一种基于生成式算法的高比模量玻纤组分设计方法及系统与流程

摘要: 本发明属于玻璃纤维和人工智能,特别是一种基于生成式算法的高比模量玻纤组分设计方法及系统。背景技术:1、玻璃纤维是一种重要的无机非金属增强材料,广泛应用于风电叶片...
一种基于生成式算法的高比模量玻纤组分设计方法及系统与流程

本发明属于玻璃纤维和人工智能,特别是一种基于生成式算法的高比模量玻纤组分设计方法及系统。

背景技术:

1、玻璃纤维是一种重要的无机非金属增强材料,广泛应用于风电叶片、交通运输、建筑及复合材料等领域。随着轻量化和高性能复合材料的发展,对玻璃纤维的力学性能和加工性能提出了更高要求。其中,比模量能够综合反映玻璃纤维材料的刚度与密度水平,是评价高性能玻璃纤维的重要指标之一。因此,在保证玻璃熔制及拉丝工艺性能的同时,通过优化玻璃氧化物组成获得具有较高比模量的玻璃纤维配方具有重要意义。

2、目前,玻璃纤维配方设计主要依赖实验试错、经验规则以及基于已有实验数据构建的性能预测模型。传统实验试错法通常由研发人员依据经验调整不同氧化物组分,通过熔制、成型及性能测试逐步迭代优化配方,存在研发周期长、实验成本高以及配方搜索效率偏低等缺陷。随着机器学习技术的发展,研究人员可依托玻璃组分与性能的实验数据建立性能预测模型,进一步结合优化算法搜索满足目标性能的玻璃配方,从而减少不必要的实验试错环节。

3、然而,现有基于机器学习的玻璃配方优化方法仍存在一定局限性。一方面,传统性能预测模型主要解决由玻璃组分预测性能的正向问题,而玻璃配方设计属于由目标性能反向寻找组分的逆向问题;玻璃组分与多项性能之间通常存在复杂的非线性映射关系,同一组目标性能可能对应多个不同的玻璃组成,采用简单的反向映射或直接优化方法,难以有效获得具备实际应用价值的候选配方。另一方面,现有生成模型虽可根据已有玻璃样本的数据分布生成新的玻璃组分,但生成结果主要受训练数据分布约束,难以保证生成配方同时满足比模量、熔融温度和工艺窗口等多项工程性能要求,容易产生大量需要进一步筛除的无效配方。

4、此外,在高维玻璃组分空间中采用随机采样、遗传算法等方法进行配方搜索时,需要反复生成候选配方并调用性能预测模型进行评价,搜索过程计算量较大,且性能预测结果通常仅用于候选配方筛选,难以直接形成对配方搜索方向的连续指导。同时,性能预测模型自身存在预测误差,当候选配方处于训练数据覆盖不足的区域时,单一模型给出的预测结果可能存在较大的不确定性,仅依据预测性能进行筛选难以保证候选配方的可靠性。另一方面,当候选配方数量较多时,单纯按照预测性能排序还容易筛选出组分高度相似的配方,降低后续实验验证方案的多样性。

5、因此,有必要提出一种可将多物性工程约束融入玻璃配方生成过程,能够利用性能反馈对生成结果进行定向优化,同时结合预测不确定性和配方多样性开展综合筛选的高比模量玻璃纤维组分设计方法,以提升玻璃配方逆向设计的搜索效率、预测可靠性和候选配方的有效性。

技术实现思路

1、本发明的目的在于提出一种利用半导体温差发电实现功率器件自举驱动的控制系统及方法,解决现有高压供电系统中辅助电源依赖外部供电、废热利用率低、控制回路易受电磁干扰等问题,实现系统自供电、废热回收利用与高可靠隔离控制。

2、实现本发明目的的技术解决方案为:一方面,提供了一种基于生成式算法的高比模量玻纤组分设计方法,所述方法包括:

3、步骤1,获取玻璃样本的组分数据及多物性性能数据,构建玻璃组分—性能数据集,并确定待逆向设计的高比模量玻璃纤维的目标性能条件及对应的工程约束边界;

4、步骤2,构建条件变分自编码器模型及多物性性能预测模型;利用所述数据集对所述条件变分自编码器模型进行训练,并在训练过程中引入基于工程约束边界构建的多物性约束损失,获得训练完成的解码器;

5、步骤3,基于所述目标性能条件对潜变量先验分布进行采样获得初始潜变量,将所述初始潜变量与所述目标性能条件共同输入训练完成的解码器,生成初始候选玻璃组分;

6、步骤4,将所述初始候选玻璃组分输入所述多物性性能预测模型进行性能预测与约束评价;对于未满足预设性能约束的候选配方即候选玻璃组分,将候选配方映射至条件变分自编码器的潜变量空间,计算所述多物性约束损失关于潜变量的约束梯度,并在包含潜变量偏移约束的修正目标函数驱动下,对潜变量进行定向迭代修正,直至满足停止条件,解码获得优化后的候选玻璃组分;

7、步骤5,对满足性能约束的候选玻璃组分进行预测不确定性评价与潜空间配方多样性评价,并基于预测性能、不确定性及多样性构建综合评价指标进行排序与筛选,输出目标高比模量玻璃纤维配方。

8、进一步地,步骤1中,所述组分数据包含多种氧化物组分的含量,且经归一化处理后各氧化物组分的含量之和为100%;所述多物性性能数据包括杨氏模量、密度、熔融温度、成型温度、液相线温度、比模量和加工窗口;所述目标性能条件至少包括比模量、熔融温度和工艺窗口,且对应设置工程约束边界为:

9、

10、式中,为比模量,为比模量的预设目标值,为熔融温度,为熔融温度的预设目标值,为工艺窗口,为工艺窗口的预设目标值。

11、进一步地,步骤2中,所述条件变分自编码器模型包括编码器与解码器;训练时,将玻璃样本的组分向量和实际性能向量共同输入所述编码器,提取组分与实际性能的潜在关联特征并输出潜变量分布参数,通过重参数化采样得到潜变量;将目标性能条件与潜变量共同输入所述解码器,重构成对应的玻璃组分。

12、进一步地,步骤2中,训练所述条件变分自编码器模型的总损失函数包括多物性约束损失、潜变量分布与先验分布的kl散度以及玻璃组分重构损失:

13、

14、式中,为kl散度权重,为组分重构损失权重;

15、通过最小化,使编码器学习玻璃组分与实际性能之间的潜在关联,同时使解码器生成的玻璃组分向满足高比模量玻璃纤维性能要求的区域进行调整。

16、进一步地,所述多物性约束损失由比模量约束偏离度、熔融温度约束偏离度以及工艺窗口约束偏离度加权平方求和构建:

17、

18、其中,

19、

20、

21、

22、式中,,,分别为比模量、熔融温度和工艺窗口的预设目标值;,,分别为解码生成的玻璃组分所对应的比模量、熔融温度和工艺窗口预测值;表示当括号内数值大于0时取其值、小于等于0时取0;、、为对应的权重系数;

23、所述玻璃组分重构损失为:

24、

25、式中,表示向量范数;

26、所述kl散度为:

27、

28、其中,

29、

30、式中,表示kullback-leibler散度,表示潜变量近似后验概率分布,和分别表示潜变量分布的均值和标准差;表示标准正态分布,为单位矩阵,表示正态分布,表示转换为对角矩阵。

31、进一步地,步骤4中,对于未满足预设性能约束的第i个候选配方,在第t次迭代时,潜变量定向迭代修正的具体过程包括:

32、步骤4-1,将候选配方的当前迭代的潜变量与目标性能条件向量输入训练完成的解码器,得到当前迭代对应的玻璃组分:

33、

34、式中,表示解码器;

35、步骤4-2,将输入所述多物性性能预测模型获得预测性能:

36、

37、式中,表示多物性性能预测模型;

38、并计算当前候选配方的多物性约束损失;

39、步骤4-3,计算当前候选配方的多物性约束损失关于潜变量的约束梯度:

40、

41、式中,表示第i个候选配方在第t次迭代时的约束梯度,表示对潜变量求梯度;

42、步骤4-4,结合潜变量偏移约束构建修正目标函数:

43、

44、并沿梯度下降方向更新获得下一次迭代即第t+1次迭代的潜变量:

45、

46、其中,

47、

48、式中,表示潜变量偏移损失,表示潜变量偏移约束权重,表示候选配方的初始潜变量,表示潜变量更新步长。

49、进一步地,步骤4中所述停止条件为:当前候选配方的多物性约束损失小于预设停止阈值,或迭代次数达到预设最大迭代次数。

50、进一步地,步骤5中,所述预测不确定性评价具体包括:

51、采用多个性能预测模型构建预测模型集合;

52、针对满足性能约束的候选配方,利用所述预测模型集合计算各项性能的预测均值与方差,并根据各性能指标的预测方差构建该候选配方的不确定性指标:

53、

54、式中,为第i个候选配方在第k项性能上的预测标准差,为对应性能的权重系数。

55、进一步地,步骤5中,所述潜空间配方多样性评价包括:

56、计算满足性能约束且具有较低预测不确定性的候选配方在潜变量空间中的欧氏距离:

57、

58、其中,较低预测不确定性是指低于预设预测不确定性阈值的预测不确定性;、分别表示第i个候选配方的潜变量、第j个候选配方的潜变量,表示第i个候选配方与第j个候选配方在潜变量空间中的欧氏距离;

59、基于当前候选配方与其余各候选配方的平均潜空间距离,计算第i个候选配方的多样性指标:

60、

61、式中,为参与多样性评价的候选配方数量。

62、进一步地,步骤5中,构建的综合评价指标表达式为:

63、

64、式中,为第i个候选配方的预测比模量,为第i个候选配方的预测熔融温度,为第i个候选配方的预测工艺窗口,为第i个候选配方的预测不确定性指标,为第i个候选配方的多样性指标,、、、和为各项指标的评价权重;

65、按照综合评价指标对候选配方进行降序排列,并结合多样性约束筛选输出目标高比模量玻璃纤维配方。

66、另一方面,提供了一种基于生成式算法的高比模量玻纤组分设计系统,用于实现如所述基于生成式算法的高比模量玻纤组分设计方法,所述系统包括:

67、第一模块,用于获取玻璃样本的组分数据及多物性性能数据,构建玻璃组分—性能数据集,并确定待逆向设计的高比模量玻璃纤维的目标性能条件及对应的工程约束边界;

68、第二模块,用于构建条件变分自编码器模型及多物性性能预测模型;利用所述数据集对所述条件变分自编码器模型进行训练,并在训练过程中引入基于工程约束边界构建的多物性约束损失,获得训练完成的解码器;

69、第三模块,用于基于所述目标性能条件对潜变量先验分布进行采样获得初始潜变量,将所述初始潜变量与所述目标性能条件共同输入训练完成的解码器,生成初始候选玻璃组分;

70、第四模块,用于将所述初始候选玻璃组分输入所述多物性性能预测模型进行性能预测与约束评价;对于未满足预设性能约束的候选配方即候选玻璃组分,将候选配方映射至条件变分自编码器的潜变量空间,计算所述多物性约束损失关于潜变量的约束梯度,并在包含潜变量偏移约束的修正目标函数驱动下,对潜变量进行定向迭代修正,直至满足停止条件,解码获得优化后的候选玻璃组分;

71、第五模块,用于对满足性能约束的候选玻璃组分进行预测不确定性评价与潜空间配方多样性评价,并基于预测性能、不确定性及多样性构建综合评价指标进行排序与筛选,输出目标高比模量玻璃纤维配方。

72、另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于生成式算法的高比模量玻纤组分设计方法。

73、本发明与现有技术相比,其显著优点为:

74、(1)针对传统生成模型主要依据训练数据分布生成玻璃配方,难以同时满足比模量、熔融温度和工艺窗口等多项工程性能约束的问题,本发明提出将多物性约束损失引入cvae训练过程,使模型在学习玻璃组分分布的同时受到目标性能条件的约束,引导生成配方向满足工程性能要求的区域分布,从而提高生成配方的有效性。

75、(2)针对传统随机采样、遗传算法等方法在高维玻璃组分空间中搜索效率较低的问题,本发明提出基于多物性约束梯度的潜变量定向修正方法,通过计算综合约束损失关于潜变量的梯度,确定候选配方的优化方向,并沿降低综合约束损失的方向迭代更新潜变量,实现候选配方在潜在空间中的定向优化;同时引入潜变量偏移约束,避免优化过程过度偏离有效潜在空间。

76、(3)针对单一性能预测模型难以表征候选配方预测结果可靠性的问题,本发明提出基于多预测模型集成的预测不确定性评价方法,通过多个性能预测模型的预测结果计算候选配方的预测均值和方差,在性能满足约束的基础上优先保留预测不确定性较低的候选配方,从而提高逆向设计结果的可靠性。

77、(4)针对传统方法按照单一性能指标筛选候选配方容易产生组成高度相似的重复配方的问题,本发明提出融合性能、不确定性和配方多样性的联合筛选方法,通过计算候选配方在潜变量空间中的距离,并构建综合评价指标,在保证性能满足要求和预测可靠性的同时提高候选配方的组成多样性,从而获得具有代表性的高比模量玻璃纤维候选配方。

78、下面结合附图对本发明作进一步详细描述。