CN116629085B - 基于粒子群算法及卷积神经网络的防水涂料最优化方法 - Google Patents
基于粒子群算法及卷积神经网络的防水涂料最优化方法 Download PDFInfo
- Publication number
- CN116629085B CN116629085B CN202310706690.1A CN202310706690A CN116629085B CN 116629085 B CN116629085 B CN 116629085B CN 202310706690 A CN202310706690 A CN 202310706690A CN 116629085 B CN116629085 B CN 116629085B
- Authority
- CN
- China
- Prior art keywords
- particle
- waterproof
- optimal
- neural network
- convolutional neural
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 137
- 239000011248 coating agent Substances 0.000 title claims abstract description 45
- 238000000576 coating method Methods 0.000 title claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 49
- 238000010276 construction Methods 0.000 claims abstract description 17
- 239000000758 substrate Substances 0.000 claims abstract description 17
- 239000003973 paint Substances 0.000 claims abstract description 15
- 239000012752 auxiliary agent Substances 0.000 claims description 27
- 239000002952 polymeric resin Substances 0.000 claims description 21
- 229920003002 synthetic resin Polymers 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 230000003746 surface roughness Effects 0.000 claims description 14
- 239000000945 filler Substances 0.000 claims description 13
- 239000002904 solvent Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000011247 coating layer Substances 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract 2
- 230000006872 improvement Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000002671 adjuvant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003085 diluting agent Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 1
- 239000003431 cross linking reagent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000012764 mineral filler Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000012744 reinforcing agent Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229920006186 water-soluble synthetic resin Polymers 0.000 description 1
- 239000012866 water-soluble synthetic resin Substances 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于粒子群算法及卷积神经网络的防水涂料最优化方法,首先提出利用卷积神经网络来建立防水应用基础涂料比例配方,基材表面状态,涂层厚度,施工温度与标签值防水性能之间的函数关系。此外以防水涂料的性能目标,建立粒子群算法的适应函数,并以此作为基础条件,找到防水涂料的最优化设计参数及其粒子的范围最优位置。
Description
技术领域
本发明应用于建筑工程等领域,具体为基于粒子群算法及卷积神经网络的防水涂料最优化方法。
背景技术
防水涂料作为一种重要的特殊涂料,应用于建筑工程等领域。主要作为防水层,以保护建筑结构免受水的侵蚀和损害。但是防水涂料的本身设计是一个复杂的任务,涉及多个参数和变量,且设计完成后的制作验证需要的时间经济成本较高,往往会拖延整个工程的工期。因此,目前急需一种能够快速找到较优的防水涂料设计参数的方法,并且能够辅助验证其性能。
与专利CN114920496B“一种防水材料及其制备方法和应用”的技术对比
专利CN114920496B中防水材料为水溶性合成树脂5~30份、矿物质填料100~200份、无机补强剂1~3份、催化剂0.5~5份、助剂0.11~2份和第一稀释剂85~250份;所述B组分包括:交联剂0.01~15份和第二稀释剂2~5份,所设计的防水材料具备流动性好、渗透性强等特点。而我们采用卷积深度学习以及粒子群优化算法对防水涂料的设计参数进行寻优,大大降低了所需设计参数的时间,提高了防水涂料的性能。
与专利CN115260873B“一种水利工程用防水涂料”的技术对比
专利CN115260873B中设计了一种新型的水利工程用防水涂料,附着稳定性较好,同时防水抗渗性能优异,综合性能契合水利工程领域要求。而我们在申请中利用粒子群优化算法对设计参数进行寻优,并且提出粒子群最优范围位置,增加经济效益,降低生产成本。
发明内容
为解决上述技术问题,本发明提出了基于粒子群算法及卷积神经网络的防水涂料最优化方法,能够较快的找出当前防水涂料的较优设计参数,并对其防水性能进行辅助验证。
为实现上述目的,本发明采取的技术方案是:
基于粒子群算法及卷积神经网络的防水涂料最优化方法,包括如下步骤,其特征在于:
1)初始数据收集;
采集对防水涂料性能影响较大的设计参数及其变量其中包括聚合物树脂、填料、溶剂、助剂的比例,以及基材表面粗糙度,涂层厚度,施工温度,并收集防水涂料最终的防水性能;
2)数据表征与处理;
将特征数据进行转化,保证其具备一定物理意义时,也便于网络学习,对于基材表面的粗糙度,则采用类平均最大峰谷高度公式进行转换;
3)卷积神经网络设计;
采用卷积神经网络进行搭建,其中卷积核采用3*1大小,间隔为1,填充为1,此外为了提升数据的表达能力,以及加快网络的收敛,采用BN网络进行数据处理,激活函数采用ReLU。最后采用全连接层,进行具体输出防水性能指数作为目标标签值;
4)卷积神经网络训练与评估;
对卷积神经网络进行训练,其中训练目标与评估的标准均为均方差,即本次神经网络训练中,关注点为对防水性能指数的预测误差率,当网络的训练集与测试集都能够对防水涂料的防水性能进行一个较小均方差的预测时,即可完成训练;
5)粒子群算法粒子参数初始化;
采用粒子群优化算法进行辅助寻优,并利用粒子群算法找寻最优设计参数以及粒子参数表达公式进行初始化操作;
6)粒子群算法目标函数定义;
采用防水性能作为目标函数,即适应度函数,利用PSO算法进行更新每个粒子的位置,进而利用上述卷积神经网络对该粒子位置的适应度即防水性能进行评估,采用最优粒子范围公式提取粒子群优化算法的范围最优位置;
7)粒子群算法粒子速度与位置更新;
对粒子群算法的更新迭代方式进行设定,此外由于助剂的比例参数其幅度值较小,仅为0.04左右,因此对于该参数的更新优化幅度按照助剂调整公式进行特定调整;
8)粒子适应度评估与历史最优位置更新;
对每个粒子的新位置进行适应度评估,计算其对应的目标函数值,根据目标函数的值来评估每个粒子的适应度,再根据当前适应度值更新每个粒子的历史最优位置和群体历史最优位置;
9)输出防水涂料设计参数最优解;
对算法进行检查,查看整个PSO是否满足终止条件,如是否达到最大迭代次数、是否有足量的粒子满足防水性能指标,如果满足终止条件并输出防水涂料设计参数最优解以及粒子的范围最优位置,如果不满足终止条件,则返回步骤S7继续迭代更新。
作为本发明进一步改进,所述步骤2)中类平均最大峰谷高度公式表示为:
对于基材表面的粗糙度,采用类平均最大峰谷高度进行表示,表达公式如下:
其中,hi表示地面表面高点和低点之间的高度差,则表示地面表面高点和低点之间的高度差前100个最大值,H则表示类平均最大峰谷高度,通过该公式表达出基材表面粗糙度的类平均最大峰谷高度。
作为本发明进一步改进,所述步骤5)中粒子参数表达公式表示为:
其中,粒子参数表达公式如下:
Xnm=(xn1,xn2,xn3,xn4,xn5,xn6,xn7)
Vnm=(vn1,vn2,vn3,vn4,vn5,vn6,vn7)
其中,Xnm表示第n个粒子的位置,xn1,xn2,xn3,xn4,xn5,xn6,xn7则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度,涂层厚度以及施工温度的具体数值项,Vnm表示第n个粒子的速度,vn1,vn2,vn3,vn4,vn5,vn6,vn7则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度,涂层厚度以及施工温度的具体速度值。
作为本发明进一步改进,所述步骤6)中最优粒子范围公式表示为:
因此本次申请提出粒子群优化算法范围最优位置,其中最优粒子范围公式表达如下:
Xp1≤Xq1
ypm≥γ
其中,Xqm在本公式中表示全局最优设计参数,Xpm则表示第p个粒子的位置,δ为超参数人为给定,Xp1为全局最优设计参数中聚合物树脂的含量比例,Xq1为第p个粒子中聚合物树脂的含量比例,ypm则表示第p个粒子的适应度,γ则为使用者设定的防水性能指标下线阈值。
作为本发明进一步改进,所述步骤7)中助剂调整公式表示为:
其中助剂调整公式如下所示:
其中,为更新后第n个粒子助剂的值,则为上一个状态时第n个粒子助剂的值,则为第n个粒子的助剂的速度更新值。α则为超参数,用来降低助剂更新的幅度。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本申请提供的一种基于粒子群算法及卷积神经网络的防水涂料最优化方法采用卷积神经网络对防水涂料的防水性能进行预测,提高了预测的速度于准确性。
本申请提供的一种基于粒子群算法及卷积神经网络的防水涂料最优化方法采用粒子群算法对设计参数进行迭代遍历,加快了模型的运行速度,减少了寻找到最优设计参数的模型运行时间,并且提出粒子群最优范围位置,在满足防水性能的同时,增加经济效益。
本申请提供的一种基于粒子群算法及卷积神经网络的防水涂料最优化方法采用粒子群算法及卷积神经网络探寻防水涂料的最优参数,相较于传统实验方法,大大降低了时间与经济成本。
附图说明
图1是根据本申请实施例提供的一种基于粒子群算法及卷积神经网络的防水涂料最优化方法流程图;
图2是根据本申请实施例提供的一种基于粒子群算法及卷积神经网络的防水涂料最优化方法粒子群优化算法范围最优位置示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1所示为本申请提供的基于粒子群算法及卷积神经网络的防水涂料最优化方法流程图。
步骤S1:初始数据收集
本次申请中,采集对防水涂料性能影响较大的设计参数及其变量其中包括聚合物树脂、填料、溶剂、助剂的比例,以及基材表面粗糙度,涂层厚度,施工温度。并收集防水涂料最终的防水性能。
步骤S2:数据表征与处理
在步骤S1中,完成了初始数据集的收集,但是初始数据中,维度较为多样,并且数据类别较多,因此需要将其进行转化,保证其具备一定物理意义时,也便于网络学习。
其中对于聚合物树脂、填料、溶剂以及助剂,则按照每种材料的比例进行输入。例如在一般配比中,聚合物树脂的比例一般在40%左右,填料的比例通常在30%左右,溶剂的比例通常在20%,而助剂一般在4%左右。因此可以将上述比例分别转化为:0.4,0.3,0.2,0.04作为特征。
对于基材表面的粗糙度,本次采用类平均最大峰谷高度进行表示,表达公式如下:
其中,hi表示地面表面高点和低点之间的高度差,则表示地面表面高点和低点之间的高度差前100个最大值。H则表示类平均最大峰谷高度。通过该公式可以较好的表达出基材表面粗糙度的类平均最大峰谷高度。
涂层厚度则采取总施工次数来表达,即防水涂料共被涂抹的次数。最后的施工温度则直接采取摄氏温度进行计量即可。
通过上述数据表征,将其进行归一化处理即可作为后续算法学习的数据集。
步骤S3:卷积神经网络设计。
步骤S3中,需要完成步骤2中特征数据与目标标签值得网络构建。本次申请中,采用卷积神经网络进行搭建,其中卷积核采用3*1大小,间隔为1,填充为1。此外为了提升数据的表达能力,以及加快网络的收敛,采用BN网络进行数据处理。此外本次申请中,激活函数采用ReLU。最后采用全连接层,进行具体输出防水性能指数作为目标标签值。
步骤S4:卷积神经网络训练与评估。
在步骤S3中完成了网络架构的设计,在本步骤中,则首先需要对其进行训练。其中训练目标与评估的标准均为均方差,即本次神经网络训练中,主要关注点为对防水性能指数的预测误差率,当网络的训练集与测试集都能够对防水涂料的防水性能进行一个较小均方差的预测时,即可完成训练。
步骤S5:粒子群算法粒子参数初始化。
本次申请中,采用卷积神经网络完成了特征值包括聚合物树脂、填料、溶剂、助剂的比例,基材表面粗糙度,涂层厚度以及施工温度与目标标签值防水性能函数映射关系的搭建。但对于其设计参数如何进行生成卷积神经网络并不能够提供帮助,传统的手动设计输入来寻找最优参数工作量较大,且容易产生数据遗漏,因此本次申请中采用粒子群优化算法进行辅助寻优,利用粒子群算法找寻最优设计参数。
在本步骤中,首先对于粒子群优化算法中粒子参数进行范围给定,即聚合物树脂、填料、溶剂、助剂的比例,以及基材表面粗糙度,涂层厚度,施工温度其数值范围需要在一定物理意义当中并且确保取值范围能够涵盖所有潜在的优化解空间。其次对于初始粒子在限定范围内进行初始化,每个粒子的位置信息代表了一个可能的设计参数解,每个粒子的速度则表示粒子在空间中搜索的方向和速度。
其中,粒子参数表达公式如下:
Xnm=(xn1,xn2,xn3,xn4,xn5,xn6,xn7)⑵
Vnm=(xn1,xn2,xn3,xn4,xn5,xn6,xn7)(3)
其中,Xnm表示第n个粒子的位置,xn1,xn2,xn3,xn4,xn5,xn6,xn7则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度,涂层厚度以及施工温度的具体数值项。Vnm表示第n个粒子的速度,vn1,vn2,vn3,vn4,vn5,vn6,vn7则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度,涂层厚度以及施工温度的具体速度值。
步骤S6:粒子群算法目标函数定义。
如图2所示为本申请提供的基于粒子群算法及卷积神经网络的防水涂料最优化方法的粒子群优化算法范围最优位置示意图。
本次申请采用防水性能作为目标函数,即适应度函数,利用PSO算法进行更新每个粒子的位置,进而利用上述卷积神经网络对该粒子位置的适应度即防水性能进行评估。此外有所区别的是,本次申请提出一种粒子群优化算法的范围最优位置。
在本次算法模型应用中,其中目标标签项目为防水涂料的防水性能,分为一级,二级,三级其中以一级防水性能为最优选项。在实际设计参数中,通常在最优设计参数附近区域,会出现较多其他符合防水性能要求的设计参数,并且可能在该区域中,存在着满足工程实际要求的设计参数,但是其制作成本比防水性能最优参数的成本低上许多。
因此本次申请提出粒子群优化算法范围最优位置,其中最优粒子范围公式表达如下:
Xp1≤Xq1⑸
ypm≥γ⑹
其中,Xqm在本公式中表示全局最优设计参数,Xpm则表示第p个粒子的位置,δ为超参数人为给定,Xp1为全局最优设计参数中聚合物树脂的含量比例,Xq1为第p个粒子中聚合物树脂的含量比例。ypm则表示第p个粒子的适应度,γ则为使用者设定的防水性能指标下线阈值。
上述公式中,首先通过计算其余粒子与最优设计参数的欧几里得距离,可以找到距离最优设计参数的其余参数。再利用公式6对粒子的适应度进行筛选。
此外本次申请中除了对防水性能进行评估,对于防水涂料的制作成本也进行了考虑。聚合物树脂作为防水涂料中最贵的一部分,再满足了防水性能后,其在配方中的含量越低,经济效益就越高。因此本次申请中,利用公式5进行比较筛选,在最优设计参数形成后,只有当其余粒子的经济成本比最有设计参数的成本低,才能够进入粒子群优化算法范围最优位置,以供使用者进行选择。
步骤S7:粒子群算法粒子速度与位置更新。
在步骤S6中完成了粒子群算法的目标函数以及范围最优位置的定义,在本步骤中,则需要对粒子群算法的更新迭代方式进行设定。本次申请中助剂的比例参数其幅度值较小,仅为0.04左右,因此对于该参数的更新优化幅度需要进行特定调整。
其中助剂调整公式如下所示:
其中,为更新后第n个粒子助剂的值,则为上一个状态时第n个粒子助剂的值,则为第n个粒子的助剂的速度更新值。α则为超参数,用来降低助剂更新的幅度。
步骤S8:粒子适应度评估与历史最优位置更新。
在步骤S7中,粒子进行更新,其更新速度受到个体最佳位置和全局最佳位置的吸引力影响,此外自身速度的惯性以及上述公式7对其更新幅度也有影响。更新完成后,本步骤中对每个粒子的新位置进行适应度评估,计算其对应的目标函数值。根据目标函数的值来评估每个粒子的适应度。再根据当前适应度值更新每个粒子的历史最优位置和群体历史最优位置。其中历史最优位置是粒子个体自身最优的设计参数解,而群体历史最优位置是整个粒子群中适应度最好的防水涂料设计参数。
步骤S9:输出防水涂料设计参数最优解。
在S8中完成了粒子适应度评估与历史最优位置更新后,进行检查,查看整个PSO是否满足终止条件,如是否达到最大迭代次数、是否有足量的粒子满足防水性能指标。如果满足终止条件并输出防水涂料设计参数最优解以及粒子的范围最优位置。如果不满足终止条件,则返回步骤S7继续迭代更新。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (1)
1.基于粒子群算法及卷积神经网络的防水涂料最优化方法,包括如下步骤,其特征在于:
1)初始数据收集;
采集对防水涂料性能影响较大的设计参数及其变量其中包括聚合物树脂、填料、溶剂、助剂的比例,以及基材表面粗糙度,涂层厚度,施工温度,并收集防水涂料最终的防水性能;
2)数据表征与处理;
将特征数据进行转化,保证其具备一定物理意义时,也便于网络学习,对于基材表面的粗糙度,则采用类平均最大峰谷高度公式进行转换;
所述步骤2)中类平均最大峰谷高度公式表示为:
对于基材表面的粗糙度,采用类平均最大峰谷高度进行表示,表达公式如下:
其中,hi表示地面表面高点和低点之间的高度差,则表示地面表面高点和低点之间的高度差前100个最大值,H则表示类平均最大峰谷高度,通过该公式表达出基材表面粗糙度的类平均最大峰谷高度;
3)卷积神经网络设计;
采用卷积神经网络进行搭建,其中卷积核采用3*1大小,间隔为1,填充为1,此外为了提升数据的表达能力,以及加快网络的收敛,采用BN网络进行数据处理,激活函数采用ReLU,最后采用全连接层,进行具体输出防水性能指数作为目标标签值;
4)卷积神经网络训练与评估;
对卷积神经网络进行训练,其中训练目标与评估的标准均为均方差,即本次神经网络训练中,关注点为对防水性能指数的预测误差率,当网络的训练集与测试集都能够对防水涂料的防水性能进行一个较小均方差的预测时,即可完成训练;
5)粒子群算法粒子参数初始化;
采用粒子群优化算法进行辅助寻优,并利用粒子群算法找寻最优设计参数以及粒子参数表达公式进行初始化操作;
所述步骤5)中粒子参数表达公式表示为:
其中,粒子参数表达公式如下:
Xnm=(xn1,xn2,xn3,xn4,xn5,xn6,xn7)
Vnm=(vn1,vn2,vn3,vn4,vn5,vn6,vn7)
其中,Xnm表示第n个粒子的位置,xn1,xn2,xn3,xn4,xn5,xn6,xn7则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度,涂层厚度以及施工温度的具体数值项,Vnm表示第n个粒子的速度,vn1,vn2,vn3,vn4,vn5,vn6,vn7则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度,涂层厚度以及施工温度的具体速度值;
6)粒子群算法目标函数定义;
采用防水性能作为目标函数,即适应度函数,利用PS0算法进行更新每个粒子的位置,进而利用上述卷积神经网络对该粒子位置的适应度即防水性能进行评估,采用最优粒子范围公式提取粒子群优化算法的范围最优位置;
所述步骤6)中最优粒子范围公式表示为:
因此本次申请提出粒子群优化算法范围最优位置,其中最优粒子范围公式表达如下:
Xp1≤Xq1
ypm≥γ
其中,Xqm在本公式中表示全局最优设计参数,Xpm则表示第p个粒子的位置,δ为超参数人为给定,Xp1为全局最优设计参数中聚合物树脂的含量比例,Xq1为第p个粒子中聚合物树脂的含量比例,ypm则表示第p个粒子的适应度,γ则为使用者设定的防水性能指标下线阈值;
7)粒子群算法粒子速度与位置更新;
对粒子群算法的更新迭代方式进行设定,此外由于助剂的比例参数其幅度值较小,仅为0.04左右,因此对于该参数的更新优化幅度按照助剂调整公式进行特定调整;
所述步骤7)中助剂调整公式表示为:
其中助剂调整公式如下所示:
其中,为更新后第n个粒子助剂的值,则为上一个状态时第n个粒子助剂的值,则为第n个粒子的助剂的速度更新值,α则为超参数,用来降低助剂更新的幅度;
8)粒子适应度评估与历史最优位置更新;
对每个粒子的新位置进行适应度评估,计算其对应的目标函数值,根据目标函数的值来评估每个粒子的适应度,再根据当前适应度值更新每个粒子的历史最优位置和群体历史最优位置;
9)输出防水涂料设计参数最优解;
对算法进行检查,查看整个PSO是否满足终止条件,如是否达到最大迭代次数、是否有足量的粒子满足防水性能指标,如果满足终止条件并输出防水涂料设计参数最优解以及粒子的范围最优位置,如果不满足终止条件,则返回步骤S7继续迭代更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706690.1A CN116629085B (zh) | 2023-06-15 | 2023-06-15 | 基于粒子群算法及卷积神经网络的防水涂料最优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706690.1A CN116629085B (zh) | 2023-06-15 | 2023-06-15 | 基于粒子群算法及卷积神经网络的防水涂料最优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629085A CN116629085A (zh) | 2023-08-22 |
CN116629085B true CN116629085B (zh) | 2024-07-05 |
Family
ID=87617126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310706690.1A Active CN116629085B (zh) | 2023-06-15 | 2023-06-15 | 基于粒子群算法及卷积神经网络的防水涂料最优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629085B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831306A (zh) * | 2012-08-13 | 2012-12-19 | 东南大学 | 一种用于喷涂机器人的分层喷涂轨迹规划方法 |
CN114241252A (zh) * | 2021-11-17 | 2022-03-25 | 浙江奔腾交通工程有限公司 | 喷涂状态识别方法、装置、设备及可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006306994A (ja) * | 2005-04-28 | 2006-11-09 | Kansai Paint Co Ltd | 水性塗料組成物及び該水性塗料組成物の塗装方法 |
CN111814251B (zh) * | 2020-07-08 | 2021-03-26 | 北京航空航天大学 | 基于贝叶斯自适应共振的多目标多模态粒子群优化方法 |
CN114882270A (zh) * | 2022-04-15 | 2022-08-09 | 华南理工大学 | 基于粒子群优化算法的主动脉夹层ct图像分类方法 |
CN114757323A (zh) * | 2022-04-18 | 2022-07-15 | 湖北经济学院 | 基于动态局部进化的高斯粒子群优化算法 |
CN115101141B (zh) * | 2022-06-24 | 2022-12-20 | 湖北远见高新材料有限公司 | 一种水性工业涂料的配方优化方法及系统 |
CN116011318A (zh) * | 2022-12-05 | 2023-04-25 | 国网安徽省电力有限公司电力科学研究院 | 基于bp神经网络的变电站用防火涂料热解行为预测方法 |
CN115906532A (zh) * | 2023-01-06 | 2023-04-04 | 山东北方创信防水科技集团股份有限公司 | 喷涂沥青防水涂料沉积模型的建模方法和系统 |
CN116205914B (zh) * | 2023-04-28 | 2023-07-21 | 山东中胜涂料有限公司 | 一种防水涂料生产智能监测系统 |
-
2023
- 2023-06-15 CN CN202310706690.1A patent/CN116629085B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831306A (zh) * | 2012-08-13 | 2012-12-19 | 东南大学 | 一种用于喷涂机器人的分层喷涂轨迹规划方法 |
CN114241252A (zh) * | 2021-11-17 | 2022-03-25 | 浙江奔腾交通工程有限公司 | 喷涂状态识别方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116629085A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247260B (zh) | 一种基于自适应深度置信网络的rfid定位方法 | |
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
CN111308896B (zh) | 基于可变误差的非线性系统自适应最优控制方法 | |
CN111709524A (zh) | 一种基于改进gwo算法的rbf神经网络优化方法 | |
CN106886658A (zh) | 非线性迟滞动力学模型参数识别的粒子群新算法 | |
CN103544496A (zh) | 基于空间与时间信息融合的机器人场景识别方法 | |
CN106782510B (zh) | 基于连续混合高斯hmm模型的地名语音信号识别方法 | |
CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN109460874B (zh) | 一种基于深度学习的有义波高预测方法 | |
CN112231839B (zh) | 针对高耗时约束的飞行器追峰采样智能探索方法 | |
CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
CN111880552B (zh) | 多旋翼无人机轨迹跟踪复合控制方法 | |
CN113052373A (zh) | 一种基于改进elm模型的月径流变化趋势预测方法 | |
CN110598804A (zh) | 一种基于聚类和膜计算的改进FastSLAM算法 | |
CN109520503A (zh) | 一种平方根容积模糊自适应卡尔曼滤波slam方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN116629085B (zh) | 基于粒子群算法及卷积神经网络的防水涂料最优化方法 | |
CN116399541A (zh) | 基于深度神经网络的叶栅风洞实验工况参数修正方法 | |
CN109543914A (zh) | 基于ap聚类算法的rbf建筑运行能耗的预测方法 | |
CN110765706A (zh) | 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法 | |
CN111539157B (zh) | 一种基于多层感知机的动载荷时域识别方法 | |
Alkhatib et al. | Multidisciplinary Computational Optimization: an Integrated Approach to Achieve Sustainability in Tall Building Design at Early Stage-Review | |
CN104778260A (zh) | 一种动态雷达环境知识库建模方法 | |
CN116881676A (zh) | 一种露天坑涌水量的预测方法 |
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 |