CN117438016B - 弹性薄膜的力致变色自修复预测方法及系统 - Google Patents
弹性薄膜的力致变色自修复预测方法及系统 Download PDFInfo
- Publication number
- CN117438016B CN117438016B CN202311766587.2A CN202311766587A CN117438016B CN 117438016 B CN117438016 B CN 117438016B CN 202311766587 A CN202311766587 A CN 202311766587A CN 117438016 B CN117438016 B CN 117438016B
- Authority
- CN
- China
- Prior art keywords
- self
- mapping
- repairing
- polymerization
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008859 change Effects 0.000 title description 5
- 238000013507 mapping Methods 0.000 claims abstract description 183
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 152
- 230000035945 sensitivity Effects 0.000 claims abstract description 84
- 239000000463 material Substances 0.000 claims abstract description 78
- 238000011156 evaluation Methods 0.000 claims abstract description 73
- 239000000178 monomer Substances 0.000 claims abstract description 63
- 238000002360 preparation method Methods 0.000 claims abstract description 35
- 239000003999 initiator Substances 0.000 claims abstract description 27
- 239000003431 cross linking reagent Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000001419 dependent effect Effects 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 210000004357 third molar Anatomy 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000002845 discoloration Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000004971 Cross linker Substances 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 239000010408 film Substances 0.000 description 80
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 239000000126 substance Substances 0.000 description 9
- 230000009477 glass transition Effects 0.000 description 6
- 150000002978 peroxides Chemical class 0.000 description 3
- 229920000642 polymer Polymers 0.000 description 3
- 239000010409 thin film Substances 0.000 description 3
- HRPVXLWXLXDGHG-UHFFFAOYSA-N Acrylamide Chemical compound NC(=O)C=C HRPVXLWXLXDGHG-UHFFFAOYSA-N 0.000 description 2
- NLHHRLWOUZZQLW-UHFFFAOYSA-N Acrylonitrile Chemical compound C=CC#N NLHHRLWOUZZQLW-UHFFFAOYSA-N 0.000 description 2
- JIGUQPWFLRLWPJ-UHFFFAOYSA-N Ethyl acrylate Chemical compound CCOC(=O)C=C JIGUQPWFLRLWPJ-UHFFFAOYSA-N 0.000 description 2
- VVQNEPGJFQJSBK-UHFFFAOYSA-N Methyl methacrylate Chemical compound COC(=O)C(C)=C VVQNEPGJFQJSBK-UHFFFAOYSA-N 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- CQEYYJKEWSMYFG-UHFFFAOYSA-N butyl acrylate Chemical compound CCCCOC(=O)C=C CQEYYJKEWSMYFG-UHFFFAOYSA-N 0.000 description 2
- 238000004132 cross linking Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- PNJWIWWMYCMZRO-UHFFFAOYSA-N pent‐4‐en‐2‐one Natural products CC(=O)CC=C PNJWIWWMYCMZRO-UHFFFAOYSA-N 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000004986 Cholesteric liquid crystals (ChLC) Substances 0.000 description 1
- 229920006125 amorphous polymer Polymers 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012934 organic peroxide initiator Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000004038 photonic crystal Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 150000003254 radicals Chemical class 0.000 description 1
- 239000012966 redox initiator Substances 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了弹性薄膜的力致变色自修复预测方法及系统,涉及数据处理技术领域,方法包括:获得弹性薄膜制备材料信息、弹性薄膜制备条件信息,根据硬链段单体类型、软链段单体类型、力致变色自修复交联剂类型和引发剂类型,训练力致变色自修复性能评价通道后,接收第一摩尔比、第二摩尔比、第三摩尔比、聚合温度时序信息和聚合材料添加时序信息进行映射,生成力致变色预测灵敏精度和自修复预测力学强度添加进弹性薄膜力致变色自修复预测性能信息。解决现有技术中力致变色自修复性能需要通过大量实验进行验证分析,导致自修复性能测试效率低的技术问题,实现先验自修复性能后根据预测结果直接实验测试,减少实验数量提高自修复性能测试效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及弹性薄膜的力致变色自修复预测方法及系统。
背景技术
随着弹性薄膜领域的发展,特别是针对力致变色自修复的发展,该晶体材料如胆甾相液晶是一类具有周期性螺旋超结构的手性软光子晶体,不仅选择性地反射不同波长的可见光,还能够灵敏地响应环境刺激变化如力、热、点、电、光、磁等,呈现出结构色的动态变化,而如今,传统的力致变色自修复性能,需要通过大量实验进行验证分析,导致自修复性能测试效率低的技术问题。
发明内容
本申请提供了弹性薄膜的力致变色自修复预测方法及系统,用于针对解决现有技术中存在的力致变色自修复性能,需要通过大量实验进行验证分析,导致自修复性能测试效率低。
鉴于上述问题,本申请提供了弹性薄膜的力致变色自修复预测方法及系统。
第一方面,本申请提供了弹性薄膜的力致变色自修复预测方法,所述方法包括:获得弹性薄膜制备材料信息,其中,所述弹性薄膜制备材料信息包括硬链段单体类型及第一聚合摩尔数、软链段单体类型及第二聚合摩尔数、力致变色自修复交联剂类型及第三聚合摩尔数、引发剂类型及第四聚合摩尔数;获得弹性薄膜制备条件信息,其中,所述弹性薄膜制备条件信息包括聚合温度时序信息和聚合材料添加时序信息;根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型,训练力致变色自修复性能评价通道;根据所述第一聚合摩尔数和所述第二聚合摩尔数,设为第一摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第三聚合摩尔数,计算第二摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第四聚合摩尔数,计算第三摩尔比;激活所述力致变色自修复性能评价通道,接收所述第一摩尔比、所述第二摩尔比、所述第三摩尔比、所述聚合温度时序信息和所述聚合材料添加时序信息进行映射,生成力致变色预测灵敏精度和自修复预测力学强度,其中,所述力致变色预测灵敏精度表征变色最小外力,所述自修复预测力学强度表征自修复最强外力;将所述力致变色预测灵敏精度和所述自修复预测力学强度,添加进弹性薄膜力致变色自修复预测性能信息。
第二方面,本申请提供了弹性薄膜的力致变色自修复预测系统,所述系统包括:第一信息获取模块,所述第一信息获取模块用于获得弹性薄膜制备材料信息,其中,所述弹性薄膜制备材料信息包括硬链段单体类型及第一聚合摩尔数、软链段单体类型及第二聚合摩尔数、力致变色自修复交联剂类型及第三聚合摩尔数、引发剂类型及第四聚合摩尔数;第二信息获取模块,所述第二信息获取模块用于获得弹性薄膜制备条件信息,其中,所述弹性薄膜制备条件信息包括聚合温度时序信息和聚合材料添加时序信息;通道训练模块,所述通道训练模块用于根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型,训练力致变色自修复性能评价通道;第一计算模块,所述第一计算模块用于根据所述第一聚合摩尔数和所述第二聚合摩尔数,设为第一摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第三聚合摩尔数,计算第二摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第四聚合摩尔数,计算第三摩尔比;
映射模块,所述映射模块用于激活所述力致变色自修复性能评价通道,接收所述第一摩尔比、所述第二摩尔比、所述第三摩尔比、所述聚合温度时序信息和所述聚合材料添加时序信息进行映射,生成力致变色预测灵敏精度和自修复预测力学强度,其中,所述力致变色预测灵敏精度表征变色最小外力,所述自修复预测力学强度表征自修复最强外力;第一添加模块,所述第一添加模块用于将所述力致变色预测灵敏精度和所述自修复预测力学强度,添加进弹性薄膜力致变色自修复预测性能信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的弹性薄膜的力致变色自修复预测方法及系统,涉及数据处理技术领域,解决了现有技术中力致变色自修复性能,需要通过大量实验进行验证分析,导致自修复性能测试效率低的技术问题,实现了通过机器学习进行数据拟合先验自修复性能,后步可根据预测结果直接实验测试,减少了实验数量,进而提高自修复性能测试效率。
附图说明
图1为本申请提供了弹性薄膜的力致变色自修复预测方法流程示意图;
图2为本申请提供了弹性薄膜的力致变色自修复预测系统结构示意图。
附图标记说明:第一信息获取模块1,第二信息获取模块2,通道训练模块3,第一计算模块4,映射模块5,第一添加模块6。
具体实施方式
本申请通过提供弹性薄膜的力致变色自修复预测方法及系统,用于解决现有技术中力致变色自修复性能,需要通过大量实验进行验证分析,导致自修复性能测试效率低的技术问题。
实施例一
如图1所示,本申请实施例提供了弹性薄膜的力致变色自修复预测方法,该方法包括:
步骤A100:获得弹性薄膜制备材料信息,其中,所述弹性薄膜制备材料信息包括硬链段单体类型及第一聚合摩尔数、软链段单体类型及第二聚合摩尔数、力致变色自修复交联剂类型及第三聚合摩尔数、引发剂类型及第四聚合摩尔数;
在本申请中,本申请实施例提供的弹性薄膜的力致变色自修复预测方法应用于弹性薄膜的力致变色自修复预测系统,在对弹性薄膜的力致变色自修复进行预测之前,首先需要对弹性薄膜的制备材料信息进行提取并确定,在制备材料信息中可以包含硬链段单体类型及第一聚合摩尔数、软链段单体类型及第二聚合摩尔数、力致变色自修复交联剂类型及第三聚合摩尔数、引发剂类型及第四聚合摩尔数,其硬链段单体类型可以是甲基丙烯酸甲酯、丙烯腈、丙烯酰胺等玻璃化温度较高的单体,第一聚合摩尔数是指与甲基丙烯酸甲酯、丙烯腈、丙烯酰胺等玻璃化温度较高的单体所对应在1摩尔物质中所含基本单元个数等于的阿伏伽德罗常数,其软链段单体类型可以是丙烯酸乙酯、丙烯酸丁酯等玻璃化温度较低的单体,第二聚合摩尔数是指与丙烯酸乙酯、丙烯酸丁酯等玻璃化温度较低的单体所对应在1摩尔物质中所含基本单元个数等于的阿伏伽德罗常数,其力致变色自修复交联剂类型可以为螺吡喃结构或其衍生物,其交联结构具有力致变色特性,并且由于其交联结构具有酰胺键,因此具有对碳链聚合物的断链进行结合的能力,具有自修复功能,第三聚合摩尔数为属于力致变色自修复交联剂类型下的单体所对应在1摩尔物质中所含基本单元个数等于的阿伏伽德罗常数,其引发剂类型可以是自由基型引发剂,包括过氧化合物引发剂和偶氮类引发剂及氧化还原引发剂等,过氧化物引发剂又分为有机过氧化物引发剂和无机过氧化物引发剂,第四聚合摩尔数为属于引发剂类型下的单体所对应在1摩尔物质中所含基本单元个数等于的阿伏伽德罗常数,为后期实现对弹性薄膜进行力致变色自修复的预测作为重要参考依据。
步骤A200:获得弹性薄膜制备条件信息,其中,所述弹性薄膜制备条件信息包括聚合温度时序信息和聚合材料添加时序信息;
在本申请中,在对弹性薄膜进行力致变色自修复的预测的过程中需要对弹性薄膜的制备条件信息进行确定,弹性薄膜的制备条件信息是用于在弹性薄膜进行力致变色自修复时的可修复程度,当前制备条件与通过大数据中所获的理论制备条件越吻合,则其可修复程度越高,且在弹性薄膜的制备条件中可以包含聚合温度时序信息以及聚合材料添加时序信息,聚合温度时序信息是指将弹性薄膜制备的过程划分为多个时刻,并将多个时刻内的每个时刻下所对应的温度数据进行存储记录后,根据时间顺序对每个时刻及其所对应的温度数据进行序列化处理并记作聚合温度时序信息,聚合材料添加时序信息是指将弹性薄膜制备的过程划分为多个时刻,并将多个时刻内的每个时刻下所对应的材料添加数据进行存储记录后,根据时间顺序对每个时刻及其所对应的材料添加数据进行序列化处理并记作聚合材料添加时序信息,进而为实现对弹性薄膜进行力致变色自修复的预测做保障。
步骤A300:根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型,训练力致变色自修复性能评价通道;
进一步而言,本申请步骤A300还包括:
步骤A310:配置映射因变量指标,其中,所述映射因变量指标至少包括力致变色灵敏精度指标和自修复力学强度指标;
步骤A320:配置映射自变量指标,其中,所述映射自变量指标至少包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标、聚合温度时序指标和聚合材料添加时序指标;
步骤A330:根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型为约束,以所述映射自变量指标和所述映射因变量指标为检索目标执行搜索,生成映射自变量指标搜索值和映射因变量指标搜索值,其中,所述映射自变量指标搜索值和所述映射因变量指标搜索值为一一对应关系;
步骤A340:根据所述映射自变量指标搜索值和所述映射因变量指标搜索值,执行所述力致变色自修复性能评价通道的训练。
在本申请中,提取弹性薄膜制备材料信息中的硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型,在此基础上对弹性薄膜进行力致变色自修复进行预测过程中的力致变色自修复性能评价通道进行训练,其训练过程可以是首先对目标弹性薄膜进行映射因变量指标的配置,映射因变量指标是用于对目标弹性薄膜进行力致变色自修复进行预测过程中的力致变色程度以及自修复程度,即在映射因变量指标中至少包括力致变色灵敏精度指标和自修复力学强度指标,力致变色灵敏精度指标是用于表征目标弹性薄膜内的晶面间距所影响的响应速度,该晶面间距越小、响应速度越慢则力致变色灵敏精度越低,自修复力学强度指标是用于表征目标弹性薄膜的力学性质是否满足实际应用的需求,且力学强度高的材料不能自修复,因此通过自修复力学强度指标确定目标弹性薄膜的力学强度,进一步的,再对映射自变量指标进行配置,且在映射自变量指标中至少包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标、聚合温度时序指标和聚合材料添加时序指标,第一摩尔比指标是根据硬链段单体类型下目标弹性薄膜物质的量的比进行划定所获、第二摩尔比指标是根据软链段单体类型下目标弹性薄膜物质的量的比进行划定所获、第三摩尔比指标是根据力致变色自修复交联剂类型下目标弹性薄膜物质的量的比进行划定所获、聚合温度时序指标是根据温度时间顺序下目标弹性薄膜物质的量的比进行划定所获、聚合材料添加时序指标是根据材料添加时间顺序下目标弹性薄膜物质的量的比进行划定所获,进一步的,以硬链段单体类型、软链段单体类型、力致变色自修复交联剂类型和引发剂类型作为数据边界约束,以映射自变量指标和映射因变量指标为检索目标在大数据中执行搜索操作,首先通过数据边界约束对大数据中力致变色自修复性能的类型进行限定后,从所限定的大数据中查找和选取检索目标,从而将所选取的检索目标记作映射自变量指标搜索值和映射因变量指标搜索值,映射自变量指标搜索值是指检索目标为映射自变量指标的搜索次数,搜索次数越高则搜索值越高,映射因变量指标搜索值是指检索目标为映射因变量指标的搜索次数,搜索次数越高则搜索值越高,且映射自变量指标搜索值和映射因变量指标搜索值为一一对应关系,
最终根据映射自变量指标搜索值和映射因变量指标搜索值,对力致变色自修复性能评价通道执行训练,该力致变色自修复性能评价通道与弹性薄膜的力致变色自修复预测系统通信连接,力致变色自修复性能评价通道是用于进行目标弹性薄膜的力致变色自修复性能评价参数采集,其修复性能越高则评价值越高,为后续实现对弹性薄膜进行力致变色自修复的预测夯实基础。
进一步而言,本申请步骤A340包括:
步骤A341:对所述映射自变量指标搜索值进行聚类分析,生成映射自变量指标搜索值聚类结果,同步配置所述映射因变量指标搜索值的映射因变量指标搜索值聚类结果;
步骤A342:遍历所述映射因变量指标搜索值聚类结果进行集中点分析,生成力致变色灵敏精度集中值和自修复力学强度集中值;
步骤A343:以所述映射自变量指标搜索值聚类结果的任意一个值为输入数据,以对应的所述力致变色灵敏精度集中值为输出数据,对力致变色灵敏精度预测节点进行拟合;
步骤A344:以所述映射自变量指标搜索值聚类结果的任意一个值为输入数据,以对应的所述自修复力学强度集中值为输出数据,对自修复力学强度预测节点进行拟合;
步骤A345:将所述力致变色灵敏精度预测节点和所述自修复力学强度预测节点并行全连接,生成所述力致变色自修复性能评价通道。
进一步而言,本申请步骤A341包括:
步骤A3411:构建映射自变量相似性评价函数:
;
其中,表征任意两组映射自变量的相似性,/>和/>分别表征一组映射自变量,/>表征第一组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/> 表征第二组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/>表征第i摩尔比指标偏离阈值,/>表征第一组映射自变量的从开始反应计时的第j时刻温度值,/> 表征第二组映射自变量的从开始反应计时的第j时刻温度值,/>表征温度偏差阈值,/> 表征第一组映射自变量的第k类型的聚合材料添加时刻,/>表征第二组映射自变量的第k类型的聚合材料添加时刻,/>表征第k类型的聚合材料添加时刻偏差阈值,/>、/>和/>均≥2,为缩放因子,count()为计数函数;
步骤A3412:遍历所述第一摩尔比指标、所述第二摩尔比指标、所述第三摩尔比指标,配置第一摩尔比指标偏差阈值、第二摩尔比指标偏差阈值和第三摩尔比指标偏差阈值;
步骤A3413:遍历聚合材料类型,配置聚合材料添加时刻偏差阈值,以及配置温度偏差阈值;
步骤A3414:配置相似性阈值;
步骤A3415:根据所述映射自变量相似性评价函数,将相似性系数大于或等于所述相似性阈值的所述映射自变量指标搜索值聚集为一类,否则,聚集为两类。
进一步而言,本申请步骤A341包括:
步骤A3416:当所述第一组映射自变量或所述第二组映射自变量的第j时刻温度值为空时,视为。
进一步而言,本申请步骤A342包括:
步骤A3421:所述映射因变量指标搜索值聚类结果包括第一簇力致变色灵敏精度搜索值;
步骤A3422:配置灵敏精度偏差阈值,遍历所述第一簇力致变色灵敏精度搜索值,设定集中分值评价邻域,其中,所述集中分值评价邻域的下限为所述第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值减去所述灵敏精度偏差阈值,所述集中分值评价邻域的上限为所述第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值加上所述灵敏精度偏差阈值;
步骤A3423:计算所述第一簇力致变色灵敏精度搜索值,落在所述集中分值评价邻域的数量,设为所述第一簇力致变色灵敏精度搜索值的集中分值评价结果;
步骤A3424:剔除所述集中分值评价结果小于或等于集中分值评价阈值的所述第一簇力致变色灵敏精度搜索值,获得第一簇力致变色灵敏精度搜索值集中数据集;
步骤A3425:对所述第一簇力致变色灵敏精度搜索值集中数据集进行均值分析,生成第一簇力致变色灵敏精度集中值添加进所述力致变色灵敏精度集中值;
其中,所述自修复力学强度集中值的集中点分析流程与所述力致变色灵敏精度集中值完全相同。
在本申请中,以映射自变量指标搜索值和映射因变量指标搜索值作为基础参照数据,执行力致变色自修复性能评价通道的训练,是指首先对映射自变量指标搜索值进行聚类分析,将映射自变量指标搜索值分成由类似的对象组成的多个类,并将其记作映射自变量指标搜索值聚类结果,再将映射自变量指标搜索值聚类结果同步配置映射因变量指标搜索值的映射因变量指标搜索值聚类结果中,在同步配置过程中需要通过映射自变量相似性评价函数对映射自变量的相似性进行计算评价,所构建的映射自变量相似性评价函数如下所示:
;
其中,表征任意两组映射自变量的相似性,/>和/>分别表征一组映射自变量,/>表征第一组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/> 表征第二组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/>表征第i摩尔比指标偏离阈值,/>表征第一组映射自变量的从开始反应计时的第j时刻温度值,/> 表征第二组映射自变量的从开始反应计时的第j时刻温度值,/>表征温度偏差阈值,/> 表征第一组映射自变量的第k类型的聚合材料添加时刻,/>表征第二组映射自变量的第k类型的聚合材料添加时刻,/>表征第k类型的聚合材料添加时刻偏差阈值,/>、/>和/>均≥2,为缩放因子,count()为计数函数;
是指从映射自变量中任意提取两组映射自变量,分别记作第一组映射自变量、第二组映射自变量,且第一组映射自变量与第二组映射自变量为不相同的映射自变量数据,其中包含各自对应的摩尔比指标,从而获取第一组映射自变量的第i摩尔比指标,第二组映射自变量的第i摩尔比指标,在此基础上依次对第一摩尔比指标、第二摩尔比指标、第三摩尔比指标依次进行访问遍历,同时对第一摩尔比指标、第二摩尔比指标、第三摩尔比指标分别对应配置第一摩尔比指标偏差阈值、第二摩尔比指标偏差阈值和第三摩尔比指标偏差阈值,第一摩尔比指标偏差阈值是通过在目标弹性薄膜进行力致变色自修复过程中第一摩尔比的个别测定值与测定的平均值之差,第二摩尔比指标偏差阈值是通过在目标弹性薄膜进行力致变色自修复过程中第二摩尔比的个别测定值与测定的平均值之差,第三摩尔比指标偏差阈值是通过在目标弹性薄膜进行力致变色自修复过程中第三摩尔比的个别测定值与测定的平均值之差。
进一步的,按照聚合材料的结构特征生成聚合材料类型,聚合材料类型可以包含晶态高分子聚合物、结晶高分子聚合物、非晶态高分子聚合物,再对聚合材料类型内的每个类型数据进行访问后分别对每个聚合材料类型配置聚合材料添加时刻偏差阈值,以及温度偏差阈值,由于通过比对聚类可以得到比较靠近的训练数据,从而达到提升模型稳定性的技术效果,同时可以更好的进行聚类分析,因此需要通过基于历史时段内目标弹性薄膜的自变量的相似性进行数值约束后配置相似性阈值,进一步的,根据上述所构建的映射自变量相似性评价函数将相似性系数与相似性阈值进行比较,把相似性系数大于或等于相似性阈值的映射自变量指标搜索值聚集为一类,否则,聚集为两类,同时在目标弹性薄膜在进行力致变色自修复的过程中的局和温度时序指标中可能存在空值,当映射自变量相似性评价函数中的第一组映射自变量或第二组映射自变量的第j时刻温度值为空时,视为映射自变量相似性评价函数中存在,由此进行映射自变量的相似性的计算。
为了更好的对目标弹性薄膜的力致变色自修复性能进行评价,还需要对映射因变量指标搜索值聚类结果中所包含的搜索值数据进行依次访问,且在映射因变量指标搜索值聚类结果中包括第一簇力致变色灵敏精度搜索值,根据搜索值的数值分布均匀度进行集中点分析,是指首先根据历史时段内的灵敏精度极值与灵敏精度平均值之间的距离配置灵敏精度偏差阈值,进一步的,对第一簇力致变色灵敏精度搜索值中所包含的数据节点进行逐一遍历访问后,根据力致变色灵敏精度搜索值中的极值进行边界划定后设定集中分值评价邻域,其集中分值评价邻域的下限为第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值减去灵敏精度偏差阈值,集中分值评价邻域的上限为第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值加上灵敏精度偏差阈值,进一步的,通过数值比较计算后,获取第一簇力致变色灵敏精度搜索值落在集中分值评价邻域的数量设为第一簇力致变色灵敏精度搜索值的集中分值评价结果,将计算所获的集中分值评价结果与集中分值评价阈值进行比较判断,该集中分值评价阈值内包含第一簇力致变色灵敏精度搜索值,当集中分值评价结果小于或等于集中分值评价阈值的第一簇力致变色灵敏精度搜索值时,对该集中分值评价结果进行剔除,并将其记作第一簇力致变色灵敏精度搜索值集中数据集,进一步的,对第一簇力致变色灵敏精度搜索值集中所包含的数据集进行均值分析,用来描述第一簇力致变色灵敏精度搜索值集中所包含的数据集的集中趋势,即算术平均值,易受到第一簇力致变色灵敏精度搜索值集中所包含的数据集中极端变量值的影响,从而生成第一簇力致变色灵敏精度集中值添加进力致变色灵敏精度集中值,同时自修复力学强度集中值的集中点分析流程与力致变色灵敏精度集中值的集中点分析流程为完全相同。
进一步的,以映射自变量指标搜索值聚类结果中的任意一个值作为输入数据,以映射自变量指标搜索值聚类结果所对应的力致变色灵敏精度集中值作为输出数据,对力致变色灵敏精度预测节点进行拟合,是指将映射自变量指标搜索值聚类结果与实际数据匹配,以得到一个能够描述力致变色灵敏精度预测节点中的力致变色灵敏精度集中值,与上述同理以映射自变量指标搜索值聚类结果中的任意一个值作为输入数据,以映射自变量指标搜索值聚类结果所对应的自修复力学强度集中值为输出数据,对自修复力学强度预测节点进行拟合,是指将映射自变量指标搜索值聚类结果与实际数据匹配,以得到一个能够描述自修复力学强度预测节点中的自修复力学强度集中值,最终将所获力致变色灵敏精度预测节点和自修复力学强度预测节点并行全连接,是指将力致变色灵敏精度预测节点与自修复力学强度预测节点中的每条路径均存在一个源引脚和目的引脚,生成力致变色自修复性能评价通道,实现对弹性薄膜进行力致变色自修复的预测有着限定的作用。
步骤A400:根据所述第一聚合摩尔数和所述第二聚合摩尔数,设为第一摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第三聚合摩尔数,计算第二摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第四聚合摩尔数,计算第三摩尔比;
进一步而言,本申请步骤A400还包括:
步骤A410:计算所述第一聚合摩尔数和所述第二聚合摩尔数之比,设为所述第一摩尔比;
步骤A420:计算所述第一聚合摩尔数和所述第二聚合摩尔数之和,设为聚合单体综合摩尔数;
步骤A430:计算所述第三聚合摩尔数与所述聚合单体综合摩尔数之比,设为所述第二摩尔比;
步骤A440:计算所述第四聚合摩尔数和所述聚合单体综合摩尔数之比,设为所述第三摩尔比。
在本申请中,为了更精准的对目标弹性薄膜的力致变色自修复中“物质的量”的比,进一步的,根据第一聚合摩尔数和第二聚合摩尔数,设为第一摩尔比,是指将第一聚合摩尔数作为分子,将第二聚合摩尔数作为分母的分数设为第一摩尔比,同时将第一聚合摩尔数和第二聚合摩尔数进行加和后,将加和数值设为聚合单体综合摩尔,再根据第一聚合摩尔数、第二聚合摩尔数和第三聚合摩尔数,计算第二摩尔比,是指将第三聚合摩尔数作为分子,将聚合单体综合摩尔数作为分母的分数设为第二摩尔比,最终根据第一聚合摩尔数、第二聚合摩尔数和第四聚合摩尔数,计算第三摩尔比,是指将第四聚合摩尔数作为分子,将聚合单体综合摩尔数作为分母的分数设为第三摩尔比,基于第一摩尔比、第二摩尔比、第三摩尔比作为基础以便为后期对弹性薄膜进行力致变色自修复的预测时作为参照数据。
步骤A500:激活所述力致变色自修复性能评价通道,接收所述第一摩尔比、所述第二摩尔比、所述第三摩尔比、所述聚合温度时序信息和所述聚合材料添加时序信息进行映射,生成力致变色预测灵敏精度和自修复预测力学强度,其中,所述力致变色预测灵敏精度表征变色最小外力,所述自修复预测力学强度表征自修复最强外力;
在本申请中,为对弹性薄膜的力致变色自修复具有影响的参数信息进行提取,则首先对力致变色自修复性能评价通道进行激活,对上述计算所获的第一摩尔比、第二摩尔比、第三摩尔比、聚合温度时序信息、聚合材料添加时序信息进行映射,是指在第一摩尔比、第二摩尔比、第三摩尔比、聚合温度时序信息、聚合材料添加时序信息内任意取一值,其余数据中至少有一个值与之存在对应关系,且该对应关系与影响程度为正比,数据所存在的对应关系越多,则影响程度越大,进一步的,根据影响程度的映射关系对第一摩尔比、第二摩尔比、第三摩尔比、聚合温度时序信息、聚合材料添加时序信息进行序列化处理,生成力致变色预测灵敏精度和自修复预测力学强度,且力致变色预测灵敏精度表征目标弹性薄膜的变色最小外力,变色最小外力是对目标弹性薄膜在进行力致变色自修复过程中变色时的最小外力值,自修复预测力学强度表征目标弹性薄膜的自修复最强外力,自修复最强外力是指对目标弹性薄膜在进行力致变色自修复时的最大外力值,提高后期实现对弹性薄膜进行力致变色自修复的预测的准确率。
步骤A600:将所述力致变色预测灵敏精度和所述自修复预测力学强度,添加进弹性薄膜力致变色自修复预测性能信息。
在本申请中,为了更精准的对目标弹性薄膜在力致变色自修复时进行预测,则需要通过激活力致变色自修复性能评价通道后接收第一摩尔比、第二摩尔比、第三摩尔比、聚合温度时序信息和聚合材料添加时序信息进行映射所生成的力致变色预测灵敏精度和自修复预测力学强度作为数据参照基础,对目标弹性薄膜力致变色自修复的性能进行预测,使得力致变色和自修复双功能的高分子复合材料可以增强材料自适应性、延长材料寿命及节约能源,在弹性薄膜力致变色自修复预测性能信息中可以包含第一摩尔比、第二摩尔比、第三摩尔比、聚合温度时序信息和聚合材料添加时序信息之间的映射关系、以及目标弹性薄膜的变色最小外力、自修复最强外力提取进行力致变色自修复的性能影响,从而确定弹性薄膜力致变色自修复预测性能信息,并最终根据弹性薄膜力致变色自修复预测性能信息对弹性薄膜完成目标弹性薄膜力致变色自修复的预测,以保证在对弹性薄膜进行力致变色自修复的预测时的高效性。
综上所述,本申请实施例提供的弹性薄膜的力致变色自修复预测方法,至少包括如下技术效果,实现了通过机器学习进行数据拟合先验自修复性能,后步可根据预测结果直接实验测试,减少了实验数量,进而提高自修复性能测试效率。
实施例二
基于与前述实施例中弹性薄膜的力致变色自修复预测方法相同的发明构思,如图2所示,本申请提供了弹性薄膜的力致变色自修复预测系统,系统包括:
第一信息获取模块1,所述第一信息获取模块1用于获得弹性薄膜制备材料信息,其中,所述弹性薄膜制备材料信息包括硬链段单体类型及第一聚合摩尔数、软链段单体类型及第二聚合摩尔数、力致变色自修复交联剂类型及第三聚合摩尔数、引发剂类型及第四聚合摩尔数;
第二信息获取模块2,所述第二信息获取模块2用于获得弹性薄膜制备条件信息,其中,所述弹性薄膜制备条件信息包括聚合温度时序信息和聚合材料添加时序信息;
通道训练模块3,所述通道训练模块3用于根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型,训练力致变色自修复性能评价通道;
第一计算模块4,所述第一计算模块4用于根据所述第一聚合摩尔数和所述第二聚合摩尔数,设为第一摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第三聚合摩尔数,计算第二摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第四聚合摩尔数,计算第三摩尔比;
映射模块5,所述映射模块5用于激活所述力致变色自修复性能评价通道,接收所述第一摩尔比、所述第二摩尔比、所述第三摩尔比、所述聚合温度时序信息和所述聚合材料添加时序信息进行映射,生成力致变色预测灵敏精度和自修复预测力学强度,其中,所述力致变色预测灵敏精度表征变色最小外力,所述自修复预测力学强度表征自修复最强外力;
第一添加模块6,所述第一添加模块6用于将所述力致变色预测灵敏精度和所述自修复预测力学强度,添加进弹性薄膜力致变色自修复预测性能信息。
进一步而言,系统还包括:
第一指标配置模块,所述第一指标配置模块用于配置映射因变量指标,其中,所述映射因变量指标至少包括力致变色灵敏精度指标和自修复力学强度指标;
第二指标配置模块,所述第二指标配置模块用于配置映射自变量指标,其中,所述映射自变量指标至少包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标、聚合温度时序指标和聚合材料添加时序指标;
搜索模块,所述搜索模块用于根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型为约束,以所述映射自变量指标和所述映射因变量指标为检索目标执行搜索,生成映射自变量指标搜索值和映射因变量指标搜索值,其中,所述映射自变量指标搜索值和所述映射因变量指标搜索值为一一对应关系;
训练模块,所述训练模块用于根据所述映射自变量指标搜索值和所述映射因变量指标搜索值,执行所述力致变色自修复性能评价通道的训练。
进一步而言,系统还包括:
聚类分析模块,所述聚类分析模块用于对所述映射自变量指标搜索值进行聚类分析,生成映射自变量指标搜索值聚类结果,同步配置所述映射因变量指标搜索值的映射因变量指标搜索值聚类结果;
集中点模块,所述集中点模块用于遍历所述映射因变量指标搜索值聚类结果进行集中点分析,生成力致变色灵敏精度集中值和自修复力学强度集中值;
第一拟合模块,所述第一拟合模块用于以所述映射自变量指标搜索值聚类结果的任意一个值为输入数据,以对应的所述力致变色灵敏精度集中值为输出数据,对力致变色灵敏精度预测节点进行拟合;
第二拟合模块,所述第二拟合模块用于以所述映射自变量指标搜索值聚类结果的任意一个值为输入数据,以对应的所述自修复力学强度集中值为输出数据,对自修复力学强度预测节点进行拟合;
全连接模块,所述全连接模块用于将所述力致变色灵敏精度预测节点和所述自修复力学强度预测节点并行全连接,生成所述力致变色自修复性能评价通道。
进一步而言,系统还包括:
函数构建模块,所述函数构建模块用于构建映射自变量相似性评价函数:
;
其中,表征任意两组映射自变量的相似性,/>和/>分别表征一组映射自变量,/>表征第一组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/> 表征第二组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/>表征第i摩尔比指标偏离阈值,/>表征第一组映射自变量的从开始反应计时的第j时刻温度值,/> 表征第二组映射自变量的从开始反应计时的第j时刻温度值,/>表征温度偏差阈值,/> 表征第一组映射自变量的第k类型的聚合材料添加时刻,/>表征第二组映射自变量的第k类型的聚合材料添加时刻,/>表征第k类型的聚合材料添加时刻偏差阈值,/>、/>和/>均≥2,为缩放因子,count()为计数函数;
第一遍历模块,所述第一遍历模块用于遍历所述第一摩尔比指标、所述第二摩尔比指标、所述第三摩尔比指标,配置第一摩尔比指标偏差阈值、第二摩尔比指标偏差阈值和第三摩尔比指标偏差阈值;
第二遍历模块,所述第二遍历模块用于遍历聚合材料类型,配置聚合材料添加时刻偏差阈值,以及配置温度偏差阈值;
阈值配置模块,所述阈值配置模块用于配置相似性阈值;
第一判断模块,所述第一判断模块用于根据所述映射自变量相似性评价函数,将相似性系数大于或等于所述相似性阈值的所述映射自变量指标搜索值聚集为一类,否则,聚集为两类。
进一步而言,系统还包括:
第二判断模块,所述第二判断模块用于当所述第一组映射自变量或所述第二组映射自变量的第j时刻温度值为空时,视为。
进一步而言,系统还包括:
数值模块,所述数值模块用于所述映射因变量指标搜索值聚类结果包括第一簇力致变色灵敏精度搜索值;
邻域设定模块,所述邻域设定模块用于配置灵敏精度偏差阈值,遍历所述第一簇力致变色灵敏精度搜索值,设定集中分值评价邻域,其中,所述集中分值评价邻域的下限为所述第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值减去所述灵敏精度偏差阈值,所述集中分值评价邻域的上限为所述第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值加上所述灵敏精度偏差阈值;
第二计算模块,所述第二计算模块用于计算所述第一簇力致变色灵敏精度搜索值,落在所述集中分值评价邻域的数量,设为所述第一簇力致变色灵敏精度搜索值的集中分值评价结果;
剔除模块,所述剔除模块用于剔除所述集中分值评价结果小于或等于集中分值评价阈值的所述第一簇力致变色灵敏精度搜索值,获得第一簇力致变色灵敏精度搜索值集中数据集;
均值分析模块,所述均值分析模块用于对所述第一簇力致变色灵敏精度搜索值集中数据集进行均值分析,生成第一簇力致变色灵敏精度集中值添加进所述力致变色灵敏精度集中值;
其中,所述自修复力学强度集中值的集中点分析流程与所述力致变色灵敏精度集中值完全相同。
进一步而言,系统还包括:
第三计算模块,所述第三计算模块用于计算所述第一聚合摩尔数和所述第二聚合摩尔数之比,设为所述第一摩尔比;
第四计算模块,所述第四计算模块用于计算所述第一聚合摩尔数和所述第二聚合摩尔数之和,设为聚合单体综合摩尔数;
第五计算模块,所述第五计算模块用于计算所述第三聚合摩尔数与所述聚合单体综合摩尔数之比,设为所述第二摩尔比;
第六计算模块,所述第六计算模块用于计算所述第四聚合摩尔数和所述聚合单体综合摩尔数之比,设为所述第三摩尔比。
本说明书通过前述对弹性薄膜的力致变色自修复预测方法的详细描述,本领域技术人员可以清楚的知道本实施例中弹性薄膜的力致变色自修复预测系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.弹性薄膜的力致变色自修复预测方法,其特征在于,包括:
获得弹性薄膜制备材料信息,其中,所述弹性薄膜制备材料信息包括硬链段单体类型及第一聚合摩尔数、软链段单体类型及第二聚合摩尔数、力致变色自修复交联剂类型及第三聚合摩尔数、引发剂类型及第四聚合摩尔数;
获得弹性薄膜制备条件信息,其中,所述弹性薄膜制备条件信息包括聚合温度时序信息和聚合材料添加时序信息;
根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型,训练力致变色自修复性能评价通道,包括:
配置映射因变量指标,其中,所述映射因变量指标至少包括力致变色灵敏精度指标和自修复力学强度指标;
配置映射自变量指标,其中,所述映射自变量指标至少包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标、聚合温度时序指标和聚合材料添加时序指标;
根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型为约束,以所述映射自变量指标和所述映射因变量指标为检索目标执行搜索,生成映射自变量指标搜索值和映射因变量指标搜索值,其中,所述映射自变量指标搜索值和所述映射因变量指标搜索值为一一对应关系;
根据所述映射自变量指标搜索值和所述映射因变量指标搜索值,执行所述力致变色自修复性能评价通道的训练;
根据所述第一聚合摩尔数和所述第二聚合摩尔数,设为第一摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第三聚合摩尔数,计算第二摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第四聚合摩尔数,计算第三摩尔比;
激活所述力致变色自修复性能评价通道,接收所述第一摩尔比、所述第二摩尔比、所述第三摩尔比、所述聚合温度时序信息和所述聚合材料添加时序信息进行映射,生成力致变色预测灵敏精度和自修复预测力学强度,其中,所述力致变色预测灵敏精度表征变色最小外力,所述自修复预测力学强度表征自修复最强外力;
将所述力致变色预测灵敏精度和所述自修复预测力学强度,添加进弹性薄膜力致变色自修复预测性能信息。
2.如权利要求1所述的方法,其特征在于,根据所述映射自变量指标搜索值和所述映射因变量指标搜索值,执行所述力致变色自修复性能评价通道的训练,包括:
对所述映射自变量指标搜索值进行聚类分析,生成映射自变量指标搜索值聚类结果,同步配置所述映射因变量指标搜索值的映射因变量指标搜索值聚类结果;
遍历所述映射因变量指标搜索值聚类结果进行集中点分析,生成力致变色灵敏精度集中值和自修复力学强度集中值;
以所述映射自变量指标搜索值聚类结果的任意一个值为输入数据,以对应的所述力致变色灵敏精度集中值为输出数据,对力致变色灵敏精度预测节点进行拟合;
以所述映射自变量指标搜索值聚类结果的任意一个值为输入数据,以对应的所述自修复力学强度集中值为输出数据,对自修复力学强度预测节点进行拟合;
将所述力致变色灵敏精度预测节点和所述自修复力学强度预测节点并行全连接,生成所述力致变色自修复性能评价通道。
3.如权利要求2所述的方法,其特征在于,对所述映射自变量指标搜索值进行聚类分析,生成映射自变量指标搜索值聚类结果,同步配置所述映射因变量指标搜索值的映射因变量指标搜索值聚类结果,包括:
构建映射自变量相似性评价函数:
;
其中,表征任意两组映射自变量的相似性,/>和/>分别表征一组映射自变量,/>表征第一组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/> 表征第二组映射自变量的第i摩尔比指标,包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标,/>表征第i摩尔比指标偏离阈值,/> 表征第一组映射自变量的从开始反应计时的第j时刻温度值,/> 表征第二组映射自变量的从开始反应计时的第j时刻温度值,/>表征温度偏差阈值,/> 表征第一组映射自变量的第k类型的聚合材料添加时刻,/>表征第二组映射自变量的第k类型的聚合材料添加时刻,/>表征第k类型的聚合材料添加时刻偏差阈值,/>、/>和/>均≥2,为缩放因子,count()为计数函数;
遍历所述第一摩尔比指标、所述第二摩尔比指标、所述第三摩尔比指标,配置第一摩尔比指标偏差阈值、第二摩尔比指标偏差阈值和第三摩尔比指标偏差阈值;
遍历聚合材料类型,配置聚合材料添加时刻偏差阈值,以及配置温度偏差阈值;
配置相似性阈值;
根据所述映射自变量相似性评价函数,将相似性系数大于或等于所述相似性阈值的所述映射自变量指标搜索值聚集为一类,否则,聚集为两类。
4.如权利要求3所述的方法,其特征在于,还包括:
当所述第一组映射自变量或所述第二组映射自变量的第j时刻温度值为空时,视为。
5.如权利要求2所述的方法,其特征在于,遍历所述映射因变量指标搜索值聚类结果进行集中点分析,生成力致变色灵敏精度集中值和自修复力学强度集中值,包括:
所述映射因变量指标搜索值聚类结果包括第一簇力致变色灵敏精度搜索值;
配置灵敏精度偏差阈值,遍历所述第一簇力致变色灵敏精度搜索值,设定集中分值评价邻域,其中,所述集中分值评价邻域的下限为所述第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值减去所述灵敏精度偏差阈值,所述集中分值评价邻域的上限为所述第一簇力致变色灵敏精度搜索值的任意一力致变色灵敏精度搜索值加上所述灵敏精度偏差阈值;
计算所述第一簇力致变色灵敏精度搜索值,落在所述集中分值评价邻域的数量,设为所述第一簇力致变色灵敏精度搜索值的集中分值评价结果;
剔除所述集中分值评价结果小于或等于集中分值评价阈值的所述第一簇力致变色灵敏精度搜索值,获得第一簇力致变色灵敏精度搜索值集中数据集;
对所述第一簇力致变色灵敏精度搜索值集中数据集进行均值分析,生成第一簇力致变色灵敏精度集中值添加进所述力致变色灵敏精度集中值;
其中,所述自修复力学强度集中值的集中点分析流程与所述力致变色灵敏精度集中值完全相同。
6.如权利要求1所述的方法,其特征在于,根据所述第一聚合摩尔数和所述第二聚合摩尔数,设为第一摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第三聚合摩尔数,计算第二摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第四聚合摩尔数,计算第三摩尔比,包括:
计算所述第一聚合摩尔数和所述第二聚合摩尔数之比,设为所述第一摩尔比;
计算所述第一聚合摩尔数和所述第二聚合摩尔数之和,设为聚合单体综合摩尔数;
计算所述第三聚合摩尔数与所述聚合单体综合摩尔数之比,设为所述第二摩尔比;
计算所述第四聚合摩尔数和所述聚合单体综合摩尔数之比,设为所述第三摩尔比。
7.弹性薄膜的力致变色自修复预测系统,其特征在于,包括:
第一信息获取模块,所述第一信息获取模块用于获得弹性薄膜制备材料信息,其中,所述弹性薄膜制备材料信息包括硬链段单体类型及第一聚合摩尔数、软链段单体类型及第二聚合摩尔数、力致变色自修复交联剂类型及第三聚合摩尔数、引发剂类型及第四聚合摩尔数;
第二信息获取模块,所述第二信息获取模块用于获得弹性薄膜制备条件信息,其中,所述弹性薄膜制备条件信息包括聚合温度时序信息和聚合材料添加时序信息;
通道训练模块,所述通道训练模块用于根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型,训练力致变色自修复性能评价通道,包括:
配置映射因变量指标,其中,所述映射因变量指标至少包括力致变色灵敏精度指标和自修复力学强度指标;
配置映射自变量指标,其中,所述映射自变量指标至少包括第一摩尔比指标、第二摩尔比指标、第三摩尔比指标、聚合温度时序指标和聚合材料添加时序指标;
根据所述硬链段单体类型、所述软链段单体类型、所述力致变色自修复交联剂类型和所述引发剂类型为约束,以所述映射自变量指标和所述映射因变量指标为检索目标执行搜索,生成映射自变量指标搜索值和映射因变量指标搜索值,其中,所述映射自变量指标搜索值和所述映射因变量指标搜索值为一一对应关系;
根据所述映射自变量指标搜索值和所述映射因变量指标搜索值,执行所述力致变色自修复性能评价通道的训练;
第一计算模块,所述第一计算模块用于根据所述第一聚合摩尔数和所述第二聚合摩尔数,设为第一摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第三聚合摩尔数,计算第二摩尔比,以及根据所述第一聚合摩尔数、所述第二聚合摩尔数和所述第四聚合摩尔数,计算第三摩尔比;
映射模块,所述映射模块用于激活所述力致变色自修复性能评价通道,接收所述第一摩尔比、所述第二摩尔比、所述第三摩尔比、所述聚合温度时序信息和所述聚合材料添加时序信息进行映射,生成力致变色预测灵敏精度和自修复预测力学强度,其中,所述力致变色预测灵敏精度表征变色最小外力,所述自修复预测力学强度表征自修复最强外力;
第一添加模块,所述第一添加模块用于将所述力致变色预测灵敏精度和所述自修复预测力学强度,添加进弹性薄膜力致变色自修复预测性能信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766587.2A CN117438016B (zh) | 2023-12-21 | 2023-12-21 | 弹性薄膜的力致变色自修复预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766587.2A CN117438016B (zh) | 2023-12-21 | 2023-12-21 | 弹性薄膜的力致变色自修复预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117438016A CN117438016A (zh) | 2024-01-23 |
CN117438016B true CN117438016B (zh) | 2024-04-05 |
Family
ID=89548339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766587.2A Active CN117438016B (zh) | 2023-12-21 | 2023-12-21 | 弹性薄膜的力致变色自修复预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117438016B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110642971A (zh) * | 2019-08-29 | 2020-01-03 | 武汉纺织大学 | 力致变色自修复弹性膜及其制备方法和应用 |
CN111421928A (zh) * | 2020-03-31 | 2020-07-17 | 香港中文大学(深圳) | 力致变色材料及其制备方法和应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11111330B2 (en) * | 2015-06-24 | 2021-09-07 | The Regents Of The University Of California | Synthesis of multiphase self-healing polymers from commodity monomers |
-
2023
- 2023-12-21 CN CN202311766587.2A patent/CN117438016B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110642971A (zh) * | 2019-08-29 | 2020-01-03 | 武汉纺织大学 | 力致变色自修复弹性膜及其制备方法和应用 |
CN111421928A (zh) * | 2020-03-31 | 2020-07-17 | 香港中文大学(深圳) | 力致变色材料及其制备方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
CN117438016A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
CN109747654B (zh) | 一种面向工况的混合动力汽车控制参数标定方法 | |
CN113343633A (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
CN108593260A (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN109242041A (zh) | 一种电能表异常数据检测方法、装置、设备及存储介质 | |
CN108334900B (zh) | 动力电池的分类模型的生成方法及系统、分类方法及系统 | |
CN114047452A (zh) | 一种确定电池循环寿命的方法及装置 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN104933307A (zh) | 基于粒子群优化算法的太阳电池隐式方程参数辨识方法 | |
Chen et al. | Development of a capacitor charging based quick IV curve tracer with automatic parameter extraction for photovoltaic arrays | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
CN104699595A (zh) | 一种面向软件升级的软件测试方法 | |
CN117438016B (zh) | 弹性薄膜的力致变色自修复预测方法及系统 | |
CN106563645A (zh) | 一种基于张量分解的压电薄膜传感器智能分拣方法 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
Robinson | Automated analysis of simulation output data | |
US11209339B2 (en) | Method and system for detecting performance of roll-to-roll device for processing flexible material and component thereof | |
CN113822564A (zh) | 一种空域仿真分析的飞行计划最小样本量确认方法及装置 | |
Shen et al. | Bad data identification in power system based on Optimized GSA algorithm | |
CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 | |
CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 |
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 |