CN117253568A - 一种制备氧化钇坩埚的涂层工艺优化方法及系统 - Google Patents
一种制备氧化钇坩埚的涂层工艺优化方法及系统 Download PDFInfo
- Publication number
- CN117253568A CN117253568A CN202311515558.9A CN202311515558A CN117253568A CN 117253568 A CN117253568 A CN 117253568A CN 202311515558 A CN202311515558 A CN 202311515558A CN 117253568 A CN117253568 A CN 117253568A
- Authority
- CN
- China
- Prior art keywords
- crucible
- yttrium oxide
- yttria
- data
- coating
- 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
Links
- 238000000576 coating method Methods 0.000 title claims abstract description 524
- SIWVEOZUMHYXCS-UHFFFAOYSA-N oxo(oxoyttriooxy)yttrium Chemical compound O=[Y]O[Y]=O SIWVEOZUMHYXCS-UHFFFAOYSA-N 0.000 title claims abstract description 391
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011248 coating agent Substances 0.000 claims abstract description 489
- RUDFQVOCFDJEEF-UHFFFAOYSA-N yttrium(III) oxide Inorganic materials [O-2].[O-2].[O-2].[Y+3].[Y+3] RUDFQVOCFDJEEF-UHFFFAOYSA-N 0.000 claims abstract description 401
- 238000004088 simulation Methods 0.000 claims abstract description 167
- 238000012360 testing method Methods 0.000 claims abstract description 110
- 238000011156 evaluation Methods 0.000 claims abstract description 78
- 238000002360 preparation method Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 91
- 239000012530 fluid Substances 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005187 foaming Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 239000000463 material Substances 0.000 description 15
- 238000012546 transfer Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000011960 computer-aided design Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 239000002518 antifoaming agent Substances 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- RMAQACBXLXPBSY-UHFFFAOYSA-N silicic acid Chemical compound O[Si](O)(O)O RMAQACBXLXPBSY-UHFFFAOYSA-N 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000000080 wetting agent Substances 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000009832 plasma treatment Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
本发明涉及氧化钇坩埚制备技术领域,尤其涉及一种制备氧化钇坩埚的涂层工艺优化方法及系统。所述方法包括以下步骤:对氧化钇坩埚制备参数进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;对网格仿真测试数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;对网格导热效率评估数据进行氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。本发明对氧化钇坩埚的涂层进行优化,以提高氧化钇坩埚的稳定性。
Description
技术领域
本发明涉及氧化钇坩埚制备技术领域,尤其涉及一种制备氧化钇坩埚的涂层工艺优化方法及系统。
背景技术
制备坩埚时利用氧化钇进行涂层,可以显著提高坩埚在高温条件下的性能和稳定性,从而广泛应用于熔炼、化学反应和其他高温工艺中。通过精确控制涂层的成分、厚度和结构,增强坩埚的耐腐蚀性、热传导性和附着性,从而提高生产效率、降低能源消耗、减少废料率,并拓宽其应用领域。氧化钇涂层有助于延长坩埚的使用寿命,减少材料的损耗和污染,同时提高了生产过程的效率和可靠性。然而,传统的制备氧化钇坩埚方法中,对于氧化钇涂层厚度没有精准分析,存在着部分地方氧化钇涂层过多使得资源浪费,或者是部分地方氧化钇涂层过少时的不能充分保护坩埚,并且对于氧化钇涂层附着性也不能很好的控制。
发明内容
基于此,本发明提供一种制备氧化钇坩埚的涂层工艺优化方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种制备氧化钇坩埚的涂层工艺优化方法,包括以下步骤:
步骤S1:获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;
步骤S2:利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;
步骤S3:获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;
步骤S4:根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;
步骤S5:根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
本发明获取氧化钇坩埚的制备参数,这些参数可能包括坩埚的材料属性、几何形状、温度条件、热边界条件等,确保了仿真模型的准确性和逼真性,因为它基于实际参数。通过三维建模技术,将制备参数转化为氧化钇坩埚的三维模型,可以可视化地表示坩埚的结构,从而更好地理解其形状、大小和内部结构,在后续的仿真测试中精确地模拟坩埚的热传导行为。对氧化钇坩埚三维模型进行热传导仿真测试,可以模拟坩埚在不同温度条件下的热传导过程,评估坩埚的热传导性能,包括温度分布、热流量、热梯度等参数,快速获取坩埚在不同工况下的性能数据,节省了时间和资源。将仿真测试数据进行网格划分处理,优化仿真模型的计算效率,将坩埚的复杂几何形状划分成小块,可以更精确地模拟不同区域氧化钇坩埚的热传导过程。使用雷诺平均方程进行流体动力学数值模拟,可以模拟氧化钇坩埚内的流体流动和导热行为,考虑了流体的速度场、压力场、温度分布等参数,并根据实际物理原理进行计算,通过数值模拟,可以模拟坩埚内部的流动情况,进而精确地计算热传导、对流和辐射等导热机制,这有助于确定坩埚的热传导性能。基于数值模拟生成的流体动力学模拟数据进行氧化钇坩埚的导热效率评估,包括确定温度梯度、热流量、热均匀性等参数,通过评估导热效率,可以识别坩埚内部的热传导问题,帮助改进坩埚设计和制备参数,以提高其导热性能,根据导热效率评估数据,可以优化坩埚的设计和结构,以使其更适合特定应用需求,提高其性能稳定性和可靠性。获取一系列涂层厚度与氧化钇坩埚导热效率之间的训练样本数据,这些数据可以来自实验测量、历史记录或先前的仿真模拟,使得能够在模型中准确地反映涂层厚度与导热效率之间的关系。使用卷积神经网络(CNN)等深度学习算法以及训练样本数据建立氧化钇坩埚导热效率与氧化钇涂层厚度之间的关系模型,深度学习模型可以捕捉复杂的非线性关系,使得能够更精确地预测导热效率与涂层厚度之间的关系,通过训练深度学习模型,可以获得针对于分析氧化钇坩埚导热效率与氧化钇涂层厚度之间相互关系的数学模型,在实际应用中更好地指导涂层厚度的优化。将网格导热效率评估数据传输到建立的氧化钇涂层厚度预测模型中,用于预测氧化钇坩埚网格的涂层厚度,能够在实际应用中实时预测坩埚的涂层厚度,从而实现了实时的涂层优化和控制,通过将预测模型与坩埚制备过程相结合,可以自动化地调整涂层厚度,以提高氧化钇涂层对坩埚的保护。根据之前预测的网格氧化钇涂层厚度信息,进行涂层的调节处理,可以增加或减少氧化钇涂层的厚度,以实现所需的导热性能,通过调节涂层厚度,可以最大程度地保护坩埚对于外界的影响,根据坩埚不同区域的导热效率对坩埚不同区域的涂层进行灵活的涂层调整,以满足不同区域下的氧化钇涂层厚度需求。在对坩埚进行涂层调节后,采集氧化钇附着性变化下的表面特征数据,以评估氧化钇涂层的附着性,这些表面特征数据可能包括涂层的粗糙度、结合强度、表面形貌等,用于量化涂层与坩埚基体之间的附着性,确保涂层不会在使用中剥离或破损。根据氧化钇坩埚表面特征数据进行对涂层附着性的详细分析,基于附着性分析结果确定最佳的涂层附着性数据,增加坩埚的稳定性和可靠性,提高其使用寿命。根据最佳附着性数据对调节氧化钇坩埚进行附着性优化处理,涉及到修改制备工艺、选用新的涂层材料,通过附着性优化处理,可以确保涂层与坩埚基体之间的结合更牢固,提高坩埚在高温和高压环境下的性能稳定性。因此,本发明的制备氧化钇坩埚的涂层工艺优化方法中,对于氧化钇涂层厚度进行精准分析,使得氧化钇坩埚的氧化钇涂层厚度最大程度保护坩埚且不会使得氧化钇涂层浪费,并且对于氧化钇涂层附着性进行调整,从而最大程度保护了氧化钇坩埚的稳定性。
本说明书中提供一种制备氧化钇坩埚的涂层工艺优化系统,用于执行如上述所述的制备氧化钇坩埚的涂层工艺优化方法,该制备氧化钇坩埚的涂层工艺优化系统包括:
氧化钇坩埚仿真测试模块,用于获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;
氧化钇坩埚导热效率评估数据,用于利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;
氧化钇坩埚涂层厚度优化模块,用于获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;
氧化钇涂层附着性分析模块,用于根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;
氧化钇坩埚涂层附着性优化模块,用于根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
本申请有益效果在于,本发明采用三维建模技术将这些参数转化为一个氧化钇坩埚的三维模型,同时利用氧化钇坩埚模拟参数对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据。三维建模可以准确地呈现氧化钇坩埚的形状和结构,这有助于后续的仿真和分析工作,并且仿真测试在实际制备之前获得氧化钇坩埚的性能数据,有助于早期发现潜在问题,分析仿真数据用于提高氧化钇坩埚的性能和稳定性。使用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,深入了解氧化钇坩埚内部流体的行为,包括温度分布、速度分布等。根据数值模拟结果进行氧化钇涂层设计调整,以改进氧化钇坩埚的流体动力学性能,确保其在高温条件下的稳定性。卷积神经网络模型可以快速准确地预测氧化钇涂层厚度,使得确保得到不同区域最佳的氧化钇涂层厚度,利用网格搜索对模型对超参数优化,有助于进一步优化氧化钇涂层厚度训练模型,以提高模型的性能、稳定性和泛化能力,提高了坩埚制备过程中涂层厚度的预测准确性和控制精度,确保其在各种情况下都能够有效预测。根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,通过涂层厚度的调节,可以确保氧化钇坩埚在高温条件下具有良好的导热性能和稳定性。利用等离子体设备对调节氧化钇坩埚进行氧化钇涂层附着性调节处理,在这个过程中,使用传感器对氧化钇涂层附着性调节处理过程中的调节氧化钇坩埚进行表面特征数据采集,生成氧化钇坩埚表面特征数据,可以实时监测氧化钇坩埚的附着性调节过程,确保质量控制。根据氧化钇坩埚表面特征数据计算出氧化钇涂层附着性数据定量评估氧化钇涂层的附着性,从而了解涂层的质量和稳定性。并根据计算出的氧化钇涂层附着性数据对调节氧化钇坩埚进行最佳的氧化钇涂层附着性优化,提高原先氧化钇坩埚的涂层的附着性,从而提高了坩埚的性能和稳定性,在制备过程中实时调整设备,确保涂层的质量和附着性,有助于提高坩埚的传热性能和可靠性,减少涂层问题的发生。
附图说明
图1为本发明一种制备氧化钇坩埚的涂层工艺优化方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
图4为图3中步骤S33的详细实施步骤流程示意图;
图5为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供一种制备氧化钇坩埚的涂层工艺优化方法,包括以下步骤:
步骤S1:获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;
步骤S2:利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;
步骤S3:获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;
步骤S4:根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;
步骤S5:根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
本发明获取氧化钇坩埚的制备参数,这些参数可能包括坩埚的材料属性、几何形状、温度条件、热边界条件等,确保了仿真模型的准确性和逼真性,因为它基于实际参数。通过三维建模技术,将制备参数转化为氧化钇坩埚的三维模型,可以可视化地表示坩埚的结构,从而更好地理解其形状、大小和内部结构,在后续的仿真测试中精确地模拟坩埚的热传导行为。对氧化钇坩埚三维模型进行热传导仿真测试,可以模拟坩埚在不同温度条件下的热传导过程,评估坩埚的热传导性能,包括温度分布、热流量、热梯度等参数,快速获取坩埚在不同工况下的性能数据,节省了时间和资源。将仿真测试数据进行网格划分处理,优化仿真模型的计算效率,将坩埚的复杂几何形状划分成小块,可以更精确地模拟不同区域氧化钇坩埚的热传导过程。使用雷诺平均方程进行流体动力学数值模拟,可以模拟氧化钇坩埚内的流体流动和导热行为,考虑了流体的速度场、压力场、温度分布等参数,并根据实际物理原理进行计算,通过数值模拟,可以模拟坩埚内部的流动情况,进而精确地计算热传导、对流和辐射等导热机制,这有助于确定坩埚的热传导性能。基于数值模拟生成的流体动力学模拟数据进行氧化钇坩埚的导热效率评估,包括确定温度梯度、热流量、热均匀性等参数,通过评估导热效率,可以识别坩埚内部的热传导问题,帮助改进坩埚设计和制备参数,以提高其导热性能,根据导热效率评估数据,可以优化坩埚的设计和结构,以使其更适合特定应用需求,提高其性能稳定性和可靠性。获取一系列涂层厚度与氧化钇坩埚导热效率之间的训练样本数据,这些数据可以来自实验测量、历史记录或先前的仿真模拟,使得能够在模型中准确地反映涂层厚度与导热效率之间的关系。使用卷积神经网络(CNN)等深度学习算法以及训练样本数据建立氧化钇坩埚导热效率与氧化钇涂层厚度之间的关系模型,深度学习模型可以捕捉复杂的非线性关系,使得能够更精确地预测导热效率与涂层厚度之间的关系,通过训练深度学习模型,可以获得针对于分析氧化钇坩埚导热效率与氧化钇涂层厚度之间相互关系的数学模型,在实际应用中更好地指导涂层厚度的优化。将网格导热效率评估数据传输到建立的氧化钇涂层厚度预测模型中,用于预测氧化钇坩埚网格的涂层厚度,能够在实际应用中实时预测坩埚的涂层厚度,从而实现了实时的涂层优化和控制,通过将预测模型与坩埚制备过程相结合,可以自动化地调整涂层厚度,以提高氧化钇涂层对坩埚的保护。根据之前预测的网格氧化钇涂层厚度信息,进行涂层的调节处理,可以增加或减少氧化钇涂层的厚度,以实现所需的导热性能,通过调节涂层厚度,可以最大程度地保护坩埚对于外界的影响,根据坩埚不同区域的导热效率对坩埚不同区域的涂层进行灵活的涂层调整,以满足不同区域下的氧化钇涂层厚度需求。在对坩埚进行涂层调节后,采集氧化钇附着性变化下的表面特征数据,以评估氧化钇涂层的附着性,这些表面特征数据可能包括涂层的粗糙度、结合强度、表面形貌等,用于量化涂层与坩埚基体之间的附着性,确保涂层不会在使用中剥离或破损。根据氧化钇坩埚表面特征数据进行对涂层附着性的详细分析,基于附着性分析结果确定最佳的涂层附着性数据,增加坩埚的稳定性和可靠性,提高其使用寿命。根据最佳附着性数据对调节氧化钇坩埚进行附着性优化处理,涉及到修改制备工艺、选用新的涂层材料,通过附着性优化处理,可以确保涂层与坩埚基体之间的结合更牢固,提高坩埚在高温和高压环境下的性能稳定性。因此,本发明的制备氧化钇坩埚的涂层工艺优化方法中,对于氧化钇涂层厚度进行精准分析,使得氧化钇坩埚的氧化钇涂层厚度最大程度保护坩埚且不会使得氧化钇涂层浪费,并且对于氧化钇涂层附着性进行调整,从而最大程度保护了氧化钇坩埚的稳定性。
本发明实施例中,参考图1所述,为本发明一种制备氧化钇坩埚的涂层工艺优化方法的步骤流程示意图,在本实施例中,所述制备氧化钇坩埚的涂层工艺优化方法包括以下步骤:
步骤S1:获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;
本发明实施例中,从存储制备氧化钇坩埚参数的数据库获取氧化钇坩埚制备参数,包括氧化钇坩埚的材料成分、氧化钇坩埚的几何参数、氧化钇涂层参数等,氧化钇坩埚的材料成分包括电熔氧化钇,纳米级硅溶胶,纳米级润湿剂及消泡剂等。使用计算机辅助设计(CAD)软件,如SolidWorks或AutoCAD,根据获取的制备参数,生成氧化钇坩埚的三维模型,氧化钇坩埚的三维模型应包括氧化钇坩埚的外部和内部结构。利用热传导仿真软件,如COMSOL Multiphysics或ANSYS,对氧化钇坩埚的三维模型进行热传导仿真测试。在仿真中考虑初始温度分布、温度梯度和变化、边界条件等,对热传导仿真测试数据进行网格划分,将三维模型分割成小网格单元,以便进行数值模拟,网格划分可以根据模型的复杂性进行细分或简化,根据相同网格单位进行划分,以得到网格仿真测试数据,以提高计算效率。
步骤S2:利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;
本发明实施例中,利用流体力学(CFD)软件,例如ANSYS Fluent、COMSOLMultiphysics或OpenFOAM,将网格仿真测试数据传输至流体力学(CFD)软件进行参数设置,通过流体力学(CFD)软件设置的雷诺平均方程对网格仿真测试数据进行数值模拟计算,计算模拟将考虑氧化钇坩埚内部流体的流动、导热和湍流特性,通过数值模拟计算,得到网格流体动力学模拟数据,网格流体动力学模拟数据包括氧化钇坩埚内部流体的各个网格位置的速度场、压力场、温度场等流体动力学数据,基于数值模拟得到的网格流体动力学模拟数据,进行氧化钇坩埚内部的导热效率评估。这可以包括计算坩埚内各个位置的导热速率、温度梯度和热通量等参数。基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,评估的目的是了解氧化钇坩埚内部的导热性能,以确定是否需要进一步的优化或涂层调整,生成网格导热效率评估数据,网格导热效率评估数据较大的数据集则需要加厚氧化钇涂层以增加氧化钇坩埚的稳定性。
步骤S3:获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;
本发明实施例中,从实验室或生产过程中获取一系列氧化钇坩埚样品,这些样品应包括不同导热速率对应不同厚度的氧化钇涂层的数据集。使用深度学习框架(例如TensorFlow或PyTorch)建立卷积神经网络(CNN)模型,用于建立氧化钇坩埚导热效率与氧化钇涂层厚度的关系,CNN模型应包括输入层、卷积层、池化层、全连接层和输出层,输入层接收导热效率评估数据,输出层生成氧化钇涂层厚度的预测。使用氧化钇涂层厚度训练样本对CNN模型进行训练,训练过程包括前向传播、损失函数计算和反向传播,以优化模型参数,使得模型参数能够用于分析导热效率评估数据以用于氧化钇涂层厚度的预测,使用测试数据集对训练好的CNN模型进行评估,以确保模型的预测性能,评估指标可以包括均方根误差(RMSE)、决定系数(R²)等,用于量化模型的准确性和泛化能力。将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,氧化钇涂层厚度预测模型根据不同的网格导热效率评估数据预测出不同网格区域最适应的氧化钇涂层厚度,生成网格氧化钇涂层厚度
步骤S4:根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;
本发明实施例中,使用先进的涂层技术设备,例如物理气相沉积(PVD)或化学气相沉积(CVD)技术,并根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节,以获得调节氧化钇坩埚,将调节氧化钇坩埚选取一个为测试样本,该测试样本为用于测试最佳氧化钇涂层附着性的样本。利用等离子技术对调节氧化钇坩埚的测试样本进行氧化钇附着性调节,并采集氧化钇附着性调节过程中的调节氧化钇坩埚的测试样本的表面特征数据,生成氧化钇坩埚表面特征数据,氧化钇坩埚表面特征数据包括表面粗糙度、表面裂纹、表面均匀性等。
步骤S5:根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
本发明实施例中,利用适用于评估氧化钇涂层附着性的算法对氧化钇坩埚表面特征数据进行氧化钇涂层附着性评估计算,算法可通过综合考虑氧化钇涂层的表面粗糙度、表面裂纹、表面均匀性进行氧化钇涂层附着性评估,生成氧化钇附着性数据,根据氧化钇附着性数据选取最佳的氧化钇涂层附着性数据,生成最佳氧化钇涂层附着性数据。分析调节最佳氧化钇涂层附着性数据的技术、方式以及参数等,从而对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
优选地,步骤S1包括以下步骤:
步骤S11:获取氧化钇坩埚的氧化钇坩埚制备参数;
步骤S12:利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;
步骤S13:获取氧化钇坩埚模拟参数;
步骤S14:利用氧化钇坩埚模拟参数对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;
步骤S15:对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据。
本发明获取氧化钇坩埚的氧化钇坩埚制备参数,可以更准确地建立氧化钇坩埚的仿真模型,确保模拟的真实性和准确性。利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,有助于更好地理解坩埚的形状、尺寸和内部结构,并且用于进行氧化钇坩埚热传导时的方针运行。获取氧化钇坩埚模拟参数,确保仿真模型的精确性,包括坩埚的初始温度、外部环境温度、气体或液体的流速和温度等,有助于提高模拟的可靠性和准确性。利用氧化钇坩埚模拟参数对氧化钇坩埚三维模型进行热传导仿真测试,评估坩埚在不同工况下的热传导性能,包括温度分布、热流量、热梯度等参数,从而识别潜在的热传导问题,例如热点、温度不均匀性等,从而及早采取措施进行修复或改进。对氧化钇坩埚仿真测试数据进行网格划分处理,可以将氧化钇坩埚划分成不同块状区域的计算单位,用于评估不同区域的导热效率,使得涂层调整更为精准。
本发明实施例中,从存储制备氧化钇坩埚参数的数据库获取氧化钇坩埚制备参数,包括氧化钇坩埚的材料成分、氧化钇坩埚的几何参数、氧化钇涂层参数等,氧化钇坩埚的材料成分包括电熔氧化钇,纳米级硅溶胶,纳米级润湿剂及消泡剂等。使用计算机辅助设计(CAD)软件或三维建模工具,基于氧化钇坩埚制备参数,创建氧化钇坩埚三维模型,氧化钇坩埚三维模型准确地反映坩埚的几何形状、尺寸和材质,例如坩埚是圆柱形的,建模工程师会创建一个具有相应直径和高度的圆柱体,并通过材质调整氧化钇坩埚三维模型的内部结构参数。获取通过管理员设定的氧化钇坩埚模拟参数,包括初始温度分布、温度梯度和变化、边界条件等。使用热传导仿真软件,将氧化钇坩埚三维模型与模拟参数相结合,进行热传导仿真测试,这个过程将模拟坩埚在加热条件下的温度分布和热传导行为,仿真测试的结果将包括温度分布图、热通量数据等等。将仿真测试数据进行网格划分,以便进行后续的数值模拟和分析,这可能涉及将三维模型分割成小的离散单元,生成网格仿真测试数据,以便对每个单元进行独立的热传导分析,网格划分有助于更精确地计算温度分布和热通量,网格划分的密度和精度取决于具体的仿真需求和计算资源。
优选地,步骤S2包括以下步骤:
步骤S21:利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;
步骤S22:对网格流体动力学模拟数据进行流体动力学特征提取,生成网格流体动力学特征数据;
步骤S23:对网格流体动力学模拟数据进行氧化钇坩埚热分布映射处理,生成氧化钇坩埚热分布映射数据;
步骤S24:根据网格流体动力学特征数据以及氧化钇坩埚热分布映射数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据。
本发明利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,通过数值模拟,可以准确地模拟坩埚内部的流体流动和导热行为,有助于深入理解坩埚内部的流体动力学。对网格流体动力学模拟数据进行流体动力学特征提取,提取流体动力学的关键特征,例如流速梯度、湍流强度等,有助于更深入地分析流动性质,并且提取关键特征数据有利于减少无用数据的分析,减少数据计算量且提高数据分析的精准度。对网格流体动力学模拟数据进行氧化钇坩埚热分布映射处理,通过映射热分布数据,可视化坩埚内部的温度分布,帮助识别热点、温度梯度等热传导问题,优化坩埚的氧化钇涂层设计。根据网格流体动力学特征数据以及氧化钇坩埚热分布映射数据进行氧化钇坩埚网格导热效率评估,通过评估导热效率,可以量化坩埚的导热性能,包括确定温度梯度、热流量、热均匀性等参数,导热性能较高的区域增加涂层厚度,反之降低涂层厚度,保障坩埚的氧化以涂层优化后提高坩埚的稳定性。
作为本发明的一个实例,参考图2所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;
本发明实施例中,使用计算流体动力学(CFD)软件,将网格仿真测试数据与雷诺平均方程相结合,雷诺平均方程是描述流体流动和导热行为的数学模型,它考虑了氧化钇涂层的流体的速度、压力和温度分布,通过对这些方程进行数值求解,可以模拟坩埚的氧化钇涂层流动情况,从而生成网格流体动力学模拟数据,这些数据将包括速度分布、温度分布、压力分布等信息。
步骤S22:对网格流体动力学模拟数据进行流体动力学特征提取,生成网格流体动力学特征数据;
本发明实施例中,从网格流体动力学模拟数据中提取与氧化钇坩埚导热效率相关的氧化钇涂层流体动力学特征,生成网格流体动力学特征数据,这些网格流体动力学特征数据可以包括壁面温度梯度、导热速率强度等,从而通过该网格流体动力学特征数据可以量化不同网格区域的氧化钇涂层厚度的相关信息,这些特征数据将用于后续的导热效率评估。
步骤S23:对网格流体动力学模拟数据进行氧化钇坩埚热分布映射处理,生成氧化钇坩埚热分布映射数据;
本发明实施例中,将网格流体动力学模拟数据与氧化钇坩埚的几何形状和材质信息相结合,以生成氧化钇坩埚内部的热分布映射数据,这个映射可以显示坩埚内不同位置的温度分布情况,有助于进一步的导热效率评估。
步骤S24:根据网格流体动力学特征数据以及氧化钇坩埚热分布映射数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据。
本发明实施例中,根据网格流体动力学特征数据以及氧化钇坩埚热分布映射数据进行氧化钇坩埚网格导热效率评估,例如,通过计算氧化钇坩埚不同网格区域的温度分布以及对网格流体动力学特征数据反映的传热信息来实现网格导热效率评估,从而生成网格导热效率评估数据。
优选地,步骤S3包括以下步骤:
步骤S31:利用卷积神经网络算法建立氧化钇坩埚导热效率与氧化钇涂层厚度的映射关系,生成初始氧化钇涂层厚度预测模型;
步骤S32:获取氧化钇涂层厚度训练样本;
步骤S33:基于氧化钇涂层厚度训练样本对初始氧化钇涂层厚度预测模型进行模型超参数优化调整,生成氧化钇涂层厚度预测模型;
步骤S34:将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度。
本发明利用卷积神经网络算法建立氧化钇坩埚导热效率与氧化钇涂层厚度的映射关系,卷积神经网络 (CNN) 可以捕捉复杂的非线性关系,能够更精确地建立导热效率与涂层厚度之间的映射关系,并且根据训练样本的特征自动调整模型,使得模型能够针对于氧化钇涂层厚度进行预测,适应不同的情境,提高了模型的预测能力。获取氧化钇涂层厚度训练样本,使得能够在模型中准确地反映涂层厚度与导热效率之间的关系。基于氧化钇涂层厚度训练样本对初始氧化钇涂层厚度预测模型进行模型超参数优化调整,通过模型超参数优化,可以进一步提高氧化钇涂层厚度预测模型的准确性和泛化能力,经过优化调整的模型能够更好地适应不同的数据分布,提高了预测的性能。将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,在实际应用中实时预测坩埚的涂层厚度,从而实现了实时的涂层优化和控制,氧化钇涂层厚度预测模型根据网格导热效率评估数据分析不同区域最佳的氧化钇涂层厚度,保障了氧化钇坩埚的稳定性。
作为本发明的一个实例,参考图3所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:利用卷积神经网络算法建立氧化钇坩埚导热效率与氧化钇涂层厚度的映射关系,生成初始氧化钇涂层厚度预测模型;
本发明实施例中,使用卷积神经网络(CNN)算法来建立氧化钇坩埚传热效率与氧化钇涂层厚度之间的映射关系,生成初始氧化钇涂层厚度预测模型,初始氧化钇涂层厚度预测模型应包括输入层、卷积层、池化层、全连接层和输出层,输入层接收导热效率评估数据,输出层生成氧化钇涂层厚度的预测,模型的训练需要大量的氧化钇涂层厚度与传热效率的训练样本,使得该模型能够根据导热效率评估数据预测出氧化钇涂层的厚度信息。
步骤S32:获取氧化钇涂层厚度训练样本;
本发明实施例中,收集和准备用于训练CNN模型的氧化钇涂层厚度训练样本,这些样本应包括不同厚度的氧化钇涂层以及相应的传热效率数据。
步骤S33:基于氧化钇涂层厚度训练样本对初始氧化钇涂层厚度预测模型进行模型超参数优化调整,生成氧化钇涂层厚度预测模型;
本发明实施例中,使用氧化钇涂层厚度训练样本对初始的CNN模型进行训练,通过模型超参数的优化调整,如学习率、批量大小等,提高模型的性能,从而生成能够高度精确预测出氧化钇涂层厚度的氧化钇涂层厚度预测模型。
步骤S34:将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度。
本发明实施例中,将网格传热效率评估数据传输到已训练好的氧化钇涂层厚度预测模型中,模型将使用这些数据来预测每个网格点的氧化钇涂层厚度,生成网格氧化钇涂层厚度,这些预测的厚度值将用于后续的调节和优化。
优选地,步骤S33包括以下步骤:
步骤S331:将氧化钇涂层厚度训练样本进行数据划分,分别生成氧化钇涂层厚度训练集、氧化钇涂层厚度验证集以及氧化钇涂层厚度测试集;
步骤S332:利用氧化钇涂层厚度训练集对初始氧化钇涂层厚度预测模型进行模型训练,生成氧化钇涂层厚度训练模型;
步骤S333:将氧化钇涂层厚度验证集传输至训练后的初始氧化钇涂层厚度预测模型进行模型超参数评估,生成模型超参数评估数据;
步骤S334:基于模型超参数评估数据对氧化钇涂层厚度训练模型进行模型超参数优化调整,生成优化氧化钇涂层厚度训练模型;
步骤S335:利用氧化钇涂层厚度测试集对优化氧化钇涂层厚度训练模型进行模型测试,生成氧化钇涂层厚度预测模型。
本发明将氧化钇涂层厚度训练样本进行数据划分,确保在模型训练和评估过程中的数据独立性和可靠性,验证集和测试集用于评估模型的泛化能力,以优化模型性能。利用氧化钇涂层厚度训练集对初始氧化钇涂层厚度预测模型进行模型训练,通过训练模型,模型可以从训练集中学习涂层厚度与导热效率之间的关系,使得模型能够拟合训练集的数据,对氧化钇涂层厚度进行初步预测。将氧化钇涂层厚度验证集传输至训练后的初始氧化钇涂层厚度预测模型进行模型超参数评估,通过优化模型的超参数,可以提高模型的预测准确性和泛化能力,使其更适应不同数据分布,优化后的模型可能更稳定,不容易过拟合或欠拟合,有助于更准确地预测氧化钇涂层厚度。利用氧化钇涂层厚度测试集对优化氧化钇涂层厚度训练模型进行模型测试,验证模型的性能,确保优化后的模型在未见过的数据上能够稳健地进行预测,氧化钇涂层厚度预测模型可以应用于实际的坩埚制备过程,实现涂层厚度的预测和控制。
作为本发明的一个实例,参考图4所示,为图3中步骤S33的详细实施步骤流程示意图,在本实例中所述步骤S33包括:
步骤S331:将氧化钇涂层厚度训练样本进行数据划分,分别生成氧化钇涂层厚度训练集、氧化钇涂层厚度验证集以及氧化钇涂层厚度测试集;
本发明实施例中,收集到的氧化钇涂层厚度训练样本划分为三个独立的数据集:氧化钇涂层厚度训练集、氧化钇涂层厚度验证集以及氧化钇涂层厚度测试集。氧化钇涂层厚度训练集用于模型的训练,氧化钇涂层厚度验证集用于模型的超参数调整和性能评估,氧化钇涂层厚度测试集用于最终的模型测试。
步骤S332:利用氧化钇涂层厚度训练集对初始氧化钇涂层厚度预测模型进行模型训练,生成氧化钇涂层厚度训练模型;
本发明实施例中,使用训练集中的氧化钇涂层厚度样本来训练初始的氧化钇涂层厚度预测模型,在训练期间,模型通过与实际数据的比较来学习氧化钇涂层厚度与传热效率之间的关系,生成经过训练的氧化钇涂层厚度训练模型
步骤S333:将氧化钇涂层厚度验证集传输至训练后的初始氧化钇涂层厚度预测模型进行模型超参数评估,生成模型超参数评估数据;
本发明实施例中,使用验证集中的样本数据,对训练后的初始模型进行评估,以确定模型的性能,如根据不同模型超参数对验证集中的预测输出数据以及实际输出数据进行比较,从而得到模型超参数评估数据。
步骤S334:基于模型超参数评估数据对氧化钇涂层厚度训练模型进行模型超参数优化调整,生成优化氧化钇涂层厚度训练模型;
本发明实施例中,基于模型超参数评估数据对氧化钇涂层厚度训练模型进行模型超参数优化调整,选取模型超参数评估数据中最优的模型超参数对氧化钇涂层厚度训练模型进行模型超参数优化调整,使得模型拟合程度达到最佳状况,生成优化氧化钇涂层厚度训练模型。
步骤S335:利用氧化钇涂层厚度测试集对优化氧化钇涂层厚度训练模型进行模型测试,生成氧化钇涂层厚度预测模型。
本发明实施例中,使用测试集中的样本数据对优化的氧化钇涂层厚度训练模型进行最终的模型测试,用于评估模型的性能和准确度,并生成最终的氧化钇涂层厚度预测模型。
优选地,步骤S334包括以下步骤:
利用网格搜索对模型超参数评估数据进行最优超参数选取,生成模型最优超参数,并根据模型最优超参数对氧化钇涂层厚度训练模型进行模型超参数优化调整,生成优化氧化钇涂层厚度训练模型。
本发明利用网格搜索对模型超参数评估数据进行最优超参数选取,网格搜索是一种广泛用于超参数优化的方法,它可以系统地尝试各种超参数的组合,以找到最佳的超参数设置,提高了模型的准确性和泛化能力。根据模型最优超参数对氧化钇涂层厚度训练模型进行模型超参数优化调整,提高模型的性能,使其更适应训练数据和更好地泛化到未见过的数据,有助于避免过拟合或欠拟合,使模型更稳定和可靠。
本发明实施例中,利用网格搜索技术对模型超参数评估数据进行了全面的搜索和评估,涉及在超参数空间内定义一组可能的超参数值的组合,例如我们考虑一个深度学习模型的学习率和批量大小作为超参数,网格搜索将尝试不同的学习率和批量大小组合,然后评估每个组合的模型性能,从而确定了最佳的模型超参数组合,也就是模型的最优超参数,这些最优超参数是在给定任务中表现最好的超参数值的组合。基于确定的模型最优超参数,对氧化钇涂层厚度训练模型进行了模型超参数优化调整,这意味着使用最优超参数值重新训练了氧化钇涂层厚度预测模型,以确保模型在预测氧化钇涂层厚度时具有最佳性能,从而生成优化氧化钇涂层厚度训练模型。
优选地,步骤S4包括以下步骤:
步骤S41:根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;
步骤S42:利用等离子体设备对调节氧化钇坩埚进行氧化钇涂层附着性调节处理,并利用传感器对氧化钇涂层附着性调节处理过程中的调节氧化钇坩埚进行表面特征数据采集,生成氧化钇坩埚表面特征数据。
本发明根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,通过调整涂层厚度,确保氧化钇坩埚的涂层在目标厚度范围内,从而提高了坩埚的稳定性。利用等离子体设备对调节氧化钇坩埚进行氧化钇涂层附着性调节处理,并利用传感器对氧化钇涂层附着性调节处理过程中的调节氧化钇坩埚进行表面特征数据采集,通过等离子体设备,可以改善氧化钇涂层的附着性,确保涂层稳固地附着在坩埚表面,提高了坩埚的耐用性和稳定性,利用传感器实时监测涂层附着性调节处理过程,确保调节过程的稳定性和质量,并采集表面特征数据以用于进一步分析和优化。
本发明实施例中,根据网格氧化钇涂层厚度数据对氧化钇坩埚进行涂层厚度的调节处理,包括使用涂层设备或其他相关工具,将氧化钇坩埚的涂层进行加厚或减薄,以达到预定的涂层厚度目标,例如根据传热效率分析得出需要增加涂层厚度以改善传热性能,那么就会增加氧化钇涂层的厚度,获得调节氧化钇坩埚,其涂层厚度已根据模型预测进行了调整。将调节氧化钇坩埚选取一个为测试样本,该测试样本为用于测试最佳氧化钇涂层附着性的样本,测试样本被引入等离子体设备中,以进行氧化钇涂层的附着性调节处理,这可能包括等离子体处理、表面改性或其他相关工艺,以增强涂层与坩埚材料的附着性,确保涂层不易脱落或受损,在氧化钇涂层附着性调节处理过程中,使用传感器等设备对测试样本表面进行实时监测和数据采集,包括氧化钇涂层表面的裂纹及气泡、平滑程度等等相关数据,以获取氧化钇涂层附着性的实验性信息,从而生成了氧化钇坩埚的测试样本的表面特征数据,这些数据可以用于后续的分析和评估,以确定氧化钇坩埚的附着性是否得到了改善,从而为最终的优化提供依据。
优选地,步骤S5包括以下步骤:
步骤S51:利用氧化钇涂层附着性计算公式对氧化钇坩埚表面特征数据进行氧化钇涂层附着性计算,生成氧化钇涂层附着性数据;
步骤S52:选取最大值的氧化钇涂层附着性数据进行数据标记,生成最佳氧化钇涂层附着性数据;
步骤S53:对等离子体设备进行设备频谱能量数据采集,生成设备频谱能量数据;
步骤S54:根据最佳氧化钇涂层附着性数据对设备频谱能量数据进行最佳设备频谱能量选取,生成最佳设备频谱能量数据;
步骤S55:利用最佳设备频谱能量数据对等离子体设备进行频谱能量调节,获得调节等离子体设备,并根据调节等离子设备对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
本发明利用氧化钇涂层附着性计算公式对氧化钇坩埚表面特征数据进行氧化钇涂层附着性计算,通过氧化钇涂层附着性计算公式对氧化钇涂层附着性量化评估,从而了解涂层的质量和稳定性,选取最大值的氧化钇涂层附着性数据进行数据标记,生成最佳氧化钇涂层附着性数据,最佳氧化钇涂层附着性数据可以作为优化的目标,以确保在附着性优化中达到最佳效果。对等离子体设备进行设备频谱能量数据采集,有助于了解等离子体设备的性能和工作状态,从而确定对氧化钇涂层附着性最佳的设备频谱能量数据。根据最佳氧化钇涂层附着性数据对设备频谱能量数据进行最佳设备频谱能量选取,选取最佳设备频谱能量有助于优化改善涂层附着性,利用最佳设备频谱能量数据对等离子体设备进行频谱能量调节,以改善等离子体的性能,从而有助于提高涂层的附着性,并根据调节等离子设备对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,改善涂层附着性,进一步提高了氧化钇坩埚的性能和稳定性。
作为本发明的一个实例,参考图5所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:利用氧化钇涂层附着性计算公式对氧化钇坩埚表面特征数据进行氧化钇涂层附着性计算,生成氧化钇涂层附着性数据;
本发明实施例中,利用事先建立的氧化钇涂层附着性计算公式对氧化钇坩埚表面特征数据进行处理和分析,这个计算公式可以考虑涂层的物理性质、表面形态、粗糙度、表面气泡、裂纹等多个因素,以评估氧化钇涂层的附着性,计算结果将生成氧化钇涂层附着性数据,表示涂层与坩埚材料的粘附情况。
步骤S52:选取最大值的氧化钇涂层附着性数据进行数据标记,生成最佳氧化钇涂层附着性数据;
本发明实施例中,从生成的氧化钇涂层附着性数据中选取具有最大值的数据点,以代表氧化钇涂层附着性的最佳情况,对应于涂层与坩埚材料的最牢固附着状态,因此被标记为最佳氧化钇涂层附着性数据。
步骤S53:对等离子体设备进行设备频谱能量数据采集,生成设备频谱能量数据;
本发明实施例中,采集在等离子设备进行氧化钇涂层附着性调节处理过程中的等离子体设备的设备频谱能量数据,生成设备频谱能量数据,包括设备产生的电磁波频谱、能量分布、频率特性等信息。
步骤S54:根据最佳氧化钇涂层附着性数据对设备频谱能量数据进行最佳设备频谱能量选取,生成最佳设备频谱能量数据;
本发明实施例中,基于最佳氧化钇涂层附着性数据的标记,对设备频谱能量数据进行分析和筛选,以选择与最佳氧化钇涂层附着性相匹配的频谱能量,确定在特定频率范围内的能量分布是否对于提高涂层附着性有益,生成最佳设备频谱能量数据。
步骤S55:利用最佳设备频谱能量数据对等离子体设备进行频谱能量调节,获得调节等离子体设备,并根据调节等离子设备对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
本发明实施例中,利用选取的最佳设备频谱能量数据对等离子体设备进行频谱能量调节,这可以通过调整设备工作参数、频率设置或其他手段来实现,以获得调节等离子体设备。根据调节后的等离子体设备的性能和频谱特性,对调节氧化钇坩埚进行氧化钇涂层附着性的优化处理,该处理过程中的调节氧化钇坩埚为仅经过涂层厚度调节处理的调节氧化钇坩埚,而用于分析最佳氧化钇吐槽附着性的调节氧化钇坩埚为其中一个测试样本,这个过程可能包括改善涂层工艺,或者采用其他方法来增强氧化钇涂层的附着性,以获得最终的优化氧化钇坩埚,其涂层附着性在特定频谱能量下得到改善。
优选地,步骤S51中的氧化钇涂层附着性计算公式如下所示:
;
式中,表示为氧化钇涂层附着性数据,/>表示为氧化钇坩埚表面特征数据的表面平滑程度,/>表示为氧化钇坩埚的半径大小,/>表示为氧化钇坩埚原点到边缘的极角角度为/>与方位角角度为/>范围内的温度分布数据,/>表示为氧化钇坩埚原点到边缘的极角角度,/>表示为氧化钇坩埚原点到边缘的方位角角度,/>表示为氧化坩埚钇的基准温度,/>表示为氧化钇坩埚表面特征数据的表面起泡数量,/>表示为氧化钇坩埚表面特征数据的表面裂纹大小,/>表示为氧化钇坩埚原点到边缘的长度大小,/>表示为氧化钇涂层附着性数据的异常调整值。
本发明利用一种氧化钇涂层附着性计算公式,该计算公式充分考虑了氧化钇坩埚表面特征数据的表面平滑程度、氧化钇坩埚的半径大小/>、氧化钇坩埚原点到边缘的极角角度为/>与方位角角度为/>范围内的温度分布数据/>、氧化钇坩埚原点到边缘的极角角度/>、氧化钇坩埚原点到边缘的方位角角度/>、氧化坩埚钇的基准温度/>、氧化钇坩埚表面特征数据的表面起泡数量/>、氧化钇坩埚表面特征数据的表面裂纹大小/>、氧化钇坩埚原点到边缘的长度大小/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式通过设定的温度分布数据对氧化钇涂层进行附着性评估,在一定温度分布数据下,氧化钇涂层的表面起泡数量越多以及氧化钇涂层裂痕越多,代表氧化钇涂层附着性较差,反之如果氧化钇涂层表面光滑则表明涂层附着性较好,该函数公式用来衡量涂层在坩埚表面的附着程度,从而提供了一个可衡量的指标来评估涂层的质量。通过计算氧化钇坩埚表面特征数据的表面平滑程度、表面起泡数量以及表面裂纹大小,从而量化分析氧化钇坩埚表面的特征,并计算影响涂层附着性的因素。通过设定定量的温度数据以确定/>,使得氧化钇涂层附着性可以在相同温度条件下分析氧化钇涂层的附着性。通过/>、/>以及/>则可以考虑氧化钇坩埚的整体表面范围,并通过积分函数确保了对涂层附着性进行全面评估,不仅仅是针对一个小区域或特定方向,使得计算的氧化钇涂层附着性更为精准,从而对氧化钇坩埚表面特征数据进行量化计算。该函数关系时通过多个因素影响从而提供了更全面、准确的氧化钇涂层附着性计算方法。利用氧化钇涂层附着性数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成氧化钇涂层附着性数据/>,提高了对氧化钇坩埚表面特征数据进行氧化钇涂层附着性计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的氧化钇坩埚表面特征数据中,提高了算法的灵活性与适用性。
本说明书中提供一种制备氧化钇坩埚的涂层工艺优化系统,用于执行如上述所述的制备氧化钇坩埚的涂层工艺优化方法,该制备氧化钇坩埚的涂层工艺优化系统包括:
氧化钇坩埚仿真测试模块,用于获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;
氧化钇坩埚导热效率评估数据,用于利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;
氧化钇坩埚涂层厚度优化模块,用于获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;
氧化钇涂层附着性分析模块,用于根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;
氧化钇坩埚涂层附着性优化模块,用于根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
本申请有益效果在于,本发明采用三维建模技术将这些参数转化为一个氧化钇坩埚的三维模型,同时利用氧化钇坩埚模拟参数对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据。三维建模可以准确地呈现氧化钇坩埚的形状和结构,这有助于后续的仿真和分析工作,并且仿真测试在实际制备之前获得氧化钇坩埚的性能数据,有助于早期发现潜在问题,分析仿真数据用于提高氧化钇坩埚的性能和稳定性。使用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,深入了解氧化钇坩埚内部流体的行为,包括温度分布、速度分布等。根据数值模拟结果进行氧化钇涂层设计调整,以改进氧化钇坩埚的流体动力学性能,确保其在高温条件下的稳定性。卷积神经网络模型可以快速准确地预测氧化钇涂层厚度,使得确保得到不同区域最佳的氧化钇涂层厚度,利用网格搜索对模型对超参数优化,有助于进一步优化氧化钇涂层厚度训练模型,以提高模型的性能、稳定性和泛化能力,提高了坩埚制备过程中涂层厚度的预测准确性和控制精度,确保其在各种情况下都能够有效预测。根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,通过涂层厚度的调节,可以确保氧化钇坩埚在高温条件下具有良好的导热性能和稳定性。利用等离子体设备对调节氧化钇坩埚进行氧化钇涂层附着性调节处理,在这个过程中,使用传感器对氧化钇涂层附着性调节处理过程中的调节氧化钇坩埚进行表面特征数据采集,生成氧化钇坩埚表面特征数据,可以实时监测氧化钇坩埚的附着性调节过程,确保质量控制。根据氧化钇坩埚表面特征数据计算出氧化钇涂层附着性数据定量评估氧化钇涂层的附着性,从而了解涂层的质量和稳定性。并根据计算出的氧化钇涂层附着性数据对调节氧化钇坩埚进行最佳的氧化钇涂层附着性优化,提高原先氧化钇坩埚的涂层的附着性,从而提高了坩埚的性能和稳定性,在制备过程中实时调整设备,确保涂层的质量和附着性,有助于提高坩埚的传热性能和可靠性,减少涂层问题的发生。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种制备氧化钇坩埚的涂层工艺优化方法,其特征在于,包括以下步骤:
步骤S1:获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;
步骤S2:利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;
步骤S3:获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;
步骤S4:根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;
步骤S5:根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
2.根据权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取氧化钇坩埚的氧化钇坩埚制备参数;
步骤S12:利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;
步骤S13:获取氧化钇坩埚模拟参数;
步骤S14:利用氧化钇坩埚模拟参数对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;
步骤S15:对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据。
3.根据权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;
步骤S22:对网格流体动力学模拟数据进行流体动力学特征提取,生成网格流体动力学特征数据;
步骤S23:对网格流体动力学模拟数据进行氧化钇坩埚热分布映射处理,生成氧化钇坩埚热分布映射数据;
步骤S24:根据网格流体动力学特征数据以及氧化钇坩埚热分布映射数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据。
4.根据权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用卷积神经网络算法建立氧化钇坩埚导热效率与氧化钇涂层厚度的映射关系,生成初始氧化钇涂层厚度预测模型;
步骤S32:获取氧化钇涂层厚度训练样本;
步骤S33:基于氧化钇涂层厚度训练样本对初始氧化钇涂层厚度预测模型进行模型超参数优化调整,生成氧化钇涂层厚度预测模型;
步骤S34:将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度。
5.根据权利要求4所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S33包括以下步骤:
步骤S331:将氧化钇涂层厚度训练样本进行数据划分,分别生成氧化钇涂层厚度训练集、氧化钇涂层厚度验证集以及氧化钇涂层厚度测试集;
步骤S332:利用氧化钇涂层厚度训练集对初始氧化钇涂层厚度预测模型进行模型训练,生成氧化钇涂层厚度训练模型;
步骤S333:将氧化钇涂层厚度验证集传输至训练后的初始氧化钇涂层厚度预测模型进行模型超参数评估,生成模型超参数评估数据;
步骤S334:基于模型超参数评估数据对氧化钇涂层厚度训练模型进行模型超参数优化调整,生成优化氧化钇涂层厚度训练模型;
步骤S335:利用氧化钇涂层厚度测试集对优化氧化钇涂层厚度训练模型进行模型测试,生成氧化钇涂层厚度预测模型。
6.根据权利要求5所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S334包括以下步骤:
利用网格搜索对模型超参数评估数据进行最优超参数选取,生成模型最优超参数,并根据模型最优超参数对氧化钇涂层厚度训练模型进行模型超参数优化调整,生成优化氧化钇涂层厚度训练模型。
7.根据权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;
步骤S42:利用等离子体设备对调节氧化钇坩埚进行氧化钇涂层附着性调节处理,并利用传感器对氧化钇涂层附着性调节处理过程中的调节氧化钇坩埚进行表面特征数据采集,生成氧化钇坩埚表面特征数据。
8.根据权利要求7所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S5包括以下步骤:
步骤S51:利用氧化钇涂层附着性计算公式对氧化钇坩埚表面特征数据进行氧化钇涂层附着性计算,生成氧化钇涂层附着性数据;
步骤S52:选取最大值的氧化钇涂层附着性数据进行数据标记,生成最佳氧化钇涂层附着性数据;
步骤S53:对等离子体设备进行设备频谱能量数据采集,生成设备频谱能量数据;
步骤S54:根据最佳氧化钇涂层附着性数据对设备频谱能量数据进行最佳设备频谱能量选取,生成最佳设备频谱能量数据;
步骤S55:利用最佳设备频谱能量数据对等离子体设备进行频谱能量调节,获得调节等离子体设备,并根据调节等离子设备对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
9.根据权利要求8所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤S51中的氧化钇涂层附着性计算公式如下所示:
;
式中,表示为氧化钇涂层附着性数据,/>表示为氧化钇坩埚表面特征数据的表面平滑程度,/>表示为氧化钇坩埚的半径大小,/>表示为氧化钇坩埚原点到边缘的极角角度为/>与方位角角度为/>范围内的温度分布数据,/>表示为氧化钇坩埚原点到边缘的极角角度,/>表示为氧化钇坩埚原点到边缘的方位角角度,/>表示为氧化坩埚钇的基准温度,/>表示为氧化钇坩埚表面特征数据的表面起泡数量,/>表示为氧化钇坩埚表面特征数据的表面裂纹大小,/>表示为氧化钇坩埚原点到边缘的长度大小,/>表示为氧化钇涂层附着性数据的异常调整值。
10.一种制备氧化钇坩埚的涂层工艺优化系统,其特征在于,用于执行如权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,该制备氧化钇坩埚的涂层工艺优化系统包括:
氧化钇坩埚仿真测试模块,用于获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;
氧化钇坩埚导热效率评估数据,用于利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;
氧化钇坩埚涂层厚度优化模块,用于获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;
氧化钇涂层附着性分析模块,用于根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;
氧化钇坩埚涂层附着性优化模块,用于根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515558.9A CN117253568B (zh) | 2023-11-15 | 2023-11-15 | 一种制备氧化钇坩埚的涂层工艺优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515558.9A CN117253568B (zh) | 2023-11-15 | 2023-11-15 | 一种制备氧化钇坩埚的涂层工艺优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117253568A true CN117253568A (zh) | 2023-12-19 |
CN117253568B CN117253568B (zh) | 2024-01-26 |
Family
ID=89133556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515558.9A Active CN117253568B (zh) | 2023-11-15 | 2023-11-15 | 一种制备氧化钇坩埚的涂层工艺优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253568B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200813238A (en) * | 2006-09-01 | 2008-03-16 | Chung Shan Inst Of Science | Method for producing active Ni-Ti based alloys |
CN103498063A (zh) * | 2013-09-18 | 2014-01-08 | 北京航空航天大学 | 一种利用氧化钇坩埚对高温合金返回料进行纯净化熔炼的方法 |
CN103526037A (zh) * | 2013-09-18 | 2014-01-22 | 北京航空航天大学 | 一种利用氧化钇坩埚对高温合金进行纯净化熔炼的方法 |
CN106270532A (zh) * | 2016-09-27 | 2017-01-04 | 哈尔滨工业大学 | 氧化钇‑钨梯度材料及其制备方法和在制造合金熔炼用坩埚中的应用 |
CN106709149A (zh) * | 2016-11-25 | 2017-05-24 | 中南大学 | 一种基于神经网络的铝电解槽三维炉膛形状实时预测方法和系统 |
CN110929436A (zh) * | 2019-10-10 | 2020-03-27 | 新余学院 | 一种多晶硅铸锭生长界面的仿真模拟方法 |
CN113620694A (zh) * | 2021-09-03 | 2021-11-09 | 湖南昕昱科技有限公司 | 一种用于含活泼元素合金熔炼用坩埚及其制备方法 |
CN115403392A (zh) * | 2022-08-24 | 2022-11-29 | 广东省科学院资源利用与稀土开发研究所 | 用于熔炼钛基储金合金的坩埚基体及其制备方法和应用 |
CN115935454A (zh) * | 2023-01-06 | 2023-04-07 | 哈尔滨工业大学 | 一种电磁冷坩埚定向凝固Nb-Si基合金工艺仿真系统及方法 |
-
2023
- 2023-11-15 CN CN202311515558.9A patent/CN117253568B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200813238A (en) * | 2006-09-01 | 2008-03-16 | Chung Shan Inst Of Science | Method for producing active Ni-Ti based alloys |
CN103498063A (zh) * | 2013-09-18 | 2014-01-08 | 北京航空航天大学 | 一种利用氧化钇坩埚对高温合金返回料进行纯净化熔炼的方法 |
CN103526037A (zh) * | 2013-09-18 | 2014-01-22 | 北京航空航天大学 | 一种利用氧化钇坩埚对高温合金进行纯净化熔炼的方法 |
CN106270532A (zh) * | 2016-09-27 | 2017-01-04 | 哈尔滨工业大学 | 氧化钇‑钨梯度材料及其制备方法和在制造合金熔炼用坩埚中的应用 |
CN106709149A (zh) * | 2016-11-25 | 2017-05-24 | 中南大学 | 一种基于神经网络的铝电解槽三维炉膛形状实时预测方法和系统 |
CN110929436A (zh) * | 2019-10-10 | 2020-03-27 | 新余学院 | 一种多晶硅铸锭生长界面的仿真模拟方法 |
CN113620694A (zh) * | 2021-09-03 | 2021-11-09 | 湖南昕昱科技有限公司 | 一种用于含活泼元素合金熔炼用坩埚及其制备方法 |
CN115403392A (zh) * | 2022-08-24 | 2022-11-29 | 广东省科学院资源利用与稀土开发研究所 | 用于熔炼钛基储金合金的坩埚基体及其制备方法和应用 |
CN115935454A (zh) * | 2023-01-06 | 2023-04-07 | 哈尔滨工业大学 | 一种电磁冷坩埚定向凝固Nb-Si基合金工艺仿真系统及方法 |
Non-Patent Citations (2)
Title |
---|
BAI PENG ETAL: ""Effect of Y2O3 Crucible on Purification of Ni3Al-Based Superalloy Scraps"", 《SCIENCE PRESS》, pages 406 - 410 * |
潘利文 等: ""Niyama判据对铸件缩孔缩松预测的适用性"", 《北京航空航天大学学报》, pages 1534 - 1540 * |
Also Published As
Publication number | Publication date |
---|---|
CN117253568B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN104899425A (zh) | 一种高炉铁水硅含量的变量选择预报方法 | |
JP7027536B2 (ja) | 解析システム及び解析方法 | |
CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
CN114970396B (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
CN107491840B (zh) | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN111664823A (zh) | 基于介质热传导系数差异的均压电极垢层厚度检测方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN102419827A (zh) | 基于rbf神经网络的沸腾换热预测方法 | |
CN113849997A (zh) | 基于数字孪生技术的储能装置热点温度确定方法 | |
CN117574176B (zh) | 一种bipv光伏玻璃生产工艺优化方法 | |
CN114429003A (zh) | 锅炉四管寿命预测方法的系统 | |
CN117253568B (zh) | 一种制备氧化钇坩埚的涂层工艺优化方法及系统 | |
CN111879910A (zh) | 一种优化锻造工艺参数与组织性能的试验方法 | |
CN115512455B (zh) | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 | |
CN115980130A (zh) | 一种热障涂层中缺陷定量检测方法及系统 | |
Bhatia et al. | Data-driven multi-criteria decision-making for smart and sustainable machining | |
CN117790300B (zh) | 一种精细线路的动态蚀刻补偿方法 | |
CN105426660B (zh) | 一种机械零件表平面残余应力场的预测方法 | |
CN117374977B (zh) | 一种储能系统负荷预测及风险分析方法 | |
CN118070575B (zh) | 一种pcb线路板用涂层铝片的工艺数据处理方法 | |
Petrou et al. | Beyond Normal: Guidelines on How to Identify Suitable Model Input Distributions for Building Performance Analysis | |
CN114184211B (zh) | 一种惯导可靠性试验中性能变化机理一致性判定方法 | |
WO2022087769A1 (zh) | 确定机械部件的低周疲劳的方法、装置及存储介质 |
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 |