个第二种群个体各自修正后的适应度值，共同确定目标种群个体，目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数，从而可以准确地确定密封条的物理性能。
根据本申请的一个实施例，所述适应度值的减小值与所述第一差值呈正相关，所述适应度值的增大值与所述第一差值呈负相关。
根据本申请的一个实施例，所述根据各所述第一种群个体修正后的适应度值，生成第二种群，包括：
根据各所述第一种群个体修正后的适应度值，从多个所述第一种群个体中选择多个第三种群个体；多个所述第三种群个体包括修正后的适应度值大于第一适应度阈值的第一种群个体；对多个所述第三种群个体进行交叉和变异，生成所述第二种群。
根据本申请的一个实施例，所述根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，确定目标种群个体，包括：
基于迭代次数小于预设迭代次数的比较结果，根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，从多个所述第一种群个体和多个所述第二种群个体中选择多个第四种群个体；多个所述第四种群个体包括修正后的适应度值大于第二适应度阈值的种群个体；将多个所述第四种群个体确定为新的第一种群个体，并基于所述新的第一种群个体修正后的适应度值，生成新的第二种群个体，重复执行上述步骤，直至迭代次数等于所述预设迭代次数。
根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，将修正后的最大适应度值对应的种群个体确定为所述目标种群个体。
根据本申请的一个实施例，所述方法还包括：
确定试验场景下所述密封条的第一反弹力最大值，以及压缩仿真场景下所述密封条的第二反弹力最大值；
根据所述第一反弹力最大值和所述第二反弹力最大值的差值，确定所述第一种群个体的目标函数值；
根据所述目标函数值，确定所述第一种群个体的适应度值。
根据本申请的一个实施例，确定压缩仿真场景下所述密封条的第二反弹力最大值，包括：
获取压缩仿真场景下所述密封条的应变能密度的力学参数；
将所述压缩仿真场景下所述密封条的应变能密度的力学参数输入至神经网络模型，得到所述第二反弹力最大值；
其中，所述神经网络模型是根据所述密封条的多个应变能密度的样本力学参数和所述多个样本力学参数各自对应的反弹力最大值标签，对初始神经网络模型进行训练得到的，所述多个样本力学参数和所述反弹力最大值标签是所述密封条压缩仿真场景下产生的。
根据本申请的一个实施例，所述神经网络模型是基于如下方式训练得到的：
将所述多个样本力学参数输入至所述初始神经网络模型中，得到各样本力学参数对应的预测反弹力最大值。
根据各样本力学参数对应的预测反弹力最大值和反弹力最大值标签，更新所述初始神经网络模型的模型参数，得到所述神经网络模型。
根据本申请第二方面实施例的密封条物理性能的确定装置，该装置包括：
第一生成模块，用于生成第一种群，所述第一种群包括多个第一种群个体，所述第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各所述第一种群个体对应有适应度值，所述适应度值是基于不同场景下密封条的反弹力最大值确定的。
处理模块，用于针对各所述第一种群个体，根据多个所述适应度值中的最大适应度值，对所述第一种群个体的适应度值进行修正，得到修正后的适应度值；基于所述最大适应度值与所述适应度值的第一差值小于预设阈值的比较结果，所述最大适应度值与所述修正后的适应度值之间的第二差值小于所述第一差值，基于所述第一差值大于或等于预设阈值的比较结果，所述第二差值大于所述第一差值。
第二生成模块，用于根据各所述第一种群个体修正后的适应度值，生成第二种群，所述第二种群包括多个第二种群个体；所述第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能。
第一确定模块，用于根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，确定目标种群个体，所述目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数。
根据本申请实施例的密封条物理性能的确定装置，生成包括多个第一种群个体的第一种群，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；并根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正，得到修正后的适应度值；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值；根据各第一种群个体修正后的适应度值，生成第二种群；根据多个第一种群个体和第二种群包括的多个第二种群个体各自修正后的适应度值，共同确定目标种群个体，目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数，从而可以准确地确定密封条的物理性能。
本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：生成包括多个第一种群个体的第一种群，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；并根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正，得到修正后的适应度值；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值；根据各第一种群个体修正后的适应度值，生成第二种群；根据多个第一种群个体和第二种群包括的多个第二种群个体各自修正后的适应度值，共同确定目标种群个体，目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数，从而可以准确地确定密封条的物理性能。
进一步的，减小第一种群个体的适应度值时，适应度值的减小值可以相同，也可以不同，例如适应度值的减小值与第一差值呈正相关，即适应度值与最大适应度值越远，对应的减小值可以相对大一点，适应度值与最大适应度值越近，对应的减小值可以相对小一点，这样可以降低较差的第一种群个体被选中的概率。
更进一步的，增大第一种群个体的适应度值时，适应度值的增大值可以相同，也可以不同，例如适应度值的增大值与第一差值呈负相关，即适应度值与最大适应度值越远，对应的增大值可以相对小一点，适应度值与最大适应度值越近，对应的增大值可以相对大一点，这样可以提高较优的第一种群个体被选中的概率。
再进一步的，确定第一种群个体的适应度值时，可以确定试验场景下密封条的第一反弹力最大值，以及压缩仿真场景下密封条的第二反弹力最大值；并根据第一反弹力最大值和第二反弹力最大值的差值，确定第一种群个体的目标函数值；再根据目标函数值，确定第一种群个体的适应度值。由于在试验场景下产生的第一反弹力最大值的准确度较高，因此，结合该准确度较高的第一反弹力最大值共同确定适应度值，可以在一定程度上提高确定出的适应度值的准确度。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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为本申请实施例提供的一种密封条的物理性能确定方法的流程示意图；
图2为本申请实施例提供的一种工装整体的结构示意图；
图3为本申请实施例提供的一种工装整体的爆炸示意图；
图4为本申请实施例提供的一种洗碗机整机密封系统的截面的结构示意图；
图5为本申请实施例提供的一种安装密封条后的洗碗机整机密封系统的截面的示意图；
图6为本申请实施例提供的一种洗碗机密封系统和其中的密封条压缩仿真模型的示意图，其中，（a）为洗碗机密封系统的结构示意图，（b）为密封条压缩仿真模型的结构示意图；
图7为本申请实施例提供的一种密封条压缩仿真的示意图；其中，（a）为初始状态的密封条压缩仿真示意图，（b）为过盈装配状态的密封条压缩仿真示意图，（c）为多余约束释放状态的密封条压缩仿真示意图，（d）为门体扣合压缩状态的密封条压缩仿真示意图；
图8为本申请实施例提供的一种模型试验设备的示意图；
图9为本申请实施例提供的一种压缩位移量和基于密封条压缩仿真模型得到的反弹力之间的示意图；
图10为本申请实施例提供的一种过盈装配状态下的压缩形态的对比示意图，其中，（a）为密封条压缩仿真模型得到的过盈装配状态下的压缩形态的仿真示意图，（b）为试验场景下得到的过盈装配状态下的压缩形态的示意图；
图11为本申请实施例提供的一种门体扣合压缩状态下的压缩形态的对比示意图，其中，（a）为密封条压缩仿真模型得到的门体扣合压缩状态下的压缩形态的仿真示意图，（b）为试验场景下得到的门体扣合压缩状态下的压缩形态的示意图；
图12为本申请实施例提供的一种获取神经网络模型的流程示意图；
图13为本申请实施例提供的样本参数对的示意图；
图14为本申请实施例提供的迭代次数和对应的均方误差的关系示意图；
图15为本申请实施例提供的一种基于神经网络模型得到的反弹力最大值和采用有限元仿真方法得到的反弹力最大值的示意图；
图16为本申请实施例的一种目标函数的迭代历程的示意图；
图17为本申请实施例的一种反弹力最大值的迭代历程的示意图；
图18为本申请实施例提供的一种密封条的物理性能确定装置的结构示意图；
图19为本申请实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例提供的技术方案可以应用于密封条设计的场景中。密封条，作为电器密封系统中的重要部件，其功能既要满足密封性，又要满足扣合性。
以洗碗机为例，一方面，在洗碗机门体关闭的过程中，门体会压缩门框凹槽里的密封条，密封条因压缩变形产生一定的反弹力，满足密封性要求，防止洗碗水溢出。另一方面，密封条因压缩变形而产生的反弹力会成为门体扣合过程中的主要阻力，如果设计不合理，密封条反弹力太大，门体扣合力太小会导致门体容易松动，影响洗碗机的物理性能。
因此，在选择密封条时，需要充分考虑密封条的物理性能，例如应变能密度不同，使得被选择的密封条同时满足密封性要求和扣紧性要求，即需要在密封性和扣紧性之间找到平衡点。其中，应变能密度是指单位体积的弹性应变能。
通常情况在，密封条一般采用超弹性材料，由于超弹性材料具有不可压缩、大变形以及高度非线性，因此，通过选择合适的本构模型描述超弹性材料至关重要。目前，被广泛应用的超弹性材料的本构模型通过密封条的物理性能，例如应变能密度体现。
以应变能密度为例，主要包括两类，一类认为应变能密度是主应变不变量的一个多项式函数。例如，当超弹性材料不可压缩时，应变能密度可以通过Rivlin模型描述，若仅一次项被采用，则Rivlin模型被称为Mooney-Rivlin模型。另一类认为应变能密度是3个主伸长率的独立函数，例如Valanis-Landel材料模型和Ogden材料模型。
其中，应变能密度通过Mooney- Rivlin模型描述时，可参见下述公式（1）所示。
（1）
上述公式（1）中，表示应变能密度，/>表示Mooney- Rivlin模型中密封条应变能密度的力学参数，/>表示第1个应变不变量参数，/>，/>表示第2个应变不变量参数，/>，/>、/>、/>为主伸长比。
针对上述公式（1），若仅用1个应变不变量参数描述，则Mooney-Rivlin模型被称为neo-Hookean Mooney-Rivlin模型，即应变能密度可以通过neo-Hookean Mooney-Rivlin模型描述，可参见下述公式（2）所示。
（2）
其中，表示neo-Hookean Mooney-Rivlin模型中密封条应变能密度的力学参数，在neo-Hookean Mooney-Rivlin模型中，第1个应变不变量参数等于剪切模量的一半，剪切模量是一个常数；第2个应变不变量参数等于0。在单轴拉伸试验中当应变不超过40%时，以及在简单剪切试验中当应变不超过90%时，neo-Hookean Mooney-Rivlin模型得到的数据与试验数据具有很好的一致性。
若采用2个应变不变量参数描述，则Mooney-Rivlin模型可参见下述公式（3）所示。
（3）
其中，和/>表示Mooney-Rivlin模型中密封条应变能密度的力学参数，均为正定常数。对于大多数橡胶材料，当应变不超过150%时，采用2个应变不变量参数的Mooney-Rivlin模型得到的数据是近似可行的。在后续的描述中，将以应变能密度为采用2个应变不变量参数的Mooney-Rivlin模型为例进行描述，以通过应变能密度体现密封条的物理性能。
在通过应变能密度体现密封条的物理性能时，需要确定应变能密度，基于上述公式（3）可以看出，若要确定应变能密度，则需要先确定密封条应变能密度的力学参数和，该密封条应变能密度的力学参数/>和/>可以理解为密封条超弹本构应变能的力学参数，用于确定密封条的应变能密度。
现有技术中，为了确定密封条应变能密度的力学参数和/>，一方面，需要进行四种不同模式的实验，分别包括单轴拉伸实验、平面拉伸实验、等双轴拉伸实验，以及体积拉伸实验，以通过实验确定各种模式下的力位移曲线，并对力位移曲线进行转换得到对应的应力应变曲线；另一方面，通过力学理论，推导各种模式下的应力应变曲线；再采用非线性拟合算法，对这两方面确定的应力应变曲线进行拟合，得到密封条应变能密度的力学参数/>和/>。
然而，考虑到在实际操作过程中，很难进行四种不同模式的实验，因此，采用现有技术的方案，很难准确地确定出密封条应变能密度的力学参数和/>，进而无法准确地确定密封条的物理性能。因此，如何准确地确定密封条的物理性能，使得后续可以基于密封条的物理性能，合理地设计密封条选择是至关重要的。
为了可以准确地确定密封条的物理性能，本申请实施例提供了一种密封条的物理性能确定方法，可以采用种群算法的思路确定密封条应变能密度的力学参数，以通过密封条应变能密度的力学参数确定密封条的物理性能，且采用种群算法确定密封条应变能密度的力学参数时，还考虑到适应度值越大，说明其对应的种群个体越优秀；适应度值越小，说明其对应的种群个体越差，种群个体即为用于确定密封条物理性能的力学参数，因此，可以结合获取到种群中各种群个体的适应度值生成新种群。
需要特别说明的是，在结合各种群个体的适应度值生成新种群时，本申请提供的技术方案不是直接根据各种群个体的适应度值生成新种群，而是进一步考虑为了避免漏选优秀的种群个体，又选中较差的种群个体，因此，在获取到各种群个体的适应度值后，先通过多个适应度值中的最大适应度值对各种群个体的适应度值进行修正，使得与最大适应度值越接近的适应度值对应的种群个体修正后的适应度值越大，该种群个体越容易被选中；与最大适应度值越远的适应度值对应的种群个体修正后的适应度值越小，该种群个体越不容易被选中，以生成较优的新种群；再根据上述种群中的种群个体和较优的新种群中的种群个体各自修正后的适应度值，确定最终的种群个体，该最终的种群个体为用于确定密封条的物理性能的应变能密度的力学参数，从而可以准确地确定出密封条的物理性能。
其中，最大适应度值对应的种群个体可以理解为多个第一种群个体中，最优的第一种群个体。通过最大适应度值对第一种群个体的适应度值进行修正，可以理解为将最大适应度值作为基准，用于修正各第一种群个体的适应度值，从而更好地筛选优秀的第一种群个体和较差的第一种群个体。
为了便于理解本申请实施例提供的密封条的物理性能确定方法，下面，将通过下述几个具体的实施例对本申请提供的密封条的物理性能确定方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本申请实施例提供的一种密封条的物理性能确定方法的流程示意图，该密封条的物理性能确定方法可以由软件和/或硬件装置执行。示例地，请参见图1所示，该密封条的物理性能确定方法可以包括：
S101、生成第一种群，第一种群包括多个第一种群个体，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各第一种群个体对应有适应度值，适应度值是基于不同场景下密封条的反弹力最大值确定的。
其中，密封条应变能密度的力学参数可以为上述公式（3）中的和/>，即密封条超弹本构应变能函数的力学参数。不难看出，在本申请实施例中，每一个第一种群个体都可以看作一个由密封条应变能密度的力学参数/>和/>构成的参数对。
示例地，生成第一种群时，可以采用现有的遗传算法随机生成第一种群，也可以采用其它种群算法，例如，例子种群算法随机生成第一种群，具体可以根据实际需要进行设置，在此，本申请实施例只是以采用现有的遗传算法随机生成第一种群为例进行描述，但并不代表本申请实施例仅局限于此。
示例地，采用现有的遗传算法随机生成第一种群时，可以定义遗传算法中的相关参数，例如种群规模、最大进化代数、染色体编码长度、交叉率和变异率等参数，并确定密封条应变能密度的力学参数和/>的取值范围，根据历史经验，密封条应变能密度的力学参数/>和/>的取值范围通常为0.00～1.00MPa；再基于定义的相关参数和密封条应变能密度的力学参数/>和/>的取值范围，随机生成多个第一种群个体，该多个第一种群个体构成的种群即为第一种群，从而随机生成第一种群。
针对第一种群中的多个第一种群个体而言，其每一个第一种群个体都对应有各自的适应度值，适应度值是基于不同场景下密封条的反弹力最大值确定的，且适应度值与第一种群个体是否为优秀的种群个体息息相关。通常情况下，适应度值越大，说明其对应的第一种群个体越优秀；适应度值越小，说明其对应的第一种群个体越差。
因此，在本申请实施例中，为了避免漏选优秀的种群个体，又选中较差的种群个体，因此，在基于各第一种群个体的适应度生成新的种群，即本申请实施例中的第二种群之前，可以先通过多个适应度值中的最大适应度值对各第一种群个体的适应度值进行修正，即执行下述S102，使得与最大适应度值越接近的适应度值对应的第一种群个体修正后的适应度值越大，该第一种群个体越容易被选中；与最大适应度值越远的适应度值对应的第一种群个体修正后的适应度值越小，该第一种群个体越不容易被选中，从而为后续生成较优的第二种群提供参考。
S102、针对各第一种群个体，根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正，得到修正后的适应度值；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值。
其中，预设范围的取值可以根据实际需要进行设置，在此，对于预设范围的具体取值，本申请实施例不做进一步地限制。
可以理解的是，根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正时，考虑到在本申请实施例中，对每一个第一种群个体的修正方法类似，因此，为了避免赘述，将以对多个第一种群个体中，任一个第一种群个体的适应度值进行修正为例进行描述。
示例地，在本申请实施例中，根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正时，可以先确定最大适应度值和第一种群个体的适应度值之间的第一差值，若第一差值小于预设阈值，说明该第一种群个体的适应度值与最大适应度值越接近，该第一种群个体越优秀，则可以进一步增大该第一种群个体的适应度值，使得最大适应度值与修正后的适应度值之间的第二差值更小，这样该第一种群个体越容易被选中。
相反的，若第一差值未小于预设阈值，说明该第一种群个体的适应度值与最大适应度值越远，该第一种群个体越差，则可以进一步减小该第一种群个体的适应度值，使得最大适应度值与修正后的适应度值之间的第二差值更大，这样该第一种群个体越不容易被选中。
示例地，在本申请实施例中，增大第一种群个体的适应度值时，可以在第一种群个体的适应度值的基础上，加上大于0的数；也可以在第一种群个体的适应度值的基础上，减去小于0的数；也可以在第一种群个体的适应度值的基础上，乘以大于1的数；也可以在第一种群个体的适应度值的基础上，除以大于0，且小于1的数；当然，也可以采用高斯核函数，又称径向基函数（Radial Basis Function，RBF）对第一种群个体的适应度值进行映射，增大第一种群个体的适应度值等，可参见下述公式（4）。
（4）
其中，表示核函数，即第一种群个体修正后的适应度值，/>表示第一种群个体的适应度值，/>表示最大适应度值。
示例地，在本申请实施例中，减小第一种群个体的适应度值时，与上述增大第一种群个体的适应度值的方法类似，可以在第一种群个体的适应度值的基础上，加上小于0的数；也可以在第一种群个体的适应度值的基础上，减去大于0的数；也可以在第一种群个体的适应度值的基础上，乘以大于0，且小于1的数；也可以在第一种群个体的适应度值的基础上，除以大于1的数，当然，也可以采用高斯核函数对第一种群个体的适应度值进行映射，减小第一种群个体的适应度值等，具体可以根据实际需要进行设置。
可以理解的是，上述在根据多个适应度值中的最大适应度值对适应度值进行修正时，也包括了对最大适应度值进行修正。示例地，在本申请实施例中，在对最大适应度值进行修正时，可以在最大适应度值的基础上加上0，使得修正后的最大适应度值保持不变。
需要说明的是，在根据多个适应度值中的最大适应度值对适应度值进行修正时，本申请实施例只是以根据最大适应度值对每一个第一种群个体的适应度值进行修正为例进行说明，当然，也可以根据最大适应度值对多个第一种群个体中，除最大适应度值对应的第一种群个体之外的其他第一种群个体的适应度值的适应度值进行修正，即对最大适应度值不进行修正，具体可以根据实际需要进行设置。
举例来说，假设第一种群包括种群个体1、种群个体2、种群个体3、种群个体4以及种群个体5。其中，种群个体1的适应度值为10、种群个体2的适应度值为8、种群个体3的适应度值为7、种群个体4的适应度值为4、种群个体5的适应度值为3，则最大适应度值为种群个体1的适应度值10，说明种群个体1为上述5个第一种群个体中最优的第一种群个体。
在根据最大适应度值10对上述5个第一种群个体的适应度值进行修正时，假设预设阈值4，则最大适应度值10与种群个体1的适应度10的第一差值0小于预设阈值，则增大种群个体1的适应度值，由于种群个体1的适应度值本身已经为最大值适应度值，因此，可以在种群个体1的适应度值10的基础上加上0，使得修正后的最大适应度值保持不变。最大适应度值10与种群个体2的适应度8的第一差值2小于预设阈值，则增大种群个体2的适应度值，可以在种群个体2的适应度8的基础上加上1，使得种群个体2修正后的适应度值为9。最大适应度值10与种群个体3的适应度7的第一差值3小于预设阈值，则增大种群个体3的适应度值，可以在种群个体3的适应度7的基础上加上1，使得种群个体3修正后的适应度值为8。最大适应度值10与种群个体4的适应度4的第一差值6大于预设阈值，则减小种群个体4的适应度值，可以在种群个体4的适应度4的基础上减去1，使得种群个体4修正后的适应度值为3。最大适应度值10与种群个体5的适应度3的第一差值2小于预设阈值，则减小种群个体5的适应度值，可以在种群个体5的适应度3的基础上减去1，使得种群个体5修正后的适应度值为2。
示例地，在本申请实施例中，减小第一种群个体的适应度值时，适应度值的减小值可以相同，也可以不同，例如适应度值的减小值与第一差值呈正相关，即适应度值与最大适应度值越远，对应的减小值可以相对大一点，适应度值与最大适应度值越近，对应的减小值可以相对小一点，这样可以降低较差的第一种群个体被选中的概率。
例如，结合上述描述的种群个体4和第二种群个体5，种群个体4的适应度4相对于种群个体5的适应度3而言，其与最大适应度值相对较近，则减小种群个体4的适应度和种群个体5的适应度时，可以在种群个体4的适应度4的基础上减小1，在种群个体5的适应度3的基础上减小2，使得较差的种群个体5变得更差，从而进一步降低种群个体5被选中的概率。
类似的，增大第一种群个体的适应度值时，适应度值的增大值可以相同，也可以不同，例如适应度值的增大值与第一差值呈负相关，即适应度值与最大适应度值越远，对应的增大值可以相对小一点，适应度值与最大适应度值越近，对应的增大值可以相对大一点，这样可以提高较优的第一种群个体被选中的概率。
例如，结合上述描述的种群个体2和第二种群个体3，种群个体2的适应度8相对于种群个体3的适应度7而言，其与最大适应度值相对较近，则增大种群个体2的适应度和种群个体3的适应度时，可以在种群个体2的适应度8的基础上加上1.5，在种群个体3的适应度7的基础上加上1，使得较优的种群个体2变得更优，从而进一步提高种群个体2被选中的概率。
上述根据最大适应度值，对各第一种群个体的适应度值进行修正后，就可以根据各第一种群个体修正后的适应度值，生成第二种群，即执行下述S103：
S103、根据各第一种群个体修正后的适应度值，生成第二种群，第二种群包括多个第二种群个体；第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能。
其中，每一个第二种群个体都可以看作一个由密封条应变能密度的力学参数和/>构成的参数对。
示例地，结合上述S102记载的5个第一种群个体，生成第二种群时，可以根据5个第一种群个体修正后的适应度值，选择适应度值较大的第一种群个体，用于生成第二种群，这样可以生成较优的第二种群。
可以理解的是，根据修正后的适应度值选择的第一种群个体可以重复，也可以不重复，具体可以根据实际需要进行设置。通常情况下，为了生成较优的第二种群，可以重复选择修正后的适应度值较大的第一种群个体，即较优的第一种群个体。例如，选择2个种群个体1、2个第二种群个体2，以及1个第三种群个体2；或者，也可以选择3个种群个体1和2个第二种群个体2，具体可以根据实际需要进行设置，在此，本申请实施例不做具体限制。
需要说明的是，本申请实施例中，在生成第二种群后，不是仅根据第二种群中多个种群个体各自修正后的适应度值，共同确定目标种群个体；而是考虑到多个第一种群个体中可能存在优于第二种群个体的第一种群个体，因此，结合多个第一种群个体各自修正后的适应度值，共同确定目标种群个体，这样可以避免漏选优秀的种群个体。
S104、根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定目标种群个体，目标种群个体为用于确定密封条的物理性能的密封条应变能密度的力学参数。
其中，目标种群个体可以看作一个由密封条应变能密度的力学参数和/>构成的参数对，是最终筛选出的一个最优的种群个体，用于最终确定密封条的物理功能。
示例地，目标种群个体可以为上述多个第一种群个体和多个第二种群个体中的某一个种群个体，也可以不为上述多个第一种群个体和多个第二种群个体中的某一个种群个体，具体可以根据实际需要进行设置。
可以看出，本申请实施例中，在确定密封条的物理性能时，根据多个第一群体个体的适应度值中的最大适应度值，对各种群个体的适应度值进行修正，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；使得与最大适应度值越接近的适应度值对应的第一种群个体修正后的适应度值越大，该第一种群个体越容易被选中；与最大适应度值越远的适应度值对应的第一种群个体修正后的适应度值越小，该第一种群个体越不容易被选中，以生成较优的第二种群，第二种群包括多个第二种群个体；第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能；再根据多个第一种群个体和较优的多个第二种群个体各自修正后的适应度值，共同确定目标种群个体，可以避免漏选优秀的种群个体，提高了获取到的目标种群个体的准确度，使得基于目标种群个体，可以准确地确定出密封条的物理性能。
基于上述图1所示的实施例，S101生成的第一种群中的多个第一种群个体均对应有各自适应度值，示例地，确定第一种群个体的适应度值时，可以确定试验场景下密封条的第一反弹力最大值，以及压缩仿真场景下密封条的第二反弹力最大值；并根据第一反弹力最大值和第二反弹力最大值的差值，确定第一种群个体的目标函数值；再根据目标函数值，确定第一种群个体的适应度值。由于在试验场景下产生的第一反弹力最大值的准确度较高，因此，结合该准确度较高的第一反弹力最大值共同确定适应度值，可以在一定程度上提高确定出的适应度值的准确度。
示例地，在本申请实施例中，确定试验场景下密封条的第一反弹力最大值时，考虑到当前并未有完整的洗碗机可以用于实验，因此，在本申请实施例中，设计了一种用于进行实验的工装整体，可参见下述图2和图3所示，图2为本申请实施例提供的一种工装整体的结构示意图，图3为本申请实施例提供的一种工装整体的爆炸示意图，可以看出，工装整体主要由压头和底座组成，采用分块式拼接的方式，可以实现截面观察的效果。此外，在截面上，需要和洗碗机整机密封系统的截面设计保持一致，密封条设计成环形跑道形状，可参见图4和图5所示，图4为本申请实施例提供的一种洗碗机整机密封系统的截面的结构示意图，图5为本申请实施例提供的一种安装密封条后的洗碗机整机密封系统的截面的示意图，密封条的形状与洗碗机整机密封系统的截面形状保持一致。
结合图2和图3所示的工装整体进行实验，其目的是为了获取密封条在压缩过程中的压缩位移量和反弹力的曲线。示例地，在本申请实施例中，为了获取密封条在压缩过程中的压缩位移量和反弹力，可以在压头上设置位移传感器和压力传感器，通过位移传感器检测密封条在压缩过程中的压缩位移量，通过压力传感器密封条在压缩过程中的反弹力。这样在获取到密封条在压缩过程中的压缩位移量和反弹力的曲线后，就可以基于压缩位移量和反弹力的曲线，确定试验场景下密封条的第一反弹力最大值。
此外，需要说明的是，在本申请实施例中，通过上述图2-图5所示的工装整体实验，即可准确地得到密封条在压缩过程中的压缩位移量和反弹力的曲线，无需在整机下进行实验，不仅节约了经济成本，而且为获取密封条在压缩过程中的压缩位移量和反弹力的曲线提供了便利。
示例地，在本申请实施例中，确定压缩仿真场景下密封条的第二反弹力最大值时，可以包括下述至少两种可能的实现方式：
在一种可能的实现方式中，可以预先建立密封条压缩仿真模型，并基于密封条压缩仿真模型，确定密封条在压缩仿真场景下产生的第二反弹力最大值。这样通过密封条压缩仿真模型进行仿真，可以准确地获取到压缩仿真场景下密封条的第二反弹力最大值，提高了获取到的第二反弹力最大值的准确度。
示例地，在本申请实施例中，建立密封条压缩仿真模型时，可以将密封条的压缩过程简化为平面应变问题，可参见图6所示，图6为本申请实施例提供的一种洗碗机密封系统和其中的密封条压缩仿真模型的示意图，其中，图6中的（a）为洗碗机密封系统的结构示意图，（b）为密封条压缩仿真模型的结构示意图，在轴向长度上，密封条可以取0.25mm，其他部件取10mm，用于描述密封条材料的本构模型可以采用Mooney-Rivlin模型，并通过Abaqus多步骤仿真技术和Explicit分析算法进行求解，在求解过程中，可以设置通用接触，分析总时间设置为300ms，采用准静态分析技术，且仿真过程中动能与内能之比控制在5%以内，从而获取到密封条压缩仿真模型。
可以理解的是，在本申请实施例中，采用Abaqus多步骤仿真技术，且考虑了密封条的过盈装配过程，可参见图7所示，图7为本申请实施例提供的一种密封条压缩仿真的示意图，将压缩过程顺序分为过盈装配状态、多余约束释放状态以及门体扣合压缩状态等进行分析，可以准确地描述密封条的压缩过程，再基于该压缩过程可以获取到准确度较高的密封条压缩仿真模型。其中，图7中的（a）为初始状态的密封条压缩仿真示意图，（b）为过盈装配状态的密封条压缩仿真示意图，（c）为多余约束释放状态的密封条压缩仿真示意图，（d）为门体扣合压缩状态的密封条压缩仿真示意图；
示例地，为了进一步保证密封条压缩仿真模型的准确度，在本申请实施例中，还可以构建模型试验设备，可参见图8所示，图8为本申请实施例提供的一种模型试验设备的示意图，该模型试验设备的工装部分由上部压头，底座，传感器和显示设备构成，中间装配环形密封条，底座截面装配密封条凹槽的设计，与洗碗机装配密封条凹槽的设计完全相同。
结合图8所示，在y轴方向上，可以建立力平衡方程，参见下述公式（5）所示。
（5）
其中，表示y轴方向第/>段密封条受到的作用力，根据该公式（5）所示的力平衡方程可以推导出：
（6）
其中，表示模型试验设备的压缩力，可以通过模型试验设备上设置的力传感器检测获取，/>表示密封条的反弹力。/>
这样通过构建模型试验设备，使得构建得到的模型试验设备可以作为基准或者参考，用于对密封条压缩仿真模型进行校验。若通过模型试验设备得到的密封条的反弹力，与基于密封条压缩仿真模型仿真得到的密封条的反弹力近似相等时，说明密封条压缩仿真模型为准确度较高的仿真模型。
示例地，在得到密封条压缩仿真模型后，还可以采用上述试验场景下产生的反弹力最大值对封条压缩仿真模型的准确度进行验证，示例地，可参见图9所示，图9为本申请实施例提供的一种压缩位移量和基于密封条压缩仿真模型得到的反弹力最大值之间的示意图，结合图9可以看出，密封条的反弹力最大值为0.0191N，相同压缩位移量在试验场景下产生的反弹力最大值的0.0188N，误差为2%左右，因此，说明仿真得到的密封条压缩仿真模型为准确度较高的仿真模型。
结合图10和图11所示，图10为本申请实施例提供的一种过盈装配状态下的压缩形态的对比示意图，其中，图10中的（a）为密封条压缩仿真模型得到的过盈装配状态下的压缩形态的仿真示意图，（b）为试验场景下得到的过盈装配状态下的压缩形态的示意图；图11为本申请实施例提供的一种门体扣合压缩状态下的压缩形态的对比示意图，其中，图11中的（a）为密封条压缩仿真模型得到的门体扣合压缩状态下的压缩形态的仿真示意图，（b）为试验场景下得到的门体扣合压缩状态下的压缩形态的示意图。结合图10和图11可以看出，在过盈装配状态下和门体扣合压缩状态下，基于密封条压缩仿真模型得到的门体扣合压缩状态下的压缩形态以及试验场景下得到的门体扣合压缩状态下的压缩形态近似相等。
此外，单位长度密封条的反弹力为0.0764N，基于密封条压缩仿真模型得到，通过理论换算可得整机扣合力损失最大值为62.63N，测试得到的均值为50N，两者误差为25%，因此，说明基于密封条压缩仿真模型，可以准确地预测整机扣合力损失最大值以及密封条的压缩形态。
在另一种可能的实现方式中，可以调用神经网络模型确定第二反弹力最大值。其中，神经网络模型是根据密封条的多个应变能密度的样本力学参数和多个样本力学参数各自对应的反弹力最大值标签，对初始神经网络模型进行训练得到的，多个样本力学参数和反弹力最大值标签是密封条压缩仿真场景下产生的。
其中，每一个样本力学参数都可以看作一个由应变能密度的力学参数和/>构成的样本参数对。示例地，在本申请实施例中，神经网络模型可以为反向传播神经网络（Backpropagation Neural Networks）模型，也可以为其他具有类似功能的神经网络模型，具体可以根据实际需要进行设置。
示例地，在本申请实施例中，神经网络模型是基于如下方式训练得到的：
将多个样本力学参数输入至初始神经网络模型中，得到各样本力学参数对应的预测反弹力最大值；根据各样本力学参数对应的预测反弹力最大值和反弹力最大值标签，更新初始神经网络模型的模型参数，得到神经网络模型。
示例地，在训练获取神经网络模型时，可参见图12所示，图12为本申请实施例提供的一种获取神经网络模型的流程示意图，可以在密封条压缩仿真场景下，采用拉丁超立方进行随机抽样，得到多个由应变能密度的力学参数和/>构成的样本参数对，例如，可以生成100个样本参数对，可参见图13所示，图13为本申请实施例提供的样本参数对的示意图，该100个由应变能密度的力学参数/>和/>构成的样本参数对即为多个样本力学参数；并将多个样本力学参数输入至初始神经网络模型中进行Abaqus多步骤仿真技术，计算得到各样本力学参数对应的预测反弹力最大值。通常情况下，将多个样本力学参数输入至初始神经网络模型之前，需要先对初始化神经网络模型进行初始化，包括定义学习率、目标误差和最大迭代次数等参数。
示例地，在本申请实施例中，初始神经网络模型的拓扑结构可以包括4层，第一层为输入层、第二层和第三层为隐藏层，第四层为输出层。其中，输入层包括2个神经元，隐藏层包括10个神经元，输出层包括1个神经元。隐含层的激活函数采用传递函数，例如tansig传递函数，输出层的激活函数采用线性函数，例如purelin线性函数。针对各样本力学参数，可以根据该样本力学参数对应的预测反弹力最大值和反弹力最大值标签，构建该样本力学参数对应的均方误差，判断当前迭代次数是否满足迭代要求，例如迭代次数达到最大迭代次数，或者，均方误差收敛到目标精度；若满足迭代要求，则将满足迭代要求的神经网络模型，确定为最终的神经网络模型；相反的，若不满足迭代要求，则根据多个样本力学参数各自对应的均方误差，更新初始神经网络模型的模型参数，直至满足迭代要求，并将满足迭代要求的神经网络模型，确定为最终的神经网络模型。示例地，假设最大迭代次数为1000次，目标精度为1e-8，学习率为1e-6，在神经网络模型训练过程中，示例地，可参见图14所示，图14为本申请实施例提供的迭代次数和对应的均方误差的关系示意图，迭代到第19次时，神经网络模型的均方误差可以达到目标精度1.06e－8，从而得到准确度较高的神经网络模型。
示例地，在训练得到神经网络模型后，可以采用现有的有限元仿真方法对神经网络模型的准确度进行验证，可参见图15所示，图15为本申请实施例提供的一种基于神经网络模型得到的反弹力最大值和采用有限元仿真方法得到的反弹力最大值的示意图，其中，基于神经网络模型得到的反弹力最大值可记为第三反弹力最大值，采用有限元仿真方法得到的反弹力最大值可记为第四反弹力最大值，结合图15可以看出，通过第三反弹力最大值与第四反弹力最大值构造的线性相关系数达到0.99以上，说明训练得到的神经网络模型为准确度较高的神经网络模型。
上述通过训练获取神经网络模型，并通过神经网络模型确定密封条在压缩仿真场景下产生的第二反弹力最大值，可以有效地提高确定出的第二反弹力最大值的准确度。
上述分别确定出试验场景下密封条的第一反弹力最大值和压缩仿真场景下密封条的第二反弹力最大值后，就可以根据第一反弹力最大值和第二反弹力最大值的差值，确定第一种群个体的目标函数值。
示例地，根据第一反弹力最大值和第二反弹力最大值的差值，确定第一种群个体的目标函数值时，可参见下述公式（7）所示，这样通过试验场景下产生的第一反弹力最大值和压缩仿真场景下产生的第二反弹力最大值确定目标函数值，可以有效地提高确定的目标函数值的准确度。
（7）
其中，表示第一种群个体的目标函数值，/>表示压缩仿真场景下密封条的第二反弹力最大值，/>为试验场景下密封条的第一反弹力最大值。
示例地，根据目标函数值，确定第一种群个体的适应度值时，可参见下述公式（8）所示。
（8）
其中，表示第一种群个体的适应度值。
在获取到各种群个体的适应度值后，为了避免漏选优秀的种群个体，又选中较差的种群个体，可以通过多个适应度值中的最大适应度值对各种群个体的适应度值进行修正，并根据各第一种群个体修正后的适应度值，生成第二种群，即上述S103。
基于上述图1所示的实施例，在上述S103中，根据各第一种群个体修正后的适应度值，生成第二种群时可以根据各第一种群个体修正后的适应度值，从多个第一种群个体中选择多个第三种群个体；多个第三种群个体包括大于修正后的适应度值第一适应度阈值的第一种群个体；并对多个第三种群个体进行交叉和变异，生成第二种群。这样根据各第一种群个体修正后的适应度值选择多个第三种群个体用于生成第二种群，可以有效地避免漏选优秀的种群个体，又选中较差的种群个体，从而生成较优的第二种群。
其中，第一适应度阈值可以根据实际需要进行设置，在此，对于第一适应度阈值的取值，本申请实施例不做具体限制。
结合上述S103中的举例，假设种群个体1修正后的适应度值、种群个体2修正后的适应度值、种群个体3修正后的适应度值、种群个体4修正后的适应度值以及种群个体5修正后的适应度值依次降低，选择的5个第三种群个体包括：2个种群个体1、2个种群个体2，以及1个种群个体3，并对选择的2个种群个体1、2个种群个体2，以及1个种群个体3进行交叉和变异，确定交叉率和变异率，并进行交叉和变异，生成较优的第二种群。
需要说明的是，本申请实施例中，在生成第二种群后，不是仅根据第二种群中多个第二种群个体各自修正后的适应度值，确定目标种群个体；而是考虑到多个第一种群个体中可能存在优于第二种群个体的第一种群个体，因此，结合多个第一种群个体各自修正后的适应度值，共同确定目标种群个体，即上述S104，这样可以避免漏选优秀的种群个体。
基于上述图1所示的实施例，上述S104中，示例地，根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定目标种群个体时，在迭代次数小于预设迭代次数的情况下，根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，从多个第一种群个体和多个第二种群个体中选择多个第四种群个体；多个第四种群个体包括大于第二适应度阈值的种群个体；将多个第四种群个体确定为新的第一种群个体，并基于新的第一种群个体修正后的适应度值，生成新的第二种群个体，重复执行上述步骤，直至迭代次数等于预设迭代次数；在迭代次数等于预设迭代次数时，根据第一种群个体和多个第二种群个体各自修正后的适应度值，将修正后的最大适应度值对应的种群个体确定为目标种群个体。
其中，第二适应度阈值可以根据实际需要进行设置，在此，对于第一适应度阈值的取值，本申请实施例不做具体限制。
示例地，根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，从多个第一种群个体和多个第二种群个体中选择多个第四种群个体时，若大于中位数适应度阈值的种群个体满足数量要求，则直接将大于中位数适应度阈值的种群个体确定为多个第四种群个体；相反的，若大于中位数适应度阈值的种群个体不满足数量要求，则按照修正后的适应度值由大到小的顺序，再从大于中位数适应度阈值的种群个体中选择种群个体，使得最终选择的大于中位数适应度阈值的种群个体的数量满足数量要求，并将选择种群个体确定为多个第四种群个体。
其中，中位数适应度阈值，即为多个第一种群个体和多个第二种群个体各自修正后的适应度值中，处于中位数的适应度值。
结合上述举例，假设第二种群包括种群个体6、种群个体7、种群个体8、种群个体9以及种群个体10，则可以将5个第一群众个体，即种群个体1、种群个体2、种群个体3、种群个体4以及种群个体5，和第二种群中的5个种群个体进行组合；在迭代次数小于预设迭代次数的情况下，根据该10个种群个体各自修正后的适应度值，从多个10个种群个体中选择5个大于第二适应度阈值的种群个体。假设选择的5个种群个体为群个体1、种群个体2、种群个体3、种群个体7以及种群个体8，则将5个种群个体确定为新的第一种群中的5个第一种群个体，并根据种群个体1、种群个体2、种群个体3、种群个体7以及种群个体8各自修正后的适应度值，生成新的第二种群，再根据新的第一种群和新的第二种群中各种群个体修正后的适应度值，重新确定目标种群个体。在迭代次数等于预设迭代次数的情况下，则直接将上述第一种群中的5个种群个体和第二种群中的5个种群个体，修正后的最大适应度值对应的种群个体确定最终的为目标种群个体，这样结合第一种群和第二种群中各种群个体修正后的适应度值，共同确定目标种群个体，可以避免漏选优秀的种群个体，不仅提高了获取到的目标种群个体的准确度，使得基于目标种群个体，可以准确地确定出密封条的物理性能；而且提高了目标种群个体的筛选效率。
需要说明的是，上述本申请实施例采用的种群算法与现有种群算法不同的是，一方面，在生成第二种群时，先根据最大适应度值，对各第一种群个体的适应度值进行修正，例如采用高斯核函数对各第一种群个体的适应度值进行修正，并根据各第一种群个体修正后的适应度值，生成第二种群；另一方面，在确定目标种群个体时，是在第二种群包括的多个第二种群个体的基础上，结合第一种群包括的多个第一种群个体各自修正后的适应度值，例如环境选择算法，共同确定目标种群个体，可以有效地避免目标种群个体筛选过程中出现震颤的现象，从而提高了目标种群个体的筛选效率，因此，本申请实施例采用的种群算法可以为改进的种群算法。
示例地，在本申请实施例中，假设改进的种群算法的种群规模为10，最大进化代数为500，每个染色体的长度为20，交叉率为0.70，变异率为0.01，高斯核函数的方差为0.1，可参见图16和图17所示，图16为本申请实施例的一种目标函数的迭代历程的示意图，其中，图16中位于上方的线条为改进的种群算法下目标函数的迭代历程线条，位于下方的线条为传统的种群算法下目标函数的迭代历程线条；图17为本申请实施例的一种反弹力最大值的迭代历程的示意图，其中，图17中位于上方的实线条为改进的种群算法下目标函数的迭代历程线条，位于下方的实线条为传统的种群算法下目标函数的迭代历程线条，虚线条为试验场景下得到的反弹力最大值的迭代历程线条。结合图16和图17可以看出，传统的种群算法，会出现震颤现象，收敛速度慢，进化代数达到500代时，反弹力最大值收敛到0.0418N；而本申请实施例提供的改进的种群算法，避免了震颤现象，提高了收敛速度，迭代了88代后的反弹力最大值为0.0188N，与试验场景下得到的反弹力最大值几乎一致，因此，本申请实施例提供的改进的种群算法为准确地较高的种群算法，可以准确地确定出目标种群个体，目标种群个体为用于确定密封条的物理性能的应变能密度的力学参数，该应变能密度的力学参数C10和C01的取值分别为0.1113MPa和0.1094MPa。
下面对本申请提供的密封条的物理性能确定装置进行描述，下文描述的密封条的物理性能确定装置与上文描述的密封条的物理性能确定方法可相互对应参照。
图18为本申请实施例提供的一种密封条的物理性能确定装置的结构示意图，示例地，请参见图18所示，该密封条的物理性能确定装置180可以包括：
第一生成单元1801，用于生成第一种群，第一种群包括多个第一种群个体，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各第一种群个体对应有适应度值，适应度值是基于不同场景下密封条的反弹力最大值确定的。
处理单元1802，用于针对各第一种群个体，根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正，得到修正后的适应度值；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值。
第二生成单元1803，用于根据各第一种群个体修正后的适应度值，生成第二种群，第二种群包括多个第二种群个体；第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能。
第一确定单元1804，用于根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定目标种群个体，目标种群个体为用于确定密封条的物理性能的密封条应变能密度的力学参数。
可选地，在本申请实施例中，适应度值的减小值与第一差值呈正相关，适应度值的增大值与第一差值呈负相关。
可选地，在本申请实施例中，第二生成单元1803，用于根据各第一种群个体修正后的适应度值，生成第二种群，包括：
根据各第一种群个体修正后的适应度值，从多个第一种群个体中选择多个第三种群个体；多个第三种群个体包括修正后的适应度值大于第一适应度阈值的第一种群个体。
可选地，在本申请实施例中，第一确定单元1804，用于根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定目标种群个体，包括：
基于迭代次数小于预设迭代次数的比较结果，根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，从多个第一种群个体和多个第二种群个体中选择多个第四种群个体；多个第四种群个体包括修正后的适应度值大于第二适应度阈值的种群个体；将多个第四种群个体确定为新的第一种群个体，并基于新的第一种群个体修正后的适应度值，生成新的第二种群个体，重复执行上述步骤，直至迭代次数等于预设迭代次数；根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，将修正后的最大适应度值对应的种群个体确定为目标种群个体。
可选地，在本申请实施例中，该密封条的物理性能确定装置180还包括：
第二确定单元，用于确定试验场景下密封条的第一反弹力最大值，以及压缩仿真场景下密封条的第二反弹力最大值。
第三确定单元，用于根据第一反弹力最大值和第二反弹力最大值的差值，确定第一种群个体的目标函数值。
第四确定单元，用于根据目标函数值，确定第一种群个体的适应度值。
可选地，在本申请实施例中，第二确定单元，用于确定压缩仿真场景下密封条的第二反弹力最大值，包括：
获取压缩仿真场景下密封条的应变能密度的力学参数。
将压缩仿真场景下密封条的应变能密度的力学参数输入至神经网络模型，得到第二反弹力最大值；其中，神经网络模型是根据密封条的多个应变能密度的样本力学参数和多个样本力学参数各自对应的反弹力最大值标签，对初始神经网络模型进行训练得到的，多个样本力学参数和反弹力最大值标签是密封条压缩仿真场景下产生的。
可选地，在本申请实施例中，神经网络模型是基于如下方式训练得到的，该密封条的物理性能确定装置180还包括：
输入单元，用于将多个样本力学参数输入至初始神经网络模型中，得到各样本力学参数对应的预测反弹力最大值。
更新单元，用于根据各样本力学参数对应的预测反弹力最大值和反弹力最大值标签，更新初始神经网络模型的模型参数，得到神经网络模型。
本申请实施例提供的密封条的物理性能确定装置180，可以执行上述任一实施例中密封条的物理性能确定方法的技术方案，其实现原理以及有益效果与密封条的物理性能确定方法的实现原理及有益效果类似，可参见密封条的物理性能确定方法的实现原理及有益效果，此处不再进行赘述。
图19为本申请实施例提供的一种电子设备的实体结构示意图，如图19所示，该电子设备可以包括：处理器(processor)1910、通信接口(Communications Interface)1920、存储器(memory)1930和通信总线1940，其中，处理器1910，通信接口1920，存储器1930通过通信总线1940完成相互间的通信。处理器1910可以调用存储器1930中的逻辑指令，以执行上述密封条物理性能的确定方法，该方法包括：生成第一种群，第一种群包括多个第一种群个体，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各第一种群个体对应有适应度值，适应度值是基于不同场景下密封条的反弹力最大值确定的；针对各第一种群个体，根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正，得到修正后的适应度值；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值；根据各第一种群个体修正后的适应度值，生成第二种群，第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能；第二种群包括多个第二种群个体；根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定目标种群个体，目标种群个体为用于确定密封条的物理性能的密封条应变能密度的力学参数。
此外，上述的存储器1930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的上述密封条物理性能的确定方法，该方法包括：生成第一种群，第一种群包括多个第一种群个体，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各第一种群个体对应有适应度值，适应度值是基于不同场景下密封条的反弹力最大值确定的；针对各第一种群个体，根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正，得到修正后的适应度值；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值；根据各第一种群个体修正后的适应度值，生成第二种群，第二种群包括多个第二种群个体；第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能；根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定目标种群个体，目标种群个体为用于确定密封条的物理性能的密封条应变能密度的力学参数。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的上述密封条物理性能的确定方法，该方法包括：生成第一种群，第一种群包括多个第一种群个体，第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各第一种群个体对应有适应度值，适应度值是基于不同场景下密封条的反弹力最大值确定的；针对各第一种群个体，根据多个适应度值中的最大适应度值，对第一种群个体的适应度值进行修正，得到修正后的适应度值；基于最大适应度值与适应度值的第一差值小于预设阈值的比较结果，最大适应度值与修正后的适应度值之间的第二差值小于第一差值，基于第一差值大于或等于预设阈值的比较结果，第二差值大于第一差值；根据各第一种群个体修正后的适应度值，生成第二种群，第二种群包括多个第二种群个体；第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能；根据多个第一种群个体和多个第二种群个体各自修正后的适应度值，确定目标种群个体，目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种密封条物理性能的确定方法，其特征在于，包括：
生成第一种群，所述第一种群包括多个第一种群个体，所述第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各所述第一种群个体对应有适应度值，所述适应度值是基于不同场景下密封条的反弹力最大值确定的；
针对各所述第一种群个体，根据多个所述适应度值中的最大适应度值，对所述第一种群个体的适应度值进行修正，得到修正后的适应度值；其中，对所述第一种群个体的适应度值进行修正包括：在所述最大适应度值与所述第一种群个体的适应度值的第一差值小于预设阈值的情况下，增大所述第一种群个体的适应度值，所述最大适应度值与增大后的适应度值之间的第二差值小于所述第一差值；在所述最大适应度值与所述第一种群个体的适应度值的第一差值大于或等于预设阈值的情况下，减小所述第一种群个体的适应度值，所述最大适应度值与减小后的适应度值之间的第二差值大于所述第一差值；
根据各所述第一种群个体修正后的适应度值，生成第二种群，所述第二种群包括多个第二种群个体；所述第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能；
根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，确定目标种群个体，所述目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数；
其中，所述根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，确定目标种群个体，包括：
基于迭代次数小于预设迭代次数的比较结果，根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，从多个所述第一种群个体和多个所述第二种群个体中选择多个第四种群个体；多个所述第四种群个体包括修正后的适应度值大于第二适应度阈值的种群个体；将多个所述第四种群个体确定为新的第一种群个体，并基于所述新的第一种群个体修正后的适应度值，生成新的第二种群个体，重复执行上述步骤，直至迭代次数等于所述预设迭代次数；根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，将修正后的最大适应度值对应的种群个体确定为所述目标种群个体。
2.根据权利要求1所述的方法，其特征在于，
所述适应度值的减小值与所述第一差值呈正相关，所述适应度值的增大值与所述第一差值呈负相关。
3.根据权利要求1或2所述的方法，其特征在于，所述根据各所述第一种群个体修正后的适应度值，生成第二种群，包括：
根据各所述第一种群个体修正后的适应度值，从多个所述第一种群个体中选择多个第三种群个体；多个所述第三种群个体包括修正后的适应度值大于第一适应度阈值的第一种群个体；
对多个所述第三种群个体进行交叉和变异，生成所述第二种群。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
确定试验场景下所述密封条的第一反弹力最大值，以及压缩仿真场景下所述密封条的第二反弹力最大值；
根据所述第一反弹力最大值和所述第二反弹力最大值的差值，确定所述第一种群个体的目标函数值；
根据所述目标函数值，确定所述第一种群个体的适应度值。
5.根据权利要求4所述的方法，其特征在于，确定压缩仿真场景下所述密封条的第二反弹力最大值，包括：
获取压缩仿真场景下所述密封条的应变能密度的力学参数；
将所述压缩仿真场景下所述密封条的应变能密度的力学参数输入至神经网络模型，得到所述第二反弹力最大值；
其中，所述神经网络模型是根据所述密封条的多个应变能密度的样本力学参数和所述多个样本力学参数各自对应的反弹力最大值标签，对初始神经网络模型进行训练得到的，所述多个样本力学参数和所述反弹力最大值标签是所述密封条压缩仿真场景下产生的。
6.根据权利要求5所述的方法，其特征在于，所述神经网络模型是基于如下方式训练得到的：
将所述多个样本力学参数输入至所述初始神经网络模型中，得到各样本力学参数对应的预测反弹力最大值；
根据各样本力学参数对应的预测反弹力最大值和反弹力最大值标签，更新所述初始神经网络模型的模型参数，得到所述神经网络模型。
7.一种密封条物理性能的确定装置，其特征在于，包括：
第一生成单元，用于生成第一种群，所述第一种群包括多个第一种群个体，所述第一种群个体为密封条应变能密度的力学参数，用于确定密封条的物理性能；各所述第一种群个体对应有适应度值，所述适应度值是基于不同场景下密封条的反弹力最大值确定的；
处理单元，用于针对各所述第一种群个体，根据多个所述适应度值中的最大适应度值，对所述第一种群个体的适应度值进行修正，得到修正后的适应度值；其中，对所述第一种群个体的适应度值进行修正包括：在所述最大适应度值与所述第一种群个体的适应度值的第一差值小于预设阈值的情况下，增大所述第一种群个体的适应度值，所述最大适应度值与增大后的适应度值之间的第二差值小于所述第一差值；在所述最大适应度值与所述第一种群个体的适应度值的第一差值大于或等于预设阈值的情况下，减小所述第一种群个体的适应度值，所述最大适应度值与减小后的适应度值之间的第二差值大于所述第一差值；
第二生成单元，用于根据各所述第一种群个体修正后的适应度值，生成第二种群，所述第二种群包括多个第二种群个体；所述第二种群个体为密封条应变能密度的力学参数，用于确定密封条物理性能；
第一确定单元，用于根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，确定目标种群个体，所述目标种群个体为用于确定所述密封条的物理性能的密封条应变能密度的力学参数；
其中，所述第一确定单元，用于根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，确定目标种群个体，包括：
基于迭代次数小于预设迭代次数的比较结果，根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，从多个所述第一种群个体和多个所述第二种群个体中选择多个第四种群个体；多个所述第四种群个体包括修正后的适应度值大于第二适应度阈值的种群个体；将多个所述第四种群个体确定为新的第一种群个体，并基于所述新的第一种群个体修正后的适应度值，生成新的第二种群个体，重复执行上述步骤，直至迭代次数等于所述预设迭代次数；根据多个所述第一种群个体和多个所述第二种群个体各自修正后的适应度值，将修正后的最大适应度值对应的种群个体确定为所述目标种群个体。
8.一种电子设备，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程序时实现如权利要求1至6任一项所述的密封条物理性能的确定方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的密封条物理性能的确定方法。
CN202310842671.1A 2023-07-11 2023-07-11 密封条的物理性能确定方法、装置、电子设备和存储介质 Active CN116579253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310842671.1A CN116579253B (zh) 2023-07-11 2023-07-11 密封条的物理性能确定方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310842671.1A CN116579253B (zh) 2023-07-11 2023-07-11 密封条的物理性能确定方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN116579253A CN116579253A (zh) 2023-08-11
CN116579253B true CN116579253B (zh) 2023-09-22

Family

ID=87536208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310842671.1A Active CN116579253B (zh) 2023-07-11 2023-07-11 密封条的物理性能确定方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116579253B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102756A (zh) * 2013-04-09 2014-10-15 同济大学 一种旋转式轿车车门密封系统参数的遗传并行优化方法
CN108629150A (zh) * 2018-03-16 2018-10-09 西安电子科技大学 基于多种群协助的量子遗传算法的rna二级结构预测方法
WO2020063690A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统预测的方法和装置
CN111259602A (zh) * 2020-01-16 2020-06-09 长沙理工大学 基于多种群遗传算法优化的bp神经网络的回弹模量确定方法
CN112085196A (zh) * 2020-09-10 2020-12-15 南京工业大学 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法
WO2021027295A1 (zh) * 2019-08-12 2021-02-18 岭南师范学院 一种基于改进自适应遗传算法的人体体成分预测方法
CN114611695A (zh) * 2022-03-22 2022-06-10 河北工程大学 用于空气质量预测的方法、装置、终端及存储介质
CN115034383A (zh) * 2022-06-14 2022-09-09 中国电信股份有限公司 网络的训练方法和温度预测方法、装置、设备及存储介质
CN115130430A (zh) * 2021-03-25 2022-09-30 腾讯科技（深圳）有限公司 试卷生成方法、装置、存储介质及计算机设备
CN116108365A (zh) * 2023-01-16 2023-05-12 南京航空航天大学 基于深度学习的超声速进气道不起动状态实时在线预警方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102756A (zh) * 2013-04-09 2014-10-15 同济大学 一种旋转式轿车车门密封系统参数的遗传并行优化方法
CN108629150A (zh) * 2018-03-16 2018-10-09 西安电子科技大学 基于多种群协助的量子遗传算法的rna二级结构预测方法
WO2020063690A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统预测的方法和装置
WO2021027295A1 (zh) * 2019-08-12 2021-02-18 岭南师范学院 一种基于改进自适应遗传算法的人体体成分预测方法
CN111259602A (zh) * 2020-01-16 2020-06-09 长沙理工大学 基于多种群遗传算法优化的bp神经网络的回弹模量确定方法
CN112085196A (zh) * 2020-09-10 2020-12-15 南京工业大学 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法
CN115130430A (zh) * 2021-03-25 2022-09-30 腾讯科技（深圳）有限公司 试卷生成方法、装置、存储介质及计算机设备
CN114611695A (zh) * 2022-03-22 2022-06-10 河北工程大学 用于空气质量预测的方法、装置、终端及存储介质
CN115034383A (zh) * 2022-06-14 2022-09-09 中国电信股份有限公司 网络的训练方法和温度预测方法、装置、设备及存储介质
CN116108365A (zh) * 2023-01-16 2023-05-12 南京航空航天大学 基于深度学习的超声速进气道不起动状态实时在线预警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Optimal study on sectional geometry of rubber layers and cavities based on the vibro-acoustic coupling model with a sine-auxiliary function;Guoming Deng等;《Applied Acoustics》;全文 *
乘用车车门密封条结构的优化研究;蒋明明;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第2017年卷(第10期);全文 *
基于多子代遗传算法优化BP神经网络;付晓明;王福林;尚家杰;;计算机仿真(第03期);全文 *
轿车窗台外侧密封条性能分析与优化研究;谭孟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第2019年卷(第5期);全文 *

Also Published As

Publication number Publication date
CN116579253A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
US20020138457A1 (en) Approximate fitness functions
CN110413878B (zh) 基于自适应弹性网络的用户-商品偏好的预测装置和方法
CN110532620B (zh) 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法
Harvey Is there another new factor in evolution?
CN113240105A (zh) 一种基于图神经网络池化的电网稳态判别方法
CN116579253B (zh) 密封条的物理性能确定方法、装置、电子设备和存储介质
Yuan et al. Improving fault tolerance in diagnosing power system failures with optimal hierarchical extreme learning machine
CN111126560A (zh) 一种基于云遗传算法优化bp神经网络的方法
TWI452529B (zh) Combined with the system equivalent model of the system and its computer program products
CN111412795A (zh) 测试点设置方案生成方法及装置
JP6398991B2 (ja) モデル推定装置、方法およびプログラム
Malik et al. Teacher-class network: A neural network compression mechanism
CN114611673A (zh) 神经网络压缩方法、装置、设备及可读存储介质
CN111416595B (zh) 一种基于多核融合的大数据滤波方法
CN112733433A (zh) 装备测试性策略优化方法和装置
Ahmadipour et al. Multimodal subspace identification for modeling discrete-continuous spiking and field potential population activity
CN112949905A (zh) 边缘域传感器数据预测方法及装置
CN112446420A (zh) 一种大规模硬盘故障预测领域中的数据预处理算法
Song Efficient sampling-based RBDO by using virtual support vector machine and improving the accuracy of the Kriging method
JP7472628B2 (ja) 障害復旧装置、障害復旧方法及びプログラム
JP2021012600A (ja) 診断方法、学習方法、学習装置およびプログラム
KR102561613B1 (ko) Ste 및 최적 중단시점 자동 결정 알고리즘을 적용한 dip를 사용하여 노이즈 이미지를 디노이징하는 방법 및 장치
Hussain et al. Development of an artificial neural network (ANN) constitutive model for mechanical metamaterials
CN110265147B (zh) 神经网络及其训练方法、预测方法、设备及存储介质
CN111507045B (zh) 基于自适应权重鲸鱼优化算法的结构损伤识别方法

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