CN118084357A - 一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法 - Google Patents
一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法 Download PDFInfo
- Publication number
- CN118084357A CN118084357A CN202410495789.6A CN202410495789A CN118084357A CN 118084357 A CN118084357 A CN 118084357A CN 202410495789 A CN202410495789 A CN 202410495789A CN 118084357 A CN118084357 A CN 118084357A
- Authority
- CN
- China
- Prior art keywords
- glass fiber
- coating
- graphene
- entanglement
- coated
- 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
- 239000003365 glass fiber Substances 0.000 title claims abstract description 248
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 229910021389 graphene Inorganic materials 0.000 title claims abstract description 148
- 239000002131 composite material Substances 0.000 title claims abstract description 38
- 238000002360 preparation method Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000000576 coating method Methods 0.000 claims abstract description 278
- 239000011248 coating agent Substances 0.000 claims abstract description 273
- 238000003756 stirring Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 50
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims abstract description 30
- 238000001035 drying Methods 0.000 claims abstract description 13
- 239000006087 Silane Coupling Agent Substances 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000009210 therapy by ultrasound Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 15
- CSCPPACGZOOCGX-UHFFFAOYSA-N acetone Substances CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007654 immersion Methods 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000008367 deionised water Substances 0.000 claims description 3
- 229910021641 deionized water Inorganic materials 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical group O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005470 impregnation Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000013019 agitation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Paints Or Removers (AREA)
- Treatments For Attaching Organic Compounds To Fibrous Goods (AREA)
Abstract
本申请涉及复合玻璃纤维制备技术领域,提出了一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,包括:将玻璃纤维浸入NaOH溶液中,并进行超声波处理,将处理后的玻璃纤维浸入硅烷偶联剂溶液中,过滤后取出进行第一次烘干;将第一次烘干后的玻璃纤维放入玻璃纤维涂覆溶液中浸渍并进行搅拌,于搅拌过程中对各时刻的石墨烯涂覆状态图像中玻璃纤维的缠结情况进行分析,对搅拌速度进行优化,得到涂覆均匀的石墨烯玻璃纤维后,过滤取出进行第二次烘干,得到石墨烯涂覆复合玻璃纤维。本申请旨在提高玻璃纤维涂覆的充分均匀度,确保石墨烯涂覆复合玻璃纤维的产品质量。
Description
技术领域
本申请涉及复合玻璃纤维制备技术领域,具体涉及一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法。
背景技术
石墨烯是一种由单层碳原子以蜂窝状排列形成的二维材料,具有高导电性、导热性等特点,玻璃纤维是一种性能优异的无机非金属材料,具有机械强度高、耐腐蚀性强、热稳定性高等特点。石墨烯涂覆复合玻璃纤维是一种结合石墨烯和玻璃纤维优异性能的新型复合材料,被用于柔性传感器、可穿戴电子设备、航空航天、电池填充材料等领域,具有广泛的应用前景和市场潜力。
在石墨烯涂覆复合玻璃纤维制备过程中,需要将经过处理的玻璃纤维浸入还原氧化石墨烯-丙酮溶液中进行石墨烯涂覆,通常需要设置固定的搅拌速度。但是石墨烯涂覆复合玻璃纤维对石墨烯涂覆精细度要求高,如果搅拌速度不适宜容易导致玻璃纤维之间的缠结,导致石墨烯涂覆不充分均匀,需要根据石墨烯涂覆状态和玻璃纤维分布情况,对搅拌速度参数进行控制优化,避免石墨烯涂覆不充分均匀,影响石墨烯涂覆复合玻璃纤维的产品质量。
发明内容
本申请提供一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,所采用的技术方案具体如下:
本申请一个实施例提供了一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,该方法包括以下步骤:
(1)将玻璃纤维浸入NaOH溶液中,并进行超声波处理,获取表面粗糙化的玻璃纤维;
(2)将表面粗糙化的玻璃纤维浸入硅烷偶联剂溶液中,过滤后取出进行第一次烘干;
(3)将第一次烘干后的玻璃纤维放入玻璃纤维涂覆溶液中浸渍,并进行搅拌,对搅拌速度进行优化,得到涂覆均匀的石墨烯玻璃纤维;
所述对搅拌速度进行优化的过程为:
(3.1)获取各时刻的石墨烯涂覆状态图像,采用边缘检测算法获取各时刻的石墨烯涂覆状态图像中的闭合区域,将各闭合区域作为各玻璃纤维涂覆区域;
(3.2)根据各玻璃纤维涂覆区域的轮廓特征以及灰度分布特征得到各玻璃纤维涂覆区域的缠结真实度;
(3.3)根据各时刻所有玻璃纤维涂覆区域的缠结真实度的分布特征得到各时刻的石墨烯涂覆状态图像的缠结搅拌反馈指数;
(3.4)基于所有时刻的石墨烯涂覆状态图像的缠结搅拌反馈指数对搅拌速度进行优化,得到涂覆均匀的石墨烯玻璃纤维;
(4)将涂覆均匀的石墨烯玻璃纤维过滤取出进行第二次烘干,得到石墨烯涂覆复合玻璃纤维。
优选的,所述(1)中将玻璃纤维浸入NaOH溶液中,其中玻璃纤维的线密度具体为110tex。
优选的,所述超声波处理的时长为60分钟,振荡频率为35KHz。
优选的,所述硅烷偶联剂溶液为质量百分浓度为1%的KH570硅烷偶联剂,溶质为去离子水。
优选的,所述浸入的时长为10分钟。
优选的,所述玻璃纤维涂覆溶液为1.2mg/ml的rGO-丙酮溶液。
优选的,所述浸渍的时长为5分钟。
优选的,所述得到各玻璃纤维涂覆区域的缠结真实度,具体为:
将各玻璃纤维涂覆区域作为骨架提取算法的输入,将输出的结果作为各玻璃纤维涂覆区域的涂覆骨架线;获取任一涂覆骨架线对应的像素点p,获取像素点p在所述任一涂覆骨架线上的法线,将所述法线上属于对应玻璃纤维涂覆区域的像素点记为涂覆路径像素点,将所述涂覆路径像素点的灰度值组成的序列记为像素点p的涂覆灰度序列;
对于各玻璃纤维涂覆区域,将玻璃纤维涂覆区域的轮廓记为涂覆边界曲线,采用盒子计数法获取涂覆边界曲线的各分形维数,将涂覆边界曲线所有分形维数组成的序列作为分形维数序列;
对于各分形维数序列,计算各元素与相邻后一元素的差值绝对值,将各元素对应的序号的相反数作为以自然常数为底数的指数函数的指数,将所述差值绝对值与所述指数函数的计算结果的比值记为第一比值;计算所有所述第一比值的累加和;将所述累加和与最后一个元素的乘积作为各玻璃纤维涂覆区域的涂覆边界粗糙系数;
各玻璃纤维涂覆区域的石墨烯涂覆充分系数的表达式为:
式中,是第i个玻璃纤维涂覆区域的石墨烯涂覆充分系数,/>是第i个玻璃纤维涂覆区域中涂覆骨架线像素点的总个数,/>是涂覆灰度序列/>中第c个灰度值,/>是纯净玻璃纤维的灰度值,/>是涂覆灰度序列/>的长度,/>分别是第i个玻璃纤维涂覆区域中涂覆骨架线像素点p、像素点p+1对应的涂覆灰度序列,/>是/>距离函数,/>是预设大于零的调整因子;
对于任一玻璃纤维涂覆区域,获取所述任一玻璃纤维涂覆区域的像素点个数;
计算所述石墨烯涂覆充分系数与所述调整因子的和值;将所述涂覆边界粗糙系数与所述和值的比值记为第二比值,计算所述任一玻璃纤维涂覆区域与其他玻璃纤维涂覆区域所述第二比值的差值;计算所述任一玻璃纤维涂覆区域所在石墨烯涂覆状态图像中所有所述差值的相加结果;
将所述相加结果与所述像素点个数的乘积作为所述任一玻璃纤维涂覆区域的缠结真实度。
优选的,所述根据所有玻璃纤维涂覆区域的缠结真实度的分布特征得到各石墨烯涂覆状态图像的缠结搅拌反馈指数,具体为:
根据缠结真实度对各石墨烯涂覆状态图像中所有玻璃纤维涂覆区域进行聚类,获得各聚类簇,记为缠结相似类,将各缠结相似类中所有玻璃纤维涂覆区域的涂覆边界粗糙系数作为自然断点算法的输入,获得各缠结相似类的各边界同质组;将所有属于各边界同质组的涂覆边界粗糙系数组成的序列作为各边界同质组的同质粗糙序列;
对于各缠结相似类,计算各边界同质组与相邻后一边界同质组的散度,获取缠结相似类中所有涂覆边界粗糙系数的四分位差,将所有所述/>散度的和值与所述四分位差的乘积作为各缠结相似类的边界形态迥异系数;
计算各缠结相似类中所有玻璃纤维涂覆区域的涂覆边界粗糙系数的均值,将所有缠结相似类的所述均值采用阈值分割算法获取缠结判断阈值;将所述均值与所述缠结判断阈值的比值记为第三比值;当所述均值小于所述缠结判断阈值时,将所述第三比值将作为各缠结相似类的涂覆缠结校正权重;否则,将所述边界形态迥异系数与所述第三比值的乘积作为各缠结相似类的涂覆缠结校正权重;
各时刻石墨烯涂覆状态图像的缠结搅拌反馈指数的表达式为:
是石墨烯涂覆状态图像/>的缠结搅拌反馈指数,/>为第k个缠结相似类中的第z个、第s个玻璃纤维涂覆区域的中心像素点,/>为欧式距离函数,/>为第k个缠结相似类中玻璃纤维涂覆区域的总个数,/>为石墨烯涂覆状态图像/>中缠结相似类的总个数,/>是石墨烯涂覆状态图像/>中第k个缠结相似类的涂覆缠结校正权重,/>是第t时刻的石墨烯涂覆状态图像。
优选的,所述对搅拌速度进行优化的方法为:
将所有时刻的石墨烯涂覆状态图像的缠结搅拌反馈指数组成缠结搅拌反馈序列,将所有时刻的搅拌速度组成搅拌速度序列;
将所述缠结搅拌反馈序列与所述搅拌速度序列作为神经网络的输入,输出为最优反馈搅拌速度。
本申请的有益效果是:
本申请根据玻璃纤维涂覆区域像素点的颜色深度和涂覆充分均匀特征,结合涂覆边界曲线的粗糙特征,构建缠结真实度,反应玻璃纤维涂覆区域中发生玻璃纤维缠结的可能性,综合考虑玻璃纤维涂覆区域的边界细节特征,提高判断玻璃纤维涂覆区域是否发生玻璃纤维缠结的准确度;基于石墨烯涂覆状态图像中疑似缠结的玻璃纤维涂覆区域聚集特征,结合AP聚类算法和自然断点算法,构建缠结搅拌反馈指数,有效反应此时进行反馈调高搅拌速度的急迫程度;根据石墨烯涂覆状态和玻璃纤维分布情况,获取最优反馈搅拌速度,对搅拌速度进行自适应控制优化,避免涂覆过程中更多的玻璃纤维缠结,提高玻璃纤维涂覆的充分均匀度,确保石墨烯涂覆复合玻璃纤维的产品质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例所提供的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法的流程示意图;
图2为本申请一个实施例所提供的涂覆骨架线提取示意图;
图3为本申请一个实施例所提供的盒子计数法过程的示意图;
图4为本申请一个实施例所提供的对搅拌速度进行优化的过程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例1
请参阅图1,其示出了本实施例提供的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法流程图,该方法包括以下步骤:
(1)配置浓度为8mol/L的NaOH溶液,然后将线密度为110tex的玻璃纤维浸入溶液中,对玻璃纤维进行表面预处理,在NaOH溶液中采用超声波处理60分钟,其中超声波处理振荡频率为35KHz,获取表面粗糙化的玻璃纤维。
(2)将1%浓度的KH570硅烷偶联剂溶解在去离子水中,形成硅烷偶联剂溶液;将经过NaOH处理和超声波处理的玻璃纤维浸入硅烷偶联剂溶液中10分钟,将完成硅烷偶联剂溶液处理的玻璃纤维过滤取出并进行第一次烘干。
(3)按照浓度为1.2mg/ml的浓度配置rGO-丙酮溶液中,作为玻璃纤维涂覆溶液,将100ml的rGO-丙酮溶液倒入反应容器中,再将经过第一烘干的玻璃纤维放入溶液中浸渍5分钟,并在此期间进行搅拌,对搅拌速度进行调整,以防止玻璃纤维之间的缠结,确保涂覆的均匀性,得到涂覆均匀的石墨烯玻璃纤维。
(3.1)获取各时刻的石墨烯涂覆状态图像,采用边缘检测算法获取各时刻的石墨烯涂覆状态图像中的闭合区域,将各闭合区域作为各玻璃纤维涂覆区域。
采用高分辨率光学相机,将相机焦点对准反应容器中还原氧化石墨烯(rGO)-丙酮溶液的表面中心,获取石墨烯涂覆图像,当相机拍摄时同时从数据库中获取此时的搅拌速度。按照采样时刻将搅拌速度按照时序排列得到搅拌速度序列。
作为本申请一个实施例,相邻两次采样的时间间隔为1s,采样总时长为1分钟。需要说明的是,实施者可根据实际情况自行调整。
将石墨烯涂覆图像转换为灰度图像,由于石墨烯涂覆图像获取过程中会受到环境噪声的干扰,将石墨烯涂覆灰度图像作为双边滤波算法的输入,将输出结果记为石墨烯涂覆状态图像。其中,将第t个采样时刻获取的石墨烯涂覆状态图像记为。
需要说明的是,灰度转换和双边滤波算法均为图像处理领域的公知技术,具体过程不再赘述。作为其他实施例,实施者可选取其他图像处理方法对图像进行去噪,本申请对此不作限制。
至此,获得搅拌速度序列以及各采样时刻的石墨烯涂覆状态图像。
丙酮作为一种有机溶剂,对rGO具有良好的溶解能力,使得rGO能够在溶液中形成稳定的悬浮液,在石墨烯涂覆过程中,有助于rGO快速从溶液中涂覆到玻璃纤维上,在纤维表面形成涂层,搅拌速度不适宜容易导致玻璃纤维之间的缠结,因此需要对石墨烯涂覆状态和玻璃纤维分布情况进行实时监测,以此获取最优搅拌速度。如果搅拌速度过快,会导致玻璃纤维造成机械损伤,影响产品强度和耐久性,如果搅拌速度过慢,会导致rGO不能充分接触所有玻璃纤维、玻璃纤维之间的出现缠结,使得石墨烯涂覆不充分均匀,影响产品性能的一致性。
在石墨烯涂敷在玻璃纤维过程中,玻璃纤维成透明或白色的,石墨烯在单层或几层时是几乎透明的,经过石墨烯充分涂覆的玻璃纤维成黑色或深灰色,在将rGO涂覆到玻璃纤维表面的过程中,rGO逐渐从rGO-丙酮溶液中转移到玻璃纤维上形成涂层。然而,由于玻璃纤维之间会出现缠结,并且石墨烯的涂覆可能不够均匀,这导致涂层表面不够平整,并且在玻璃纤维之间形成了复杂的缠结状态。
本实施例以第t个采样时刻获取的石墨烯涂覆状态图像为例,将石墨烯涂覆状态图像/>作为Canny边缘检测算法的输入,获取石墨烯涂覆状态图像/>的各条边缘,并将边缘结果进行连通域分析,获取石墨烯涂覆状态图像/>的各条闭合轮廓。将每条闭合轮廓和闭合轮廓内部的所有像素点确定的闭合区域都记为玻璃纤维涂覆区域。
需要说明的是,Canny边缘检测算法和连通域分析为公知技术,具体过程不再赘述。闭合区域的获取方法还可以选用其他边缘检测算法,实施者可自行确定,本申请对此不做限制。
至此,得到石墨烯涂覆状态图像的玻璃纤维涂覆区域。
(3.2)根据玻璃纤维涂覆区域像素点的颜色深度和涂覆充分均匀特征,结合涂覆边界曲线的粗糙特征,构建石墨烯涂覆状态图像中所有玻璃纤维涂覆区域的缠结真实度。
将所有玻璃纤维涂覆区域作为输入,采用Zhang-Suen骨架提取算法,将输出结果作为玻璃纤维涂覆区域的涂覆骨架线。
其中,作为本申请一个实施例,涂覆骨架线提取示意图如图2所示。
需要说明的是,Zhang-Suen骨架提取算法为公知技术,具体过程不再赘述。
本实施例以第i个玻璃纤维涂覆区域为例,将玻璃纤维涂覆区域/>的涂覆骨架线中最左下角的端点对应的像素点作为开始点,编号记为1,沿着涂覆骨架线上的像素点依次进行排序编号,获取涂覆骨架线在像素点p的法线,并获取法线上属于玻璃纤维涂覆区域/>的所有像素点,记为涂覆路径像素点,按照与像素点p的距离升序来组成一个以像素点灰度值为元素的序列,记为涂覆灰度序列/>。
作为本申请一个实施例,若存在多个像素点与像素点p的距离相等,本实施例中将与像素点p距离相等的像素点按照灰度值从小到大排列。
需要说明的是,涂覆灰度序列的排序方式实施者可自行设置排列顺序,本申请对此不做限制。
进一步的,当玻璃纤维之间出现缠结时,会导致石墨烯涂层表面粗糙不平、曲线形态变化强烈,涂覆边界曲线具有较大的形态复杂度。将玻璃纤维涂覆区域的轮廓记为涂覆边界曲线,以石墨烯涂覆状态图像中左下角的像素点为原点,水平方向为横坐标、垂直方向为纵坐标,构建图像坐标系。设置正方形盒子,将第i个玻璃纤维涂覆区域的涂覆边界曲线/>作为目标曲线,采用盒子计数法得到被盒子覆盖涂覆边界曲线/>部分曲线的分形维数,其中分形维数用于描述分形结构的复杂性,反应涂覆边界曲线的形态结构,按照先后顺序,依次记为涂覆边界曲线/>的分形维数序列。
作为本申请一个实施例,正方形盒子的初始长度为5。
需要说明的是,盒子计数法和分形维数计算方法均为公知技术,具体过程不再赘述。
其中,作为本申请一个实施例,盒子计数法过程的示意图如图3所示。
基于上述分析,可得石墨烯涂覆状态图像中玻璃纤维涂覆区域的缠结真实度,如下:
式中,是石墨烯涂覆状态图像/>中玻璃纤维涂覆区域/>的缠结真实度,/>、/>分别是第i个、第j个玻璃纤维涂覆区域的涂覆边界粗糙系数,/>、/>分别是第i个、第j个玻璃纤维涂覆区域的石墨烯涂覆充分系数,/>是第i个玻璃纤维涂覆区域中像素点的总个数,/>是石墨烯涂覆状态图像/>中玻璃纤维涂覆区域的总个数,/>是第t时刻的石墨烯涂覆状态图像,/>是归一化函数,/>是第i个玻璃纤维涂覆区域中涂覆骨架线像素点的总个数,/>是涂覆灰度序列/>中第c个灰度值,/>是纯净玻璃纤维的灰度值,/>是涂覆灰度序列/>的长度,/>分别是第i个玻璃纤维涂覆区域中涂覆骨架线像素点p、像素点p+1对应的涂覆灰度序列,/>是/>距离函数,/>分别是涂覆边界曲线/>的分形维数序列中第x+1个、第x个数据元素值,/>是涂覆边界曲线/>的分形维数序列的长度,/>均是求和索引,/>是涂覆边界曲线/>的分形维数序列中第/>个数据元素值,/>是第i个玻璃纤维涂覆区域的涂覆边界曲线,/>是预设大于零的调整因子,作用是防止分母为0,本实施例取0.01。需要说明的是,纯净玻璃纤维具体为第一次烘干后的玻璃纤维,其灰度值的获取方式为第一次烘干后玻璃纤维图像的灰度均值。将/>记为第一比值,将/>、/>均记为第二比值。
当涂覆路径像素点与纯净玻璃纤维的灰度差异越小,即越大,说明涂覆路径像素点代表的玻璃纤维经过石墨烯的涂覆的程度越小,当涂覆路径像素点个数越少,即/>越小,说明玻璃纤维上的石墨烯层数可能越少,当各个涂覆灰度序列差异越大,即越大,说明玻璃纤维上的石墨烯涂覆越不均匀,具有越多的玻璃纤维没有充分的石墨烯涂覆,则/>越小;当分形维数序列中相邻分形维数相差越大,即/>越大,说明涂覆边界曲线的前后形态差异越大,盒子增长次数越多,即/>越小,作用是随着涂覆边界曲线逐渐完整,分形维数越能反应涂覆边界曲线形态,此时给予更大的权重,当完整涂覆边界曲线的分形维数越大,即/>越大,说明完整涂覆边界曲线的粗糙度越大,涂覆边界曲线的形态复杂度越高,即/>越大;当玻璃纤维涂覆区域的石墨烯涂覆充分程度相对越低、涂覆边界曲线的粗糙度相对越高,即/>越大,说明玻璃纤维涂覆区域的石墨烯涂覆状态越差、边界曲线形态越复杂,同时玻璃纤维涂覆区域内的像素点越多,即/>越大,说明玻璃纤维涂覆区域包含的玻璃纤维越多,越可能发生了玻璃纤维纠缠,则/>越大。
至此,可得石墨烯涂覆状态图像中所有玻璃纤维涂覆区域的缠结真实度,该值越大,说明玻璃纤维涂覆区域是玻璃纤维缠结的可能性越大。在实际石墨烯涂覆复合玻璃纤维制备中,rGO涂覆是动态的过程,反应容器较大,进行rGO涂覆的玻璃纤维数量多,少量的玻璃纤维缠结属于正常石墨烯涂覆状态,仅采用缠结真实度判断此时rGO涂覆的搅拌速度是否适宜存在一定误差,易导致盲目调控石墨烯涂覆复合玻璃纤维制备参数,对产品质量造成影响,需进一步分析。
(3.3)基于石墨烯涂覆状态图像中疑似缠结的玻璃纤维涂覆区域聚集特征,构建石墨烯涂覆状态图像的缠结搅拌反馈指数。
石墨烯涂覆复合玻璃纤维制备过程中,玻璃纤维离散程度越高,接触面积越大,rGO涂覆效果越好。将石墨烯涂覆状态图像中所有玻璃纤维涂覆区域的缠结真实度作为输入,采用AP(Affinity Propagation)聚类算法,输出/>个聚类簇,其中每个聚类簇中的玻璃纤维涂覆区域具有相似的涂覆缠结可能性,则将每个聚类簇都记为缠结相似类。本实施例以其中第k个缠结相似类为例,将第k个缠结相似类中所有玻璃纤维涂覆区域的涂覆边界粗糙系数作为输入,采用自然断点算法,将输出结果作为第k个缠结相似类的各个边界同质组,本实施例按照边界同质组的涂覆边界粗糙系数均值将边界同质组从小到大进行编号,实施者可根据实际情况对边界同质组进行编号;对于每个边界同质组,将组内所有涂覆边界粗糙系数从小到大的顺序组成的序列,作为每个边界同质组的同质粗糙序列。
需要说明的是,AP聚类算法、自然断点算法为公知技术,具体过程不再赘述。其中,聚类算法实施者可根据实际情况自行选取,本申请对此不做限制。
基于上述分析,可得石墨烯涂覆状态图像的缠结搅拌反馈指数/>:
式中,是石墨烯涂覆状态图像/>的缠结搅拌反馈指数,/>为第k个缠结相似类中的第z个、第s个玻璃纤维涂覆区域的中心像素点,/>为欧式距离函数,/>为第k个缠结相似类中玻璃纤维涂覆区域的总个数,/>为石墨烯涂覆状态图像/>中缠结相似类的总个数,/>是石墨烯涂覆状态图像/>中第k个缠结相似类的涂覆缠结校正权重,/>是石墨烯涂覆状态图像/>中第k个缠结相似类的缠结真实度均值,/>是石墨烯涂覆状态图像/>的缠结判断阈值,/>是石墨烯涂覆状态图像/>中第k个缠结相似类的边界形态迥异系数,/>、分别是第k个缠结相似类中第z个、第z+1个边界同质组的同质粗糙序列,/>是/>散度函数,/>是石墨烯涂覆状态图像/>中第k个缠结相似类的边界同质组个数,/>是石墨烯涂覆状态图像/>中第k个缠结相似类中所有涂覆边界粗糙系数的四分位差,/>是第t时刻的石墨烯涂覆状态图像。将/>记为第三比值。
需要说明的是,缠结判断阈值的获取方法为将石墨烯涂覆状态图像中所有缠结相似类的缠结真实度均值作为阈值分割算法的输入,获取的分割阈值即为缠结判断阈值。
作为本申请一个实施例,阈值分割算法选用大津阈值法,实施者可自行选取阈值分割算法,本申请对此不做限制。
当相邻边界同质组的同质粗糙序列相似度越小,即越大,说明缠结相似类中玻璃纤维涂覆区域之间的边界粗糙度相差越大,同时当缠结相似类中所有涂覆边界粗糙系数的四分位差越大,即/>越大,说明涂覆边界粗糙系数分布越离散,边界粗糙度范围越广,各个玻璃纤维涂覆区域的边界形态区别度越大、边界形态越迥异,即/>越大;当缠结相似类的缠结真实度均值越大,即/>越大,/>时,说明缠结相似类都是玻璃纤维缠结的可能性越大,此时对于判断玻璃纤维涂覆状态具有更大的影响,越应该更多的考虑玻璃纤维涂覆区域的边界特征,赋予更大的玻璃纤维涂覆缠结权重,即/>越大;当缠结相似类中玻璃纤维涂覆区域个数越多、涂覆缠结校正权重越大,即/>越大,说明缠结相似类极有可能都是玻璃纤维相互缠结的区域、缠结的程度越高,当玻璃纤维涂覆区域之间的纤维涂覆骨架中心距离越小,即/>越小,说明高度疑似缠结的玻璃纤维涂覆区域分布越聚集,石墨烯涂覆状态图像中玻璃纤维缠结密度越高,越应该反馈调高搅拌速度,提高玻璃纤维的流动性,尽量避免更多的玻璃纤维缠结,即/>越大。
(3.4)获取缠结搅拌反馈序列,作为参数反馈模型的输入,获取最优反馈搅拌速度,对还原氧化石墨烯涂覆过程中搅拌速度参数进行控制优化,制得石墨烯涂覆复合玻璃纤维。
获取所有采样时刻石墨烯涂覆状态图像的缠结搅拌反馈指数,该值越大,说明高度疑似缠结的玻璃纤维涂覆区域分布越聚集,且玻璃纤维缠结密度可能越高,此时为了避免更多的玻璃纤维缠结,越应该调高搅拌速度参数。将所有缠结搅拌反馈指数按照时序排列,组成缠结搅拌反馈序列,并将缠结搅拌反馈序列和搅拌速度序列都作为输入,采用BP(Back Propagation)神经网络模型作为参数反馈模型,其中参数反馈模型的损失函数为MSE(Mean Squared Error)算法、优化函数为SGD(Stochastic Gradient Descent)算法,输出为最优反馈搅拌速度。将最优反馈搅拌速度作为rGO涂覆过程中的搅拌速度。
需要说明的是,神经网络的训练为公知技术,具体过程不再赘述。
其中,作为本申请一个实施例,对搅拌速度进行优化的过程示意图如图4所示。
至此,根据石墨烯涂覆状态和玻璃纤维分布情况,获取最优反馈搅拌速度对rGO涂覆过程中搅拌速度参数进行控制优化,得到涂覆均匀的石墨烯玻璃纤维。
(4)将涂覆均匀的石墨烯玻璃纤维过滤取出并烘干,得到石墨烯涂覆复合玻璃纤维。
实施例2
(1)配置浓度为8mol/L的NaOH溶液,然后将玻璃纤维浸入溶液中,对玻璃纤维进行表面预处理,其中玻璃纤维的线密度具体为110tex,在NaOH溶液中采用超声波处理60分钟,其中超声波处理振荡频率为35KHz,获取表面粗糙化的玻璃纤维。
(2)按照浓度为1.2mg/ml的浓度配置rGO-丙酮溶液中,作为玻璃纤维涂覆溶液,将100ml的rGO-丙酮溶液倒入反应容器中,再将经过表面粗糙化的玻璃纤维放入溶液中浸渍5分钟,并在此期间进行搅拌,采用与实施例1步骤(3.1)至步骤(3.4)相同的方法对搅拌速度进行优化,得到涂覆均匀的石墨烯玻璃纤维。
(3)将涂覆均匀的石墨烯玻璃纤维过滤取出并烘干,得到石墨烯涂覆复合玻璃纤维。
将玻璃纤维、实施例1和实施例2制备的石墨烯涂覆复合玻璃纤维分别记为样本1、样本2、样本3,并测试所有样本的导热系数和抗拉强度,如表1所示。
表1性能测试结果
综上所述,本申请实施例根据玻璃纤维涂覆区域像素点的颜色深度和涂覆充分均匀特征,结合涂覆边界曲线的粗糙特征,构建缠结真实度,反应玻璃纤维涂覆区域中发生玻璃纤维缠结的可能性,综合考虑玻璃纤维涂覆区域的边界细节特征,提高判断玻璃纤维涂覆区域是否发生玻璃纤维缠结的准确度;基于石墨烯涂覆状态图像中疑似缠结的玻璃纤维涂覆区域聚集特征,结合AP聚类算法和自然断点算法,构建缠结搅拌反馈指数,有效反应此时进行反馈调高搅拌速度的急迫程度;根据石墨烯涂覆状态和玻璃纤维分布情况,获取最优反馈搅拌速度,对搅拌速度进行自适应控制优化,避免涂覆过程中更多的玻璃纤维缠结,提高玻璃纤维涂覆的充分均匀度,确保石墨烯涂覆复合玻璃纤维的产品质量。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,该方法包括以下步骤:
(1)将玻璃纤维浸入NaOH溶液中,并进行超声波处理,获取表面粗糙化的玻璃纤维;
(2)将表面粗糙化的玻璃纤维浸入硅烷偶联剂溶液中,过滤后取出进行第一次烘干;
(3)将第一次烘干后的玻璃纤维放入玻璃纤维涂覆溶液中浸渍,并进行搅拌,对搅拌速度进行优化,得到涂覆均匀的石墨烯玻璃纤维;
所述对搅拌速度进行优化的过程为:
(3.1)获取各时刻的石墨烯涂覆状态图像,采用边缘检测算法获取各时刻的石墨烯涂覆状态图像中的闭合区域,将各闭合区域作为各玻璃纤维涂覆区域;
(3.2)根据各玻璃纤维涂覆区域的轮廓特征以及灰度分布特征得到各玻璃纤维涂覆区域的缠结真实度;
(3.3)根据各时刻所有玻璃纤维涂覆区域的缠结真实度的分布特征得到各时刻的石墨烯涂覆状态图像的缠结搅拌反馈指数;
(3.4)基于所有时刻的石墨烯涂覆状态图像的缠结搅拌反馈指数对搅拌速度进行优化,得到涂覆均匀的石墨烯玻璃纤维;
(4)将涂覆均匀的石墨烯玻璃纤维过滤取出进行第二次烘干,得到石墨烯涂覆复合玻璃纤维。
2.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述(1)中将玻璃纤维浸入NaOH溶液中,其中玻璃纤维的线密度具体为110tex。
3.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述超声波处理的时长为60分钟,振荡频率为35KHz。
4.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述硅烷偶联剂溶液为质量百分浓度为1%的KH570硅烷偶联剂,溶质为去离子水。
5.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述浸入的时长为10分钟。
6.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述玻璃纤维涂覆溶液为1.2mg/ml的rGO-丙酮溶液。
7.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述浸渍的时长为5分钟。
8.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述得到各玻璃纤维涂覆区域的缠结真实度,具体为:
将各玻璃纤维涂覆区域作为骨架提取算法的输入,将输出的结果作为各玻璃纤维涂覆区域的涂覆骨架线;获取任一涂覆骨架线对应的像素点p,获取像素点p在所述任一涂覆骨架线上的法线,将所述法线上属于对应玻璃纤维涂覆区域的像素点记为涂覆路径像素点,将所述涂覆路径像素点的灰度值组成的序列记为像素点p的涂覆灰度序列;
对于各玻璃纤维涂覆区域,将玻璃纤维涂覆区域的轮廓记为涂覆边界曲线,采用盒子计数法获取涂覆边界曲线的各分形维数,将涂覆边界曲线所有分形维数组成的序列作为分形维数序列;
对于各分形维数序列,计算各元素与相邻后一元素的差值绝对值,将各元素对应的序号的相反数作为以自然常数为底数的指数函数的指数,将所述差值绝对值与所述指数函数的计算结果的比值记为第一比值;计算所有所述第一比值的累加和;将所述累加和与最后一个元素的乘积作为各玻璃纤维涂覆区域的涂覆边界粗糙系数;
各玻璃纤维涂覆区域的石墨烯涂覆充分系数的表达式为:
式中,是第i个玻璃纤维涂覆区域的石墨烯涂覆充分系数,/>是第i个玻璃纤维涂覆区域中涂覆骨架线像素点的总个数,/>是涂覆灰度序列/>中第c个灰度值,/>是纯净玻璃纤维的灰度值,/>是涂覆灰度序列/>的长度,/>分别是第i个玻璃纤维涂覆区域中涂覆骨架线像素点p、像素点p+1对应的涂覆灰度序列,/>是/>距离函数,/>是预设大于零的调整因子;
对于任一玻璃纤维涂覆区域,获取所述任一玻璃纤维涂覆区域的像素点个数;
计算所述石墨烯涂覆充分系数与所述调整因子的和值;将所述涂覆边界粗糙系数与所述和值的比值记为第二比值,计算所述任一玻璃纤维涂覆区域与其他玻璃纤维涂覆区域所述第二比值的差值;计算所述任一玻璃纤维涂覆区域所在石墨烯涂覆状态图像中所有所述差值的相加结果;
将所述相加结果与所述像素点个数的乘积作为所述任一玻璃纤维涂覆区域的缠结真实度。
9.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述根据所有玻璃纤维涂覆区域的缠结真实度的分布特征得到各石墨烯涂覆状态图像的缠结搅拌反馈指数,具体为:
根据缠结真实度对各石墨烯涂覆状态图像中所有玻璃纤维涂覆区域进行聚类,获得各聚类簇,记为缠结相似类,将各缠结相似类中所有玻璃纤维涂覆区域的涂覆边界粗糙系数作为自然断点算法的输入,获得各缠结相似类的各边界同质组;将所有属于各边界同质组的涂覆边界粗糙系数组成的序列作为各边界同质组的同质粗糙序列;
对于各缠结相似类,计算各边界同质组与相邻后一边界同质组的散度,获取缠结相似类中所有涂覆边界粗糙系数的四分位差,将所有所述/>散度的和值与所述四分位差的乘积作为各缠结相似类的边界形态迥异系数;
计算各缠结相似类中所有玻璃纤维涂覆区域的涂覆边界粗糙系数的均值,将所有缠结相似类的所述均值采用阈值分割算法获取缠结判断阈值;将所述均值与所述缠结判断阈值的比值记为第三比值;当所述均值小于所述缠结判断阈值时,将所述第三比值将作为各缠结相似类的涂覆缠结校正权重;否则,将所述边界形态迥异系数与所述第三比值的乘积作为各缠结相似类的涂覆缠结校正权重;
各时刻石墨烯涂覆状态图像的缠结搅拌反馈指数的表达式为:
是石墨烯涂覆状态图像/>的缠结搅拌反馈指数,/>为第k个缠结相似类中的第z个、第s个玻璃纤维涂覆区域的中心像素点,/>为欧式距离函数,/>为第k个缠结相似类中玻璃纤维涂覆区域的总个数,/>为石墨烯涂覆状态图像/>中缠结相似类的总个数,/>是石墨烯涂覆状态图像/>中第k个缠结相似类的涂覆缠结校正权重,/>是第t时刻的石墨烯涂覆状态图像。
10.根据权利要求1所述的一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法,其特征在于,所述对搅拌速度进行优化的方法为:
将所有时刻的石墨烯涂覆状态图像的缠结搅拌反馈指数组成缠结搅拌反馈序列,将所有时刻的搅拌速度组成搅拌速度序列;
将所述缠结搅拌反馈序列与所述搅拌速度序列作为神经网络的输入,输出为最优反馈搅拌速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410495789.6A CN118084357B (zh) | 2024-04-24 | 2024-04-24 | 一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410495789.6A CN118084357B (zh) | 2024-04-24 | 2024-04-24 | 一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118084357A true CN118084357A (zh) | 2024-05-28 |
CN118084357B CN118084357B (zh) | 2024-07-12 |
Family
ID=91157352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410495789.6A Active CN118084357B (zh) | 2024-04-24 | 2024-04-24 | 一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118084357B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104163578A (zh) * | 2014-07-22 | 2014-11-26 | 杭州杭复新材料科技有限公司 | 石墨烯涂覆的复合玻璃纤维的制备方法 |
CN106219989A (zh) * | 2016-07-29 | 2016-12-14 | 佛山市高明区诚睿基科技有限公司 | 一种石墨烯改性复合玻璃纤维的制备方法 |
EP3508623A1 (en) * | 2018-01-08 | 2019-07-10 | Jiangsu Hanvo Safety Product Co., Ltd. | Graphene composite ultra-high molecular weight polyethylene fiber and preparation method thereof |
CN115821574A (zh) * | 2020-11-23 | 2023-03-21 | 罗华先 | 一种耐高温耐腐蚀玻璃纤维电子布 |
CN116926961A (zh) * | 2022-04-21 | 2023-10-24 | 施乐公司 | 经聚合物涂覆的微粒组合物以及相关方法和应用 |
-
2024
- 2024-04-24 CN CN202410495789.6A patent/CN118084357B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104163578A (zh) * | 2014-07-22 | 2014-11-26 | 杭州杭复新材料科技有限公司 | 石墨烯涂覆的复合玻璃纤维的制备方法 |
CN106219989A (zh) * | 2016-07-29 | 2016-12-14 | 佛山市高明区诚睿基科技有限公司 | 一种石墨烯改性复合玻璃纤维的制备方法 |
EP3508623A1 (en) * | 2018-01-08 | 2019-07-10 | Jiangsu Hanvo Safety Product Co., Ltd. | Graphene composite ultra-high molecular weight polyethylene fiber and preparation method thereof |
CN115821574A (zh) * | 2020-11-23 | 2023-03-21 | 罗华先 | 一种耐高温耐腐蚀玻璃纤维电子布 |
CN116926961A (zh) * | 2022-04-21 | 2023-10-24 | 施乐公司 | 经聚合物涂覆的微粒组合物以及相关方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
CN118084357B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766013A (zh) | 一种基于卷积神经网络的鱼类识别方法和装置 | |
CN105300844B (zh) | 一种硅橡胶绝缘子憎水性等级判定方法 | |
CN109003234B (zh) | 针对运动模糊图像复原的模糊核计算方法 | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN111351801B (zh) | 一种电线电缆缺陷检测系统 | |
CN108346154A (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN113361623B (zh) | 一种轻量级cnn结合迁移学习的医学图像分类方法 | |
CN111598918B (zh) | 一种基于参考帧优选和前后景分离的视频稳像运动估计方法 | |
CN112116601A (zh) | 一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统 | |
CN114529538A (zh) | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 | |
CN113808036B (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
CN116503393B (zh) | 基于图像处理的线路板等离子纳米镀膜质量检测方法 | |
CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN113343771A (zh) | 一种基于自适应元学习的人脸防伪方法 | |
CN113327206A (zh) | 基于人工智能的输电线智能巡检系统的图像模糊处理方法 | |
CN118084357B (zh) | 一种基于参数优化的石墨烯涂覆复合玻璃纤维制备方法 | |
CN116681696B (zh) | 一种用于自动化生产设备的模具质量监测方法 | |
CN113628225B (zh) | 基于结构相似度和图像区域块的模糊c均值图像分割方法及系统 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
CN112488125B (zh) | 一种基于高速视觉诊断和bp神经网络的重建方法及系统 | |
CN111934647A (zh) | 一种emd-lms混合滤波方法及滤波器 | |
CN109783875A (zh) | 一种海洋重力数据的自我迭代更新优化算法 | |
CN117992894B (zh) | 基于物联网的农业大棚环境异常数据监测方法 | |
CN117314899B (zh) | 基于图像特征的碳纤维板质量检测方法 | |
CN117876379B (zh) | 基于图像特征的锚杆缺陷智能化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |