CN117021409A - 一种增强尼龙复合材料及其制备方法 - Google Patents

一种增强尼龙复合材料及其制备方法 Download PDF

Info

Publication number
CN117021409A
CN117021409A CN202310918991.0A CN202310918991A CN117021409A CN 117021409 A CN117021409 A CN 117021409A CN 202310918991 A CN202310918991 A CN 202310918991A CN 117021409 A CN117021409 A CN 117021409A
Authority
CN
China
Prior art keywords
traction speed
tension
feature vector
time sequence
traction
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
CN202310918991.0A
Other languages
English (en)
Other versions
CN117021409B (zh
Inventor
董丽琴
李明
王平
董卓妮
徐小波
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.)
Hangzhou Dikai Fabrics Co ltd
Original Assignee
Hangzhou Dikai Fabrics 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 Hangzhou Dikai Fabrics Co ltd filed Critical Hangzhou Dikai Fabrics Co ltd
Priority to CN202310918991.0A priority Critical patent/CN117021409B/zh
Publication of CN117021409A publication Critical patent/CN117021409A/zh
Application granted granted Critical
Publication of CN117021409B publication Critical patent/CN117021409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B9/00—Making granules
    • B29B9/12—Making granules characterised by structure or composition
    • B29B9/14—Making granules characterised by structure or composition fibre-reinforced
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B15/00—Pretreatment of the material to be shaped, not covered by groups B29B7/00 - B29B13/00
    • B29B15/08—Pretreatment of the material to be shaped, not covered by groups B29B7/00 - B29B13/00 of reinforcements or fillers
    • B29B15/10—Coating or impregnating independently of the moulding or shaping step
    • B29B15/12—Coating or impregnating independently of the moulding or shaping step of reinforcements of indefinite length
    • B29B15/122—Coating or impregnating independently of the moulding or shaping step of reinforcements of indefinite length with a matrix in liquid form, e.g. as melt, solution or latex
    • B29B15/125—Coating or impregnating independently of the moulding or shaping step of reinforcements of indefinite length with a matrix in liquid form, e.g. as melt, solution or latex by dipping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B15/00—Pretreatment of the material to be shaped, not covered by groups B29B7/00 - B29B13/00
    • B29B15/08—Pretreatment of the material to be shaped, not covered by groups B29B7/00 - B29B13/00 of reinforcements or fillers
    • B29B15/10—Coating or impregnating independently of the moulding or shaping step
    • B29B15/12—Coating or impregnating independently of the moulding or shaping step of reinforcements of indefinite length
    • B29B15/14—Coating or impregnating independently of the moulding or shaping step of reinforcements of indefinite length of filaments or wires
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B9/00—Making granules
    • B29B9/02—Making granules by dividing preformed material
    • B29B9/06—Making granules by dividing preformed material in the form of filamentary material, e.g. combined with extrusion
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08J—WORKING-UP; GENERAL PROCESSES OF COMPOUNDING; AFTER-TREATMENT NOT COVERED BY SUBCLASSES C08B, C08C, C08F, C08G or C08H
    • C08J5/00—Manufacture of articles or shaped materials containing macromolecular substances
    • C08J5/04—Reinforcing macromolecular compounds with loose or coherent fibrous material
    • C08J5/0405—Reinforcing macromolecular compounds with loose or coherent fibrous material with inorganic fibres
    • C08J5/042—Reinforcing macromolecular compounds with loose or coherent fibrous material with inorganic fibres with carbon fibres
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08J—WORKING-UP; GENERAL PROCESSES OF COMPOUNDING; AFTER-TREATMENT NOT COVERED BY SUBCLASSES C08B, C08C, C08F, C08G or C08H
    • C08J5/00—Manufacture of articles or shaped materials containing macromolecular substances
    • C08J5/04—Reinforcing macromolecular compounds with loose or coherent fibrous material
    • C08J5/0405—Reinforcing macromolecular compounds with loose or coherent fibrous material with inorganic fibres
    • C08J5/043—Reinforcing macromolecular compounds with loose or coherent fibrous material with inorganic fibres with glass fibres
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2077/00—Use of PA, i.e. polyamides, e.g. polyesteramides or derivatives thereof, as moulding material
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2105/00—Condition, form or state of moulded material or of the material to be shaped
    • B29K2105/0005—Condition, form or state of moulded material or of the material to be shaped containing compounding ingredients
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08J—WORKING-UP; GENERAL PROCESSES OF COMPOUNDING; AFTER-TREATMENT NOT COVERED BY SUBCLASSES C08B, C08C, C08F, C08G or C08H
    • C08J2377/00—Characterised by the use of polyamides obtained by reactions forming a carboxylic amide link in the main chain; Derivatives of such polymers
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08K—Use of inorganic or non-macromolecular organic substances as compounding ingredients
    • C08K7/00—Use of ingredients characterised by shape
    • C08K7/02—Fibres or whiskers
    • C08K7/04—Fibres or whiskers inorganic
    • C08K7/06—Elements
    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08K—Use of inorganic or non-macromolecular organic substances as compounding ingredients
    • C08K7/00—Use of ingredients characterised by shape
    • C08K7/02—Fibres or whiskers
    • C08K7/04—Fibres or whiskers inorganic
    • C08K7/14—Glass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Medicinal Chemistry (AREA)
  • Organic Chemistry (AREA)
  • Polymers & Plastics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Inorganic Chemistry (AREA)
  • Medical Informatics (AREA)
  • Reinforced Plastic Materials (AREA)
  • Moulding By Coating Moulds (AREA)

Abstract

公开了一种增强尼龙复合材料及其制备方法。其首先将尼龙树脂与相容剂混合熔融以制备熔融物，然后，将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料。这样，可以在牵引过程中，通过使用传感器或监测设备实时监测牵引过程中的牵引速度和张力参数，其中所述张力参数包括长碳纤维和长玻璃纤维的张力值，并在后端引入数据处理和分析算法来进行牵引速度和张力的时序协同交互关联分析以自动进行牵引速度值的自适应控制，从而保持良好的牵引效果和一致性。

Description

一种增强尼龙复合材料及其制备方法
技术领域
本公开涉及复合材料领域，且更为具体地，涉及一种增强尼龙复合材料及其制备方法。
背景技术
聚酰胺(PA)，俗称尼龙，是一种含有极性酰胺基团的聚合物，能够形成氢键。尼龙树脂具有出色的机械性能、耐热性和电绝缘性等特点，因此在工业中得到广泛应用。然而，尼龙也存在一些缺点，如尺寸稳定性差和高吸水性等。在某些对机械性能要求很高的应用领域，纯尼龙树脂无法满足需求。
为了改善尼龙的缺点并提高其力学性能和热变形温度，近年来纤维增强尼龙复合材料成为重点研发方向。传统的纤维增强尼龙复合材料虽然能够提高力学性能和热变形温度，但仍存在抗静电效果差和成本高的问题，这限制了其在结构性材料中的应用。
因此，期望一种优化的增强尼龙复合材料的制备方案。
发明内容
有鉴于此，本公开提出了一种增强尼龙复合材料及其制备方法，其可以在牵引过程中，通过使用传感器或监测设备实时监测牵引过程中的牵引速度和张力参数，其中所述张力参数包括长碳纤维和长玻璃纤维的张力值，并在后端引入数据处理和分析算法来进行牵引速度和张力的时序协同交互关联分析以自动进行牵引速度值的自适应控制，从而保持良好的牵引效果和一致性。
根据本公开的一方面，提供了一种增强尼龙复合材料的制备方法，其包括：
将尼龙树脂与相容剂混合熔融以制备熔融物；
将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料。
根据本公开的另一方面，提供了一种增强尼龙复合材料，所述增强尼龙复合材料由如前述的增强尼龙复合材料的制备方法制得。
根据本公开的实施例，其首先将尼龙树脂与相容剂混合熔融以制备熔融物，然后，将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料。这样，可以在牵引过程中，通过使用传感器或监测设备实时监测牵引过程中的牵引速度和张力参数，其中所述张力参数包括长碳纤维和长玻璃纤维的张力值，并在后端引入数据处理和分析算法来进行牵引速度和张力的时序协同交互关联分析以自动进行牵引速度值的自适应控制，从而保持良好的牵引效果和一致性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的增强尼龙复合材料的制备方法的流程图。
图2示出根据本公开的实施例的增强尼龙复合材料的制备方法的子步骤S120的流程图。
图3示出根据本公开的实施例的增强尼龙复合材料的制备方法的子步骤S120的架构示意图。
图4示出根据本公开的实施例的增强尼龙复合材料的制备方法的子步骤S122的流程图。
图5示出根据本公开的实施例的增强尼龙复合材料的制备方法的子步骤S123的流程图。
图6示出根据本公开的实施例的增强尼龙复合材料的制备方法的子步骤S1231的流程图。
图7示出根据本公开的实施例的增强尼龙复合材料的制备方法的子步骤S1232的流程图。
图8示出根据本公开的实施例的增强尼龙复合材料的制备系统的框图。
图9示出根据本公开的实施例的增强尼龙复合材料的制备方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
具体地，在本公开的技术方案中，提出了一种增强尼龙复合材料的制备方法，图1示出根据本公开的实施例的增强尼龙复合材料的制备方法的流程图。如图1所示，根据本公开实施例的增强尼龙复合材料的制备方法，包括步骤：S110，将尼龙树脂与相容剂混合熔融以制备熔融物；以及，S120，将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料。所述增强尼龙复合材料是一种具有高强度和高刚度的材料，由尼龙树脂和纤维增强剂(如碳纤维和玻璃纤维)组成。这种复合材料在许多领域中得到广泛应用，包括汽车制造、航空航天、建筑和体育器材等。
在制备增强尼龙复合材料的过程中，牵引是一个关键步骤。牵引过程中控制牵引速度对于获得一致性和良好的牵引效果非常重要。这是由于牵引过程可以通过施加拉力来定向纤维的排列方向。纤维的定向对于复合材料的力学性能至关重要。通过牵引，可以使纤维在复合材料中以所需的方向分布，从而提高材料的强度、刚度和耐久性。并且，在牵引过程中，纤维被均匀地分散在尼龙树脂中，均匀分散的纤维可以避免纤维团聚和不均匀分布的问题，从而提高复合材料的均一性和一致性。然而，传统的牵引方法往往依赖于经验和操作人员的技能，容易受到人为因素的影响，导致制备过程的不稳定性和质量波动。
针对上述技术问题，本公开的技术构思为在牵引过程中，通过使用传感器或监测设备实时监测牵引过程中的牵引速度和张力参数，其中所述张力参数包括长碳纤维和长玻璃纤维的张力值，并在后端引入数据处理和分析算法来进行牵引速度和张力的时序协同交互关联分析以自动进行牵引速度值的自适应控制，从而保持良好的牵引效果和一致性。
具体地，在本公开的技术方案中，图2示出根据本公开的实施例的增强尼龙复合材料的制备方法的步骤S120的流程图。图3示出根据本公开的实施例的增强尼龙复合材料的制备方法的步骤S120的架构示意图。如图2和图3所示，根据本公开实施例的增强尼龙复合材料的制备方法，将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料，包括：S121，获取预定时间段内多个预定时间点的牵引速度值和张力值，其中，所述张力值为所述长碳纤维和所述长玻璃纤维的张力值；S122，对所述多个预定时间点的牵引速度值和张力值进行时序协同交互关联分析以得到牵引速度-张力交互特征；以及，S123，基于所述牵引速度-张力交互特征，确定当前时间点的牵引速度值应增大、应减小或应保持不变。
相应地，首先，获取预定时间段内多个预定时间点的牵引速度值和张力值，其中，所述张力值为所述长碳纤维和所述长玻璃纤维的张力值。接着，考虑到由于所述牵引速度值和所述张力值在时间维度上具有着各自的动态变化规律，为了能够充分捕捉到所述牵引速度值和所述张力值在时序上的动态变化信息，以此来建立两者之间的交互关联，从而实现对于牵引速度的实时控制，在本公开的技术方案中，需要首先进一步将所述多个预定时间点的牵引速度值和张力值分别按照时间维度排列为牵引速度时序输入向量和张力值时序输入向量，以此来分别整合所述牵引速度值和所述张力值在时序上的分布信息。
然后，将所述牵引速度时序输入向量和所述张力值时序输入向量分别通过基于一维卷积层的时序特征提取器中进行特征挖掘，以分别提取出所述牵引速度值和所述张力值在时间维度上的时序动态关联特征分布信息，即所述牵引速度值和所述张力值分别在时序上的变化特征信息，从而得到牵引速度时序特征向量和张力值时序特征向量。
进一步地，使用特征间注意力层对所述牵引速度时序特征向量和张力值时序特征向量进行基于注意力机制的特征交互以得到牵引速度-张力交互特征向量，以此来捕捉到所述牵引速度时序变化特征和所述张力时序变化特征之间的交互关联和相互影响。应可以理解，由于传统的注意力机制的目标是学习一个注意力权重矩阵，将较大的权重赋予重要的特征，较小的权重赋予次要的特征，从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权，而忽略了参数时序变化特征之间的依赖关系。而所述特征间注意力层能够通过基于注意力机制的特征交互，可以捕捉到所述牵引速度时序变化特征和所述张力时序变化特征之间的相关性和相互影响，以学习到不同参数时序特征之间的依赖关系，并根据这些依赖关系对特征进行交互和整合，从而得到牵引速度-张力交互特征向量。
相应地，如图4所示，对所述多个预定时间点的牵引速度值和张力值进行时序协同交互关联分析以得到牵引速度-张力交互特征，包括：S1221，将所述多个预定时间点的牵引速度值和张力值分别按照时间维度排列为牵引速度时序输入向量和张力值时序输入向量；S1222，通过基于深度神经网络模型的时序特征提取器分别对所述牵引速度时序输入向量和所述张力值时序输入向量进行特征提取以得到牵引速度时序特征向量和张力值时序特征向量；以及，S1223，对所述牵引速度时序特征向量和所述张力值时序特征向量进行特征交互以得到所述牵引速度-张力交互特征。
其中，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。值得一提的是，一维卷积层是深度学习中常用的一种卷积神经网络层，一维卷积层使用一维卷积操作对输入数据进行特征提取。卷积操作通过滑动一个固定大小的窗口(卷积核)在输入序列上进行计算，将窗口内的输入与卷积核进行逐元素相乘，并对结果进行求和，得到输出特征值。通过改变卷积核的大小、步幅(stride)、填充(padding)等参数，可以控制输出特征的尺寸和提取的特征信息。一维卷积层的主要作用包括：1.特征提取：一维卷积层可以自动学习输入序列中的局部模式和特征，从而提取有用的特征表示，这对于处理文本分类、语音识别、情感分析等任务非常有用；2.维度降低：通过调整卷积核的大小和步幅，一维卷积层可以将输入序列的维度降低，从而减少模型的参数数量和计算量，提高模型的效率；3.上下文建模：一维卷积层可以利用卷积操作的局部感受野，对输入序列进行局部上下文的建模，这有助于捕捉序列中的长期依赖关系和上下文信息。换言之，一维卷积层是一种有效的工具，可以在处理一维序列数据时提取特征、降低维度并建模上下文信息，广泛应用于自然语言处理、音频处理和时间序列分析等领域。
更具体地，在步骤S1223中，对所述牵引速度时序特征向量和所述张力值时序特征向量进行特征交互以得到所述牵引速度-张力交互特征，包括：使用特征间注意力层对所述牵引速度时序特征向量和所述张力值时序特征向量进行基于注意力机制的特征交互以得到牵引速度-张力交互特征向量作为所述牵引速度-张力交互特征。应可以理解，注意力机制是一种在深度学习中常用的技术，用于对输入的不同部分分配不同的权重或关注度，它可以通过学习动态地调整不同输入元素的重要性，从而实现对输入的有选择性地关注和处理。在特征交互中使用注意力机制可以帮助模型自动学习输入特征之间的相关性和重要性，并根据这些信息进行特征的加权组合。具体来说，对于给定的输入特征向量，注意力机制可以计算每个特征在特定上下文下的权重，然后将特征与对应的权重进行加权求和，得到加权特征向量。注意力机制可以帮助模型在特征交互过程中更加灵活地选择和组合特征，从而提高特征表示的能力，通过自适应地计算特征之间的权重，注意力机制可以捕捉输入特征之间的非线性关系和重要性差异；注意力机制可以根据上下文信息对输入的不同部分进行不同程度的关注，这对于处理长序列数据或具有长期依赖关系的任务非常有用，因为模型可以根据当前上下文动态地调整关注度，更好地捕捉序列中的相关信息；注意力机制可以提供对模型决策的解释性，通过观察注意力权重，可以了解模型在做出预测或生成结果时关注的输入元素，从而增强模型的可解释性和可信度。换言之，注意力机制是一种有效的技术，可以在特征交互过程中自适应地选择和组合特征，提高模型的表示能力和性能。
更具体地，在步骤S123中，如图5所示，基于所述牵引速度-张力交互特征，确定当前时间点的牵引速度值应增大、应减小或应保持不变，包括：S1231，对所述牵引速度-张力交互特征向量进行特征分布优化以得到优化牵引速度-张力交互特征向量；以及，S1232，将所述优化牵引速度-张力交互特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的牵引速度值应增大、应减小或应保持不变。应可以理解，在步骤S1231中，通过对牵引速度-张力交互特征向量进行特征分布优化，得到优化的牵引速度-张力交互特征向量，这个步骤的目的是通过调整特征的分布，使得特征更加有利于后续的分类任务，具体的优化方法可以根据具体情况选择，例如使用特征选择、特征变换或特征加权等技术。通过对特征向量进行调整和优化，可以提取更具有区分度和表达能力的特征，从而为分类器提供更好的输入，这一步骤的目的是提高特征的判别能力和表示能力，以便更好地区分牵引速度的增大、减小或保持不变。在步骤S1232中，将优化的牵引速度-张力交互特征向量输入分类器，以得到分类结果。分类器可以是一个机器学习模型，例如支持向量机(SVM)、随机森林(Random Forest)或深度学习模型(如卷积神经网络)，分类器会学习从特征向量到牵引速度增大、减小或保持不变的映射关系，并给出当前时间点的牵引速度的预测结果。利用优化后的特征向量输入分类器，通过学习得到的映射关系，对当前时间点的牵引速度进行预测。分类器的输出结果表示当前时间点的牵引速度值应增大、应减小或应保持不变。这两个步骤结合起来，可以通过特征优化和分类器预测来确定当前时间点的牵引速度的变化趋势，从而为系统控制和决策提供参考
更具体地，在步骤S1231中，如图6所示，对所述牵引速度-张力交互特征向量进行特征分布优化以得到优化牵引速度-张力交互特征向量，包括：S12311，对所述牵引速度时序特征向量和所述张力值时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量；以及，S12312，融合所述融合特征向量和所述牵引速度-张力交互特征向量以得到所述优化牵引速度-张力交互特征向量。
特别地，在本公开的技术方案中，使用特征间注意力层对所述牵引速度时序特征向量和张力值时序特征向量进行基于注意力机制的特征交互以得到牵引速度-张力交互特征向量时，所述特征间注意力层会对所述牵引速度时序特征向量和所述张力值时序特征向量进行依赖关系特征的提取，由此，如果可以进一步增强所述牵引速度-张力交互特征向量对于所述牵引速度时序特征向量和所述张力值时序特征向量本身的牵引速度值和张力值的一维时序局部关联特征的表示，则可以提升所述牵引速度-张力交互特征向量的表达效果。
这里，本公开的申请人考虑到所述牵引速度值和张力值在时序方向上可能存在的分布不均衡，由于所述牵引速度时序特征向量和所述张力值时序特征向量本身都是在时序方向上基于一维卷积核的局部关联时域的序列化排列，也就是，在整体时域空间内遵循基于序列的空间分布，因此，对所述牵引速度时序特征向量，例如记为V1，以及所述张力值时序特征向量，例如记为V2，来进行希尔伯特空间启发式序列跟踪均衡化，以得到融合特征向量，例如记为Vr。
相应地，在一个具体示例中，对所述牵引速度时序特征向量和所述张力值时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量，包括：以如下优化公式对所述牵引速度时序特征向量和所述张力值时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量；其中，所述优化公式为：
其中，V1是所述牵引速度时序特征向量，V2是所述张力值时序特征向量，且特征向量V1和V2均为行向量，(·)T表示转置操作，‖(V1；V2)‖2表示特征向量V1和V2的级联向量的二范数，表示所述牵引速度时序特征向量中所有位置的特征值的集合，/>表示所述张力值时序特征向量中所有位置的特征值的集合，/>表示特征向量V1和V2的所有特征值构成的并集集合的均值，⊙表示按位置点乘，/>表示向量加法，Vr是所述融合特征向量。
这里，利用具有内积的希尔伯特空间的完备内积空间特性，来通过所述牵引速度时序特征向量V1和所述张力值时序特征向量V2的序列聚合的集合性均值(collectiveaverage)，探索所述牵引速度时序特征向量V1和所述张力值时序特征向量V2经由时序融合的特征空间内的基于序列的空间分布启发式(heuristics)，从而将所述牵引速度时序特征向量V1和所述张力值时序特征向量V2的各个局部特征分布转化为融合空间内的序列跟踪实例(tracked instance)，以实现序列的特征空间分布的跟踪小片段认知的(tracklet-aware)分布均衡化，这样，再将所述融合特征向量进一步与所述牵引速度-张力交互特征向量融合，就可以增强所述牵引速度-张力交互特征向量对于所述牵引速度时序特征向量和所述张力值时序特征向量本身的牵引速度值和张力值的一维时序局部关联特征的表示，从而提升所述牵引速度-张力交互特征向量的表达效果。这样，能够基于实际的张力变化情况来实时进行牵引速度的自适应控制，以保持良好的牵引效果和一致性，从而优化增强尼龙复合材料的性能和质量。
进一步地，再将所述牵引速度-张力交互特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的牵引速度值应增大、应减小或应保持不变。也就是说，以所述牵引速度的时序变化特征和所述张力的时序变化特征之间的交互关联特征信息来进行分类处理，从而基于这两者之间的时序交互特征来完成牵引速度的控制。这样，能够基于实际的张力变化情况来实时进行牵引速度的自适应控制，以此来保持良好的牵引效果和一致性。
相应地，如图7所示，将所述优化牵引速度-张力交互特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的牵引速度值应增大、应减小或应保持不变，包括：S12321，使用所述分类器的全连接层对所述优化牵引速度-张力交互特征向量进行全连接编码以得到编码分类特征向量；以及，S12322，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括编织完成的当前时间点的牵引速度值应增大(第一标签)，当前时间点的牵引速度值应减小(第二标签)，以及，当前时间点的牵引速度值应保持不变(第三标签)，其中，所述分类器通过软最大值函数来确定所述优化牵引速度-张力交互特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1、所述第二标签p2和第三标签p3并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的牵引速度值应增大、应减小或应保持不变”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前时间点的牵引速度值应增大、应减小或应保持不变的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的牵引速度值应增大、应减小或应保持不变”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接层(Fully Connected Layer)是深度学习中常用的一种神经网络层结构，也称为密集连接层或仿射层。它的作用是将输入的特征向量与权重矩阵进行矩阵乘法运算，并通过激活函数对结果进行非线性变换，得到编码分类特征向量。全连接层将输入特征向量与权重矩阵相乘，实现特征的映射和组合，每个神经元对应于输出向量的一个元素，通过学习得到的权重和偏置项来对输入特征进行线性组合。全连接层通过激活函数对线性组合的结果进行非线性变换，增加网络的表示能力。常用的激活函数包括ReLU、Sigmoid、Tanh等，它们可以引入非线性关系，从而更好地拟合复杂的数据分布。全连接层的输出结果可以看作是输入特征的编码表示。通过学习得到的权重和偏置项，全连接层可以将输入特征映射到一个更高维度的特征空间，提取更具有表达能力和判别性的特征表示。
综上，基于本公开实施例的增强尼龙复合材料的制备方法，其可以在牵引过程中，通过使用传感器或监测设备实时监测牵引过程中的牵引速度和张力参数，其中所述张力参数包括长碳纤维和长玻璃纤维的张力值，并在后端引入数据处理和分析算法来进行牵引速度和张力的时序协同交互关联分析以自动进行牵引速度值的自适应控制，从而保持良好的牵引效果和一致性。
进一步地，本公开的实施例还提供一种增强尼龙复合材料，所述增强尼龙复合材料由如前述任一所述的增强尼龙复合材料的制备方法制得。
进一步地，所述增强尼龙复合材料，按质量份数计，纤维增强尼龙复合材料的制备原料包括：尼龙树脂40份～65份、长碳纤维10份～40份、长玻璃纤维10份～40份及相容剂1份～5份，长碳纤维的长度为5mm～25mm，长玻璃纤维的长度为5mm～25mm。
在一些实施例中，在纤维增强尼龙复合材料的制备原料中，长碳纤维的质量份数为10份、12份、15份、18份、20份、22份、25份、28份、30份、32份、35份、38份、40份或这些取值中任意两者所组成的范围。优选地，在纤维增强尼龙复合材料的制备原料中，长碳纤维的质量份数为15份～40份。
在一些实施例中，长碳纤维包括聚丙烯腈基碳纤维。上述长碳纤维具有高的电导率，具有良好的抗静电效应。
在一些实施例中，长碳纤维的单丝直径为4μm～8μm，束丝线密度为200tex～2400tex。上述长碳纤维易于加工和控制质量分数，利于联动生产。
在一些实施例中，在纤维增强尼龙复合材料的制备原料中，长玻璃纤维的质量份数为10份、12份、15份、18份、20份、22份、25份、28份、30份、32份、35份、38份、40份或这些取值中任意两者所组成的范围。优选地，在纤维增强尼龙复合材料的制备原料中，长碳纤维的质量份数为15份～40份。
在一些实施例中，长玻璃纤维为无碱玻璃纤维。
在一些实施例中，长玻璃纤维的单丝直径为4μm～8μm，束丝线密度为700tex～3600tex。上述长玻璃纤维易于加工和控制质量分数，利于联动生产。
在一些实施例中，在纤维增强尼龙复合材料的制备原料中，尼龙树脂的质量份数为40份、42份、45份、48份、50份、52份、55份、58份、60份、62份、65份或这些取值中任意两者所组成的范围。优选地，在纤维增强尼龙复合材料的制备原料中，尼龙树脂的质量份数为40份～60份。
在一些实施例中，尼龙树脂选自尼龙6及尼龙66中的至少一种，且尼龙树脂的相对粘度为1.8～2.8。
在一些实施例中，在所述增强尼龙复合材料的制备原料中，相容剂的质量份数为1份、2份、3份、4份、5份或这些取值中任意两者所组成的范围值。
在一些实施例中，相容剂选自聚乙烯醇、马来酸酐接枝乙烯-1-辛烯共聚物(MAH-g-POE)、马来酸酐接枝聚丙烯(MAH-g-PP)及马来酸酐接枝三元乙丙橡胶(MAH-g-EPDM)中的至少一种。加入相容剂能够提高尼龙树脂与纤维之间的相容性，进而使得纤维能够实现增强改性尼龙树脂的作用。
在一些实施例中，按质量份数计，纤维增强尼龙复合材料还包括抗氧剂0.5份～1份。在一个具体的示例中，在纤维增强尼龙复合材料的制备原料中，抗氧剂的质量份数为0.5份、0.6份、0.7份、0.8份、0.9份、1份或这些取值中任意两者所组成的范围。在纤维增强尼龙复合材料中加入抗氧剂能够提高材料的耐老化性。
具体地，抗氧剂选自抗氧剂1010、抗氧剂168、抗氧剂3114、抗氧剂619及抗氧剂DSTP中的至少一种。可以理解，抗氧剂并不限于此，还可以为本领域常用的其他抗氧剂。
图8示出根据本公开的实施例的增强尼龙复合材料的制备系统100的框图。如图8所示，根据本公开实施例的增强尼龙复合材料的制备系统100，包括：混合熔融模块110，用于将尼龙树脂与相容剂混合熔融以制备熔融物；以及，牵引冷却切粒模块120，用于将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料。
在一种可能的实现方式中，所述牵引冷却切粒模块120，包括：数据获取单元121，用于获取预定时间段内多个预定时间点的牵引速度值和张力值，其中，所述张力值为所述长碳纤维和所述长玻璃纤维的张力值；时序协同交互关联分析单元122，用于对所述多个预定时间点的牵引速度值和张力值进行时序协同交互关联分析以得到牵引速度-张力交互特征；以及，牵引速度值控制单元123，用于基于所述牵引速度-张力交互特征，确定当前时间点的牵引速度值应增大、应减小或应保持不变。
这里，本领域技术人员可以理解，上述增强尼龙复合材料的制备系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的增强尼龙复合材料的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本公开实施例的增强尼龙复合材料的制备系统100可以实现在各种无线终端中，例如具有增强尼龙复合材料的制备算法的服务器等。在一种可能的实现方式中，根据本公开实施例的增强尼龙复合材料的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该增强尼龙复合材料的制备系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该增强尼龙复合材料的制备系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该增强尼龙复合材料的制备系统100与该无线终端也可以是分立的设备，并且该增强尼龙复合材料的制备系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图9示出根据本公开的实施例的增强尼龙复合材料的制备方法的应用场景图。如图9所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的牵引速度值(例如，图9中所示意的D1)和张力值(例如，图9中所示意的D2)，其中，所述张力值为所述长碳纤维和所述长玻璃纤维的张力值，然后，将所述多个预定时间点的牵引速度值和张力值输入至部署有增强尼龙复合材料的制备算法的服务器中(例如，图9中所示意的S)，其中，所述服务器能够使用所述增强尼龙复合材料的制备算法对所述多个预定时间点的牵引速度值和张力值进行处理以得到用于表示当前时间点的牵引速度值应增大、应减小或应保持不变的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种增强尼龙复合材料的制备方法，其特征在于，包括：
将尼龙树脂与相容剂混合熔融以制备熔融物；以及
将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料。
2.根据权利要求1所述的增强尼龙复合材料的制备方法，其特征在于，将长碳纤维和长玻璃纤维浸渍在所述熔融物中，并进行牵引、冷却和切粒处理以得到尼龙复合材料，包括：
获取预定时间段内多个预定时间点的牵引速度值和张力值，其中，所述张力值为所述长碳纤维和所述长玻璃纤维的张力值；
对所述多个预定时间点的牵引速度值和张力值进行时序协同交互关联分析以得到牵引速度-张力交互特征；以及
基于所述牵引速度-张力交互特征，确定当前时间点的牵引速度值应增大、应减小或应保持不变。
3.根据权利要求2所述的增强尼龙复合材料的制备方法，其特征在于，对所述多个预定时间点的牵引速度值和张力值进行时序协同交互关联分析以得到牵引速度-张力交互特征，包括：
将所述多个预定时间点的牵引速度值和张力值分别按照时间维度排列为牵引速度时序输入向量和张力值时序输入向量；
通过基于深度神经网络模型的时序特征提取器分别对所述牵引速度时序输入向量和所述张力值时序输入向量进行特征提取以得到牵引速度时序特征向量和张力值时序特征向量；以及
对所述牵引速度时序特征向量和所述张力值时序特征向量进行特征交互以得到所述牵引速度-张力交互特征。
4.根据权利要求3所述的增强尼龙复合材料的制备方法，其特征在于，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
5.根据权利要求4所述的增强尼龙复合材料的制备方法，其特征在于，对所述牵引速度时序特征向量和所述张力值时序特征向量进行特征交互以得到所述牵引速度-张力交互特征，包括：
使用特征间注意力层对所述牵引速度时序特征向量和所述张力值时序特征向量进行基于注意力机制的特征交互以得到牵引速度-张力交互特征向量作为所述牵引速度-张力交互特征。
6.根据权利要求5所述的增强尼龙复合材料的制备方法，其特征在于，基于所述牵引速度-张力交互特征，确定当前时间点的牵引速度值应增大、应减小或应保持不变，包括：
对所述牵引速度-张力交互特征向量进行特征分布优化以得到优化牵引速度-张力交互特征向量；以及
将所述优化牵引速度-张力交互特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的牵引速度值应增大、应减小或应保持不变。
7.根据权利要求6所述的增强尼龙复合材料的制备方法，其特征在于，对所述牵引速度-张力交互特征向量进行特征分布优化以得到优化牵引速度-张力交互特征向量，包括：
对所述牵引速度时序特征向量和所述张力值时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量；以及
融合所述融合特征向量和所述牵引速度-张力交互特征向量以得到所述优化牵引速度-张力交互特征向量。
8.根据权利要求7所述的增强尼龙复合材料的制备方法，其特征在于，对所述牵引速度时序特征向量和所述张力值时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量，包括：
以如下优化公式对所述牵引速度时序特征向量和所述张力值时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量；
其中，所述优化公式为：
其中，V1是所述牵引速度时序特征向量，V2是所述张力值时序特征向量，且特征向量V1和V2均为行向量，(·)T表示转置操作，‖(V1；V2)‖2表示特征向量V1和V2的级联向量的二范数，表示所述牵引速度时序特征向量中所有位置的特征值的集合，/>表示所述张力值时序特征向量中所有位置的特征值的集合，/>表示特征向量V1和V2的所有特征值构成的并集集合的均值，⊙表示按位置点乘，/>表示向量加法，Vr是所述融合特征向量。
9.根据权利要求8所述的增强尼龙复合材料的制备方法，其特征在于，将所述优化牵引速度-张力交互特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的牵引速度值应增大、应减小或应保持不变，包括：
使用所述分类器的全连接层对所述优化牵引速度-张力交互特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种增强尼龙复合材料，其特征在于，所述增强尼龙复合材料由如权利要求1-9任一所述的增强尼龙复合材料的制备方法制得。
CN202310918991.0A 2023-07-25 2023-07-25 一种增强尼龙复合材料及其制备方法 Active CN117021409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310918991.0A CN117021409B (zh) 2023-07-25 2023-07-25 一种增强尼龙复合材料及其制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310918991.0A CN117021409B (zh) 2023-07-25 2023-07-25 一种增强尼龙复合材料及其制备方法

Publications (2)

Publication Number Publication Date
CN117021409A true CN117021409A (zh) 2023-11-10
CN117021409B CN117021409B (zh) 2024-03-08

Family

ID=88640487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310918991.0A Active CN117021409B (zh) 2023-07-25 2023-07-25 一种增强尼龙复合材料及其制备方法

Country Status (1)

Country Link
CN (1) CN117021409B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115109407A (zh) * 2022-07-28 2022-09-27 深圳市沃特新材料股份有限公司 纤维增强尼龙复合材料及其制备方法
CN116177858A (zh) * 2023-02-22 2023-05-30 浙江美晶新材料有限公司 高纯石英坩埚的制备方法及其系统
CN116285481A (zh) * 2023-05-23 2023-06-23 佛山市时力涂料科技有限公司 涂料的生产加工方法及其系统
CN116463079A (zh) * 2023-05-10 2023-07-21 东莞市成铭胶粘剂有限公司 胶黏剂的智能化制备方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115109407A (zh) * 2022-07-28 2022-09-27 深圳市沃特新材料股份有限公司 纤维增强尼龙复合材料及其制备方法
CN116177858A (zh) * 2023-02-22 2023-05-30 浙江美晶新材料有限公司 高纯石英坩埚的制备方法及其系统
CN116463079A (zh) * 2023-05-10 2023-07-21 东莞市成铭胶粘剂有限公司 胶黏剂的智能化制备方法及其系统
CN116285481A (zh) * 2023-05-23 2023-06-23 佛山市时力涂料科技有限公司 涂料的生产加工方法及其系统

Also Published As

Publication number Publication date
CN117021409B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Deng et al. Deepcf: A unified framework of representation learning and matching function learning in recommender system
Bezdan et al. Feature selection by firefly algorithm with improved initialization strategy
Shambour et al. Modified global flower pollination algorithm and its application for optimization problems
KR102214634B1 (ko) 인공지능 기반 물성예측 시스템
Fazilat et al. Predicting the mechanical properties of glass fiber reinforced polymers via artificial neural network and adaptive neuro-fuzzy inference system
Liu et al. Optimizing the hyper-parameters for SVM by combining evolution strategies with a grid search
CN109558898B (zh) 一种基于深度神经网络的高置信度的多选择学习方法
Shirolkar et al. Investigating the efficacy of machine learning tools in modeling the continuous stabilization and carbonization process and predicting carbon fiber properties
CN117308077A (zh) 一种反应堆核电机组蒸发器给水控制系统
CN117021409B (zh) 一种增强尼龙复合材料及其制备方法
Motwani et al. A novel framework for selection of GANs for an application
Vadood Predicting the color index of acrylic fiber using fuzzy-genetic approach
CN114326638A (zh) 一种多尺度卷积与深度双向gru网络融合性能评估方法
Ang et al. Training Feedforward Neural Networks Using Arithmetic Optimization Algorithm for Medical Classification
Krawczyk et al. A cost-sensitive ensemble classifier for breast cancer classification
Feng et al. Physics-constrained neural network for the analysis and feature-based optimization of woven composites
CN104951455B (zh) 一种基于类别从属度的信息分类方法及系统
Mori et al. Automated worker skill evaluation for improving productivity based on labeled LDA
CN113641907A (zh) 一种基于进化算法的超参数自适应深度推荐方法及装置
CN117994593B (zh) 一种基于多源数据复合模型的自动配棉方法
Wei A Hybrid evolutionary algorithm based on Artificial Bee Colony algorithm and Differential Evolution
Zheng et al. Adaptive multi-level thresholding segmentation based on multi-objective evolutionary algorithm
CN117708715B (zh) 一种基于混合结构模型的电熔镁炉工况诊断方法
US20220284285A1 (en) Training a machine learning-based model for action recognition
Xu et al. A Top-N recommendation algorithm based on graph convolutional network that integrates basic user information

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