一种基于深度学习的保温材料热工性能参数预测方法与流程

摘要: 本发明涉及图像检测,尤其涉及一种基于深度学习的保温材料热工性能参数预测方法。背景技术:1、随着建筑节能、冷链保温、工业窑炉隔热以及新能源装备热防护需求的不断增长...
一种基于深度学习的保温材料热工性能参数预测方法与流程

本发明涉及图像检测,尤其涉及一种基于深度学习的保温材料热工性能参数预测方法。

背景技术:

1、随着建筑节能、冷链保温、工业窑炉隔热以及新能源装备热防护需求的不断增长,针对保温材料导热系数、热阻、热扩散系数和比热容等热工性能参数的快速、准确预测技术受到广泛关注。现有保温材料热工性能检测通常依赖稳态热板法、热流计法、瞬态热线法等实验测试手段,或者结合材料密度、孔隙率、含水率等宏观参数建立经验回归模型进行估算,但是在实际应用中普遍存在以下问题:

2、传统实验测试对试样尺寸、表面平整度、环境温湿度和边界换热条件要求较高,检测周期较长,难以满足多批次、多工况材料的快速筛选需求;仅基于宏观材料参数建立的经验模型难以反映孔隙、纤维、颗粒、裂纹以及界面热阻等微结构差异对传热路径的影响,导致非均质保温材料的预测结果偏差较大;现有图像分析方法多停留在二维孔隙率、纹理面积占比或缺陷统计层面,难以准确表征厚度方向上的三维连通结构和局部相位分布;有限元仿真虽然能够描述复杂传热过程,但模型构建依赖人工赋值和网格建模,计算量大,且不同热传导边界条件下重复求解效率较低;现有深度学习预测方法多以样本标签拟合为主,缺少热传导物理约束和预测可信度校正机制,导致模型在复杂微结构和边界条件变化场景下泛化能力不足。

3、因此,如何提供一种基于深度学习的保温材料热工性能参数预测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的保温材料热工性能参数预测方法,本发明充分利用了微结构光学成像、改进型mvsnet网络、非均质导热有限元建模以及傅里叶神经算子技术,详细描述了从获取保温材料微结构光学图像、光学预处理、三维体素化微结构重建、体素热物性赋值、有限元热传导求解、深度学习热场预测到热工性能参数可信度校正的实现过程,能够实现对导热系数、热阻、热扩散系数和比热容等热工性能参数的智能化预测,具备微结构表征精细、边界条件适应性强、预测效率高、物理一致性好以及预测结果可靠性高的优点。

2、根据本发明实施例的一种基于深度学习的保温材料热工性能参数预测方法,包括如下步骤:

3、步骤一:获取目标保温材料试样的微结构光学图像集、材料基础参数以及各成像视角对应的成像标定数据;

4、步骤二:基于成像标定数据,对微结构光学图像集进行光学预处理,获得各连续剖面层的多视角偏振融合图像组;

5、步骤三:将各连续剖面层对应的多视角偏振融合图像组及对应的成像标定数据输入改进型mvsnet网络,执行多视图深度估计、微结构深度概率估计与三维体素重建,生成目标保温材料试样的三维体素化微结构模型;

6、步骤四:基于三维体素化微结构模型和材料基础参数,通过体素映射赋值构造非均质导热有限元模型和单元热物性参数矩阵;

7、步骤五:利用多个训练保温材料试样对应的非均质导热有限元模型和单元热物性参数矩阵,在多个热传导边界条件下进行有限元求解,并通过训练傅里叶神经算子获得保温材料热场预测模型;

8、步骤六:将目标保温材料试样的单元热物性参数矩阵和热传导边界条件输入保温材料热场预测模型,生成目标保温材料试样的热场预测数据,并基于热场预测数据计算热工性能参数计算值;

9、步骤七:基于热场预测数据确定热场预测可信度,并根据热场预测可信度对热工性能参数计算值进行可信度校正,生成目标保温材料试样的热工性能参数预测结果。

10、可选的,所述步骤一具体包括:

11、沿目标保温材料试样的厚度方向制备多个连续剖面层,对各连续剖面层分别在多个成像视角、多个偏振方向和多个焦面位置下进行光学成像,获得微结构光学图像集;

12、获取各成像视角的成像标定数据,所述成像标定数据包括相机内参、相机外参和成像倍率;

13、获取目标保温材料试样的材料基础参数,所述材料基础参数包括材料类别、试样厚度、体积密度、含水率、材料组分类型和组分热物性基准参数。

14、可选的,所述光学预处理包括镜头畸变校正、空间尺度统一、焦面融合、偏振信息融合和多视角几何配准,具体包括:

15、基于各成像视角对应的相机内参、相机外参和成像倍率,对微结构光学图像集中的各微结构光学图像进行镜头畸变校正和空间尺度统一;

16、针对同一连续剖面层、同一成像视角和同一偏振方向下不同焦面位置对应的微结构光学图像,计算各像素位置的局部清晰度,并按照局部清晰度对不同焦面位置的微结构光学图像进行像素级加权融合,生成对应偏振方向下的全聚焦图像;

17、针对同一连续剖面层和同一成像视角下不同偏振方向的全聚焦图像,提取各全聚焦图像的偏振响应分量,对各偏振响应分量进行归一化处理和像素级融合,生成对应成像视角的偏振融合图像;

18、基于各成像视角的相机外参,对同一连续剖面层的各偏振融合图像进行多视角几何配准,获得各成像视角的配准偏振融合图像,并按照成像视角对各配准偏振融合图像进行组合,获得各连续剖面层的多视角偏振融合图像组。

19、可选的,所述多视图深度估计具体包括:

20、从当前连续剖面层对应的多视角偏振融合图像组中确定参考视角偏振融合图像和多个源视角偏振融合图像;

21、通过共享权重的二维卷积特征提取网络分别提取参考视角偏振融合图像和各源视角偏振融合图像的浅层边缘特征、中层纹理特征和深层结构特征;

22、对各成像视角的浅层边缘特征、中层纹理特征和深层结构特征进行空间尺度对齐和通道融合,获得参考视角微结构特征图和各源视角微结构特征图;

23、计算参考视角的浅层边缘特征的水平方向梯度和垂直方向梯度,根据水平方向梯度和垂直方向梯度生成候选微结构边缘响应图,将候选微结构边缘响应图与参考视角微结构特征图进行通道拼接,并对通道拼接结果进行边界特征卷积映射和归一化处理,生成参考视角边界响应图;

24、根据当前连续剖面层的成像距离和预设重建深度范围,确定最小深度值和最大深度值,并在最小深度值和最大深度值之间设置多个深度假设平面;

25、针对每个深度假设平面,基于参考视角和各源视角对应的相机内参及相机外参,确定各源视角至参考视角的单应性变换关系;

26、按照单应性变换关系,将参考视角中各像素在各深度假设平面上的空间位置映射至各源视角微结构特征图,获得源视角投影采样坐标;

27、将各源视角微结构特征图在源视角投影采样坐标处进行双线性插值采样,获得各源视角对齐特征图;

28、按照参考视角像素位置和深度假设平面对各源视角对齐特征图进行排列,生成各源视角的深度假设特征体;

29、将参考视角微结构特征图沿深度维度复制,获得参考深度特征体;

30、分别计算各源视角对应的深度假设特征体与参考深度特征体之间的特征匹配差异,并分别确定各源视角对应的投影有效像素比例和局部遮挡比例;

31、基于投影有效像素比例、特征匹配差异和局部遮挡比例,确定各源视角的视角可靠度权重;

32、以参考深度特征体作为特征聚合基准,按照各源视角的视角可靠度权重,对参考深度特征体和各源视角的深度假设特征体进行加权方差聚合,生成微结构匹配代价体。

33、可选的,所述微结构深度概率估计具体包括:

34、通过多尺度三维卷积编码器对微结构匹配代价体进行下采样编码,获得不同尺度的代价编码特征;

35、通过多尺度三维卷积解码器对不同尺度的代价编码特征进行上采样恢复和跨层融合,生成正则化代价体;

36、将正则化代价体沿深度维度进行归一化处理,生成初始深度概率体;

37、基于参考视角边界响应图确定微结构边界像素;

38、对微结构边界像素对应的初始深度概率分布进行修正,增大微结构边界像素对应深度概率分布中主峰邻域的区分度,并抑制远离主峰的深度概率,获得修正深度概率体;

39、对修正深度概率体进行概率加权回归,生成参考视角对应的微结构深度图;

40、根据修正深度概率体中各像素的深度概率集中程度生成深度置信度图。

41、可选的,所述三维体素重建具体包括:

42、根据深度置信度图,对各参考视角对应的微结构深度图进行置信度筛选,将通过置信度筛选的深度像素重投影至同一连续剖面层的其余成像视角,获得重投影深度像素;

43、分别计算各重投影深度像素对应的重投影像素偏差和重投影深度偏差,筛选重投影像素偏差不大于像素偏差阈值且重投影深度偏差不大于深度偏差阈值的深度像素;

44、将筛选后的深度像素转换为三维点,并对不同参考视角的三维点进行点云融合,生成各连续剖面层的融合点云;

45、基于各三维点的成像标定数据,将各连续剖面层的融合点云由图像坐标系转换至实际空间坐标系,获得各连续剖面层的实际尺度融合点云;

46、按照各连续剖面层在目标保温材料试样厚度方向上的空间位置,对各实际尺度融合点云进行层间配准,并按照预设体素尺寸对层间配准后的实际尺度融合点云进行体素化处理,生成三维体素网格;

47、将各三维点的深度置信度映射至三维体素网格,并根据各体素包含的三维点的深度置信度确定各体素的体素重建置信度;

48、基于各体素对应的体素偏振响应特征、体素几何特征和体素邻接特征,对各体素进行材料相位划分,确定各体素的材料相位类别,并根据各体素的实际空间坐标、材料相位类别和体素重建置信度,生成目标保温材料试样的三维体素化微结构模型。

49、可选的,所述步骤四具体包括:

50、基于三维体素化微结构模型中各体素的实际空间坐标、材料相位类别和体素邻接关系,将各体素映射为对应的有限元单元,并将有限元单元划分为固相单元、孔隙单元、纤维单元和裂纹单元;

51、根据有限元单元的实际空间坐标和体素邻接关系,建立有限元单元之间的空间连接关系,并在材料相位类别不同且具有公共面的相邻有限元单元之间设置界面热阻单元;

52、根据目标保温材料试样的材料组分类型和组分热物性基准参数,确定各有限元单元的单元导热系数、单元体积密度和单元比热容,并确定各界面热阻单元的界面热阻值;

53、根据目标保温材料试样的含水率,对孔隙单元的单元导热系数、单元体积密度和单元比热容以及界面热阻单元的界面热阻值进行含水修正;

54、基于有限元单元、空间连接关系、各有限元单元的热物性参数和各界面热阻单元的界面热阻值,构建目标保温材料试样的非均质导热有限元模型;

55、按照各有限元单元的单元编号、单元中心实际空间坐标、单元类型、单元导热系数、单元体积密度和单元比热容生成单元热物性参数矩阵。

56、可选的,所述步骤五具体包括:

57、获取多个训练保温材料试样对应的非均质导热有限元模型和单元热物性参数矩阵;

58、针对各训练保温材料试样分别构建多个热传导边界条件;所述热传导边界条件包括恒温边界条件、恒热流边界条件、侧面绝热边界条件、初始温度条件和瞬态温度边界条件;

59、将热传导边界条件施加至对应的非均质导热有限元模型,并分别通过稳态热传导有限元求解和瞬态热传导有限元求解,获得稳态温度场、稳态热流密度场和瞬态温度场;

60、根据各有限元单元的单元中心实际空间坐标,将单元热物性参数矩阵和热传导边界条件映射为热物性边界输入张量,将对应的稳态温度场、稳态热流密度场和瞬态温度场映射为热场监督输出张量;

61、以热物性边界输入张量作为模型输入,以热场监督输出张量作为监督数据,并计算预测热场输出张量与热场监督输出张量之间的差异,生成监督预测误差;

62、根据傅里叶神经算子输出的预测温度场计算热传导控制方程残差和边界条件残差;

63、对监督预测误差、热传导控制方程残差和边界条件残差进行加权融合,生成联合训练损失,并基于联合训练损失迭代训练傅里叶神经算子,获得保温材料热场预测模型。

64、可选的,所述热场预测数据包括稳态温度分布矩阵、稳态热流密度分布矩阵和瞬态温度场时序矩阵;所述热工性能参数计算值包括导热系数计算值、热阻计算值、热扩散系数计算值和比热容计算值。

65、可选的,所述可信度校正具体包括:

66、当热场预测可信度不小于自适应可信度阈值时,将导热系数计算值、热阻计算值、热扩散系数计算值和比热容计算值分别作为导热系数预测值、热阻预测值、热扩散系数预测值和比热容预测值;

67、当热场预测可信度小于自适应可信度阈值时,根据热场预测可信度和自适应可信度阈值之间的差值生成参数校正系数,并利用参数校正系数分别对导热系数计算值、热阻计算值、热扩散系数计算值和比热容计算值进行修正,生成导热系数预测值、热阻预测值、热扩散系数预测值和比热容预测值。

68、本发明的有益效果是:

69、本发明通过改进型mvsnet网络对多视角偏振融合图像组执行多视图深度估计、微结构深度概率估计与三维体素重建,在深度估计过程中结合参考视角边界响应图、视角可靠度权重和加权方差聚合方式生成微结构匹配代价体,并通过深度概率修正、置信度筛选、重投影偏差校验和体素化处理生成三维体素化微结构模型,提高微结构在厚度方向上的三维重建精度,减少二维图像统计难以反映真实传热路径的问题。在非均质导热建模阶段,本发明基于三维体素化微结构模型中的实际空间坐标、材料相位类别和体素邻接关系,将体素映射为不同类型的有限元单元,并结合材料基础参数、含水率和界面热阻构建非均质导热有限元模型及单元热物性参数矩阵,提高导热建模结果与真实微结构之间的一致性。通过在多个热传导边界条件下对非均质导热有限元模型进行稳态和瞬态有限元求解,并利用单元热物性参数矩阵、热传导边界条件和热场监督输出张量训练傅里叶神经算子,本发明能够学习热物性参数、边界条件与热场分布之间的映射关系,减少多样本、多工况重复有限元求解的计算开销,提高热场预测效率。同时,本发明在训练过程中引入监督预测误差、热传导控制方程残差和边界条件残差,使预测热场兼顾数据拟合精度和热传导物理约束,提高热场预测模型的物理一致性和跨边界条件泛化能力。最后,本发明根据热场预测可信度进行可信度校正,提高热工性能参数预测结果的稳定性和可靠性。因此,本发明能够实现由微结构图像到热工性能参数的智能化预测,提升微结构表征精度、导热建模准确性、热场预测效率和参数预测可靠性。