基于离散元法的物料参数标定方法与流程

1.本发明涉及物料加工技术领域，具体涉及一种基于离散元法的物料参数标定方法。


背景技术：

2.离散元法dem(discrete element method)作为粉体和散体物料数值模拟研究重要方法之一，目前已广泛应用于多个领域，该方法同样以其高效率、高精度等优点已逐渐应用于矿物加工颗粒运动行为仿真研究，为优化选矿工艺参数、提高工艺技术指标提供了有效手段。而作为数值模拟技术基础的颗粒物性参数是数值模拟研究的基本依据，对数值模拟研究具有至关重要的作用，准确合理的颗粒模型参数是保证数值模拟结果高精度的必要条件。
3.在当前颗粒运动行为数值模拟研究中，较为易测的颗粒参数一般采取常规测量手段获取，如颗粒密度和粒度可分别通过比重瓶和激光粒度分析仪进行测定，而颗粒与颗粒间的摩擦系数、颗粒与颗粒间的弹性恢复系数等接触系数很难通过常规物理试验方法获得，即便通过复杂方法测定，其测定结果的精度也存在很大偏差，进而直接影响数值模拟结果的准确性，不能为工艺参数的设置和优化提供科学有效的指导依据。
4.相关技术中公开一种利用响应曲面法对物料参数进行标定的方法，如图12所示，然而利用响应曲面法标定参数时因素编码数量有限,选取数据样本不具有广泛代表性。


技术实现要素：

5.本发明是基于发明人对以下事实和问题的发现和认识做出的：
6.相关技术中，提供了一种基于离散元法的矿物颗料模型参数标定方法，主要通过物理试验测定和初步拟定方法构建基于离散元法的矿物颗粒模型参数本构模型，利用本构模型结合休止角测定进行物理和数值模拟双向试验，在初步验证结果基础上，以矿物颗粒模型参数为自变量进行正交数值试验，以休止角测定值为评价指标进行回归分析，并以休止角物理试验测量为目标值，建立回归模型，确定矿物颗粒模型参数优化组合，再次通过数值试验验证所确立的优化组合，最终确定基于离散元法的矿物颗粒模型参数，然而本技术的发明人研究发现，该相关技术中缺乏广泛的试验验证，并且研究中未考虑标定的接触参数对堆积高度的影响，同时，同一休止角数值、堆积高度往往可以由不同的接触参数组合得到。因此该技术在物料参数标定中缺乏可靠性和准确性。
7.相关技术中，提出了一种基于lhs的bp神经网络参数标定方法，该相关技术包括建立有限元模型；参数敏感度分析；确定待标定参数及其范围；lhs抽样；建立训练集；训练bp神经网络；验证bp神经网络；土体力学参数标定。本发明利用了lhs抽样能够构造出数量少却极具代表性样本的特点和bp神经网络强大的非线性映射能力，给土体力学参数标定带来了新的模式。这种标定方法既避免了基于梯度优化算法易陷入局部最优的缺点也弥补了随机优化算法需要大量有限元计算的不足，可以较好地应用到土体力学参数标定中，并且可
以推广到其他需要进行参数标定的领域。然而，本技术的发明人研究发现，该相关技术的参数标定结果并没有进行物理验证，从而影响虚拟模拟结果的准确性。
8.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提出一种基于离散元法的物料神经网络模型参数标定方法，能够提高参数标定的效率，并通过多种方式对参数标定结果进行验证，提高参数标定的准确性。
9.根据本发明实施例的基于离散元法的物料参数标定方法包括如下步骤：根据物料的物性参数构建离散元本构模型；设定待标定参数及范围；根据所述待标定参数及范围进行lhs抽样；将所述lhs抽样的抽样结果作为输入数据导入所述离散元本构模型进行离散元模拟；根据所述lhs抽样结果和所述离散元模拟的输出数据建立训练集；根据所述训练集进行神经网络训练以得到所述待标定参数与离散元模拟的输出数据之间的近似模型；验证所述近似模型是否满足第一预设条件，若不满足，则扩大所述lhs抽样的样本量；对所述近似模型进行遗传算法寻优；根据所述遗传算法的输出结果进行物料参数的标定。
10.根据本发明实施例的基于离散元法的物料参数标定方法，能够提高参数标定的效率，并通过多种方式对参数标定结果进行验证，提高参数标定的准确性。
11.在一些实施例中，所述lhs抽样包括在每个所述待标定参数中抽取多个样本，每个所述待标定参数中抽取的多个样本划分为多个样本组。
12.在一些实施例中，所述离散元模拟的输出数据为宏观静态休止角s与堆积高度h。
13.在一些实施例中，根据图像识别算法检测所述宏观静态休止角，所述图像识别算法包括：截取所述宏观静态休止角图片，对所述宏观静态休止角图片进行灰度或二值化处理，提取所述宏观静态休止角边缘，拟合所述宏观静态休止角边缘并得到所述宏观静态休止角数值。
14.宏观静态休止角在一些实施例中，将所述lhs抽样结果作为神经网络训练的输入层，将所述离散元模拟的输出数据作为神经网络训练的输出层。
15.在一些实施例中，所述第一预设条件为r2≥0.9，且r2为残差平方和。
16.在一些实施例中，对所述近似模型进行遗传算法寻优包括：验证所述神经网络的输出结果是否满足第二预设条件，如不满足，则调整所述遗传算法的参数。
17.在一些实施例中，所述第二预设条件为st
‑1°
≤s≤st 1
°
和ht
‑
2≤h≤ht 2，且
△
＝|s
‑
st| |h
‑
ht|，其中，st为根据堆积物理试验测量的物料宏观静态休止角，ht根据堆积物理试验测量的物料堆积高度ht,
△
为偏差和的最小值。
18.在一些实施例中，在根据所述遗传算法的输出结果进行物料参数的标定之前，所述方法还包括：验证所述遗传算法的输出结果，所述验证所述遗传算法的输出结果包括：在所述遗传算法的输出结果中选取多组输出结果作为验证数据，多组所述输出结果划分为多组验证数据，且多组所述输出结果与多组所述验证数据一一对应，将多组所述验证数据导入所述离散元本构模型进行离散元以得到多组验证解，若多组所述验证解与多组所述输出结果之间的误差不满足第三预设条件，则扩大所述lhs抽样的样本量，所述第三预设条件为e1≤5％，其中e1为多组所述验证解与多组所述输出结果之间的误差。
19.在一些实施例中，所述验证所述遗传算法的输出结果还包括：根据所述遗传算法的输出结果进行卸料模拟试验，对待标定物料进行卸料物理试验，若卸料模拟试验的输出结果与卸料物理试验的输出结果的误差不满足第四预设条件，则扩大所述lhs抽样的样本
量，所述第四预设条件为所述卸料模拟试验中物料流动形态与所述卸料物理试验中物料流动形态是否吻合，和/或，所述卸料模拟试验中物料质量流量与所述卸料物理试验中物料质量流量之间的误差是否逐渐减小。
附图说明
20.图1是本发明实施例的基于离散元法的物料参数标定方法流程框图。
21.图2是本发明实施例的基于离散元法的物料参数标定方法流程图。
22.图3是本发明实施例的基于离散元法的物料参数标定方法中神经网络结构图。
23.图4是本发明实施例的漏斗落料模型示意图。
24.图5是本发明实施例的图像识别算法检测宏观静态休止角的流程图。
25.图6是本发明实施例的离散元模拟所得宏观静态休止角的示意图。
26.图7是本发明实施例的提取的宏观静态休止角边缘的示意图。
27.图8是本发明实施例的宏观静态休止角近似模型拟合度示意图。
28.图9是本发明实施例的堆积高度近似模型拟合度示意图。
29.图10是本发明实施例的卸料模拟试验中物料流动形态与卸料物理试验中物料流动形态对比示意图。
30.图11是本发明实施例的卸料模拟试验中物料质量流量与卸料物理试验中物料质量流量之间的误差曲线示意图。
31.图12是相关技术中响应曲面法标定参数的取样表。
具体实施方式
32.下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
33.如图1至图7所示，根据本发明实施例的基于离散元法的物料参数标定方法，包括如下步骤：
34.s1：根据物料的物性参数构建离散元本构模型。
35.需要说明的是，物料的物性参数为物料的弹性模量、物料的泊松比、物料剪切模量、密度和粒度等。可以理解的是，还可选择物料的其他物性参数构件离散元本构模型。
36.s2：设定待标定参数及范围。
37.需要说明的是，待标定参数为物料
‑
物料恢复系数e_pp，且0.1≤e_pp≤0.35，物料
‑
物料静摩擦因数sf_pp，且0.25≤sf_pp≤0.65，物料
‑
物料动摩擦因数rf_pp，且0.1≤rf_pp≤0.35，物料
‑
设备恢复系数e_pw，且0.1≤e_pw≤0.35，物料
‑
设备静摩擦因数sf_pw，且0.2≤sf_pw≤0.65，物料
‑
设备动摩擦因数rf_pw，且0.1≤rf_pw≤0.35。
38.s3：根据所述待标定参数及范围进行lhs抽样。
39.需要说明的是，拉丁超立方抽样在每个待标定参数中均随机抽取150个样本，随后将抽取到的样本分成150组样本组，即每个样本组中包含每个待标定参数150个数据中的任意一个。
40.s4：将所述lhs抽样的抽样结果作为输入数据导入所述离散元本构模型进行离散元模拟。
41.具体地，将拉丁超立方抽样形成的150组样本组作为离散元本构模型的输入数据进行离散元模拟。
42.s5：根据lhs抽样结果和离散元模拟的输出数据建立训练集。
43.需要说明的是，150组样本组中并不是每一组都有数据结果。有些样本组因参数原因在离散元模拟中不能形成休止角。本实施例中共有123组数据可形成稳定的堆积效果。将123组样本组及每组样本组所对应的离散元模拟输出结果建立训练集。
44.s6：根据训练集进行神经网络训练，以得到待标定参数与离散元模拟的输出数据之间的近似模型。
45.需要说明的是，具有稳定堆积效果的123组样本组在神经网络训练中作为输入层，由123组样本组所对应产生的离散元模拟输出结果在神经网络训练中作为输出层，根据训练神经网络模型得到待标定参数与离散元模拟的输出数据之间的近似模型。具体地，神经网络模型为径向基函数神经网络模型。
46.具体地，如图8所示，h
‑
rbfnn为径向基函数神经网络模型对堆积高度的预测值；s
‑
rbfnn为径向基函数神经网络模型对休止角度的预测值；h
‑
dem为离散元模拟中所得的堆积高度值；s
‑
dem为离散元模拟中所得的休止角度值。
47.s7：验证神经网络得到的近似模型是否满足第一预设条件，若不满足，则扩大lhs抽样的样本量。
48.需要说明的是，第一预设条件为r2≥0.9.其中r2为残差平方和，也就是说神经网络训练产生的近似模型的残差平方和r2小于0.9时，则扩大lhs抽样的样本量。
49.s8：对近似模型进行遗传算法寻优。
50.需要说明的是，近似模型是123组样本组与123组样本组所对应的离散元模拟输出结果之间产生的一个函数关系模型，随后通过遗传算法对近似模型进行算法寻优。
51.s9：根据遗传算法的输出结果进行物料参数的标定。
52.需要说明的是，遗传算法的输出结果是多个近似模型中最优化的一组或多组数值解。
53.根据本发明实施例的基于离散元法的物料参数标定方法，能够得到待标定参数与离散元的输出数据之间的近似模型，并通过遗传算法选出最优化的解集，提高参数标定的准确性和效率，并通过多种方式对参数标定结果进行验证，提高参数标定的准确性，还避免了传统响应曲面法在参数标定中陷入局部最优的缺点，也弥补了随机取样造成的取样不足的缺点。
54.在一些实施例中，lhs抽样包括在每个待标定参数中抽取多个样本，根据每个待标定参数中抽取的多个样本划分为多个样本组。
55.具体地，lhs抽样在每个待标定参数中抽取150个样本，并把每个待标定参数抽取的150个样本随机分成150组样本组，即每个样本组中包含每个待标定参数150个数据中的任意一个。
56.在一些实施例中，所述离散元模拟的输出数据为宏观静态休止角s和堆积高度h。
57.需要说明的是，如图8所示，宏观静态休止角s所对应的第一预设条件r2＝95％，堆积高度h所对应的第一预设条件r2＝96％。需要说明的是，离散元模拟的输出数据还可以是其他物料参数。具体地，离散元仿真模型选用漏斗落料模型，在离散元模拟中颗粒间的接触
模型和颗粒与几何体的接触模型均为hertz
‑
mindlin无滑移接触模型，也被称为“弹性
‑
阻尼
‑
摩擦”接触力模型。该模型中引入弹簧、阻尼器、摩擦器来描述颗粒碰撞接触时的形变，可以处理静态及多颗粒的相互作用。
58.在一些实施例中，根据图像识别算法检测宏观静态休止角，图像识别算法包括：截取宏观静态休止角图片，对宏观静态休止角图片进行灰度或二值化处理，提取宏观静态休止角边缘，拟合宏观静态休止角边缘并得到所示宏观静态休止角数值。
59.需要说明的是，宏观静态休止角的截取可通过离散元分析软件自带的截图工具，也可以通过其他截图工具进行截取图片，截图的宏观静态休止角图片通过python程序代码进行灰度或二值化处理，提取边界后并拟合宏观静态休止角边缘，最后得到宏观静态休止角的角度。通过在离散元软件中测量高度方向上的颗粒坐标值变化得到物料的堆积高度。
60.在一些实施例中，将lhs抽样结果作为神经网络训练的输入层，将离散元模拟的输出数据作为神经网络训练的输出层。
61.需要说明的是，由能形成稳定堆积效果的123组样本组在神经网络训练中作为输入层，由123组样本组所对应产生的离散元模拟输出结果在神经网络训练中作为输出层，根据训练神经网络模型得到待标定参数与离散元模拟的输出数据之间的近似模型。
62.具体地，如图2所示，s为宏观静态休止角s，h为堆积高度h，将宏观静态休止角和堆积高度作为输出层。
63.在一些实施例中，根据神经网络的输出结果进行遗传算法寻优包括：验证神经网络的输出结果是否满足第二预设条件，如不满足，则调整遗传算法的参数。
64.具体地，第二预设条件为st
‑1°
≤s≤st 1
°
和ht
‑
2≤h≤ht 2，且
△
＝|s
‑
st| |h
‑
ht|，其中，st为根据堆积物理试验测量的物料宏观静态休止角，ht根据堆积物理试验测量的物料堆积高度,
△
为偏差和的最小值，需要说明的是，偏差和为根据堆积物理试验测量的物料宏观静态休止角st与离散元模拟输出数据的宏观静态休止角s之间的偏差与根据堆积物理试验测量的物料堆积高度ht与离散元模拟输出数据的堆积高度h之间的偏差总和。
65.举例说明，在实际堆积试验中测得st为29
°
，ht为48mm，所以设置第二预设条件中为28
°
≤s≤30
°
，且47≤h≤49，则宏观静态休止角最小为28
°
，堆积高度h最小为47，则偏差和
△
最小为2。
66.在一些实施例中，在根据遗传算法的输出结果进行物料参数的标定之前，基于离散元法的物料参数标定方法还包括：验证遗传算法的输出结果，验证遗传算法的输出结果包括：在遗传算法的输出结果中选取多组输出结果作为验证数据，多组输出结果划分为多组验证数据，且多组输出结果与多组验证数据一一对应，将多组验证数据导入离散元本构模型进行离散元以得到多组验证解，若多组验证解与多组输出结果之间的误差不满足第三预设条件，则扩大lhs抽样的样本量，第三预设条件为e1≤5％，其中e1为多组验证解与多组输出结果之间的误差。
67.需要说明的是，若满足第二预设条件，则证明神经网络的输出结果经过遗传算法寻优后可以作为在遗传算法寻优的输出的结果，经过遗传算法寻优后的输出结果再次经过验证。
68.具体地，在遗传算法的输出结果中选取多组输出结果，并将这多组输出结果作为输入数据导入离散元本构模型中进行离散元模拟并得到多组验证解，多组验证解与多组被
抽取到的遗传算法的输出结果一一对应，且将多组验证解与多组被抽取到的遗传算法的输出结果一一比对，若每组验证解与遗传算法的输出结果之间的误差e1均小于等于5％，则证明遗传算法的输出结果符合第三预设条件。
69.反之，若遗传算法的输出结果不符合第三预设条件，则扩大lhs抽样的样本量。
70.需要说明的是，本实施例中选取5组输出结果作为验证数据，具体的5组验证数据以及5组数据对应的5组验证解的结果如表1所示：
71.表1：验证数据及离散元模拟结果
[0072][0073]
需要说明的是：表1中的s
‑
miga为多岛遗传算法所得休止角；s
‑
dem为dem仿真所得休止角；h
‑
miga为多岛遗传算法所得堆积高度；h
‑
dem为dem仿真所得堆积高度。
[0074]
本发明实施例的基于离散元法的物料参数标定方法，对遗传算法寻优的输出结果进行验证，从而提高物料参数标定的准确性和精度。
[0075]
在一些实施例中，验证遗传算法的输出结果还包括：根据遗传算法的输出结果进行卸料模拟试验，对待标定物料进行卸料物理试验，若卸料模拟试验的输出结果与卸料物理试验的输出结果的误差不满足第四预设条件，则扩大lhs抽样的样本量，第四预设条件为卸料模拟试验中物料流动形态与卸料物理试验中物料流动形态是否吻合，和/或，卸料模拟试验中物料质量流量与卸料物理试验中物料质量流量之间的误差是否逐渐减小。
[0076]
需要说明的是，当遗传算法的输出结果满足第三预设条件后则验证遗传算法的输出结果是否满足第四预设条件，若遗传算法的输出结果同样满足第四预设条件，则将该输出结果作为物料参数的标定。
[0077]
具体地，第四预设条件可以仅为卸料模拟试验中物料流动形态与卸料物理试验中物料流动形态是否吻合，或者，卸料模拟试验中物料质量流量与卸料物理试验中物料质量流量之间的误差是否逐渐减小。
[0078]
第四预设条件也可以为卸料模拟试验中物料流动形态与卸料物理试验中物料流动形态是否吻合并且卸料模拟试验中物料质量流量与卸料物理试验中物料质量流量之间
的误差是否逐渐减小。
[0079]
需要说明的是，卸料物理试验采用料仓卸料实验。料仓卸料实验是使用由亚克力玻璃制成的盒子做为料仓，卸料口宽度为50mm，料仓长、宽、高分别为200mm、100mm及300mm。实验中料仓内颗粒铺放高度为105mm。卸料模拟试验中采用与卸料物理实验尺寸相同的模型，选择表1中第5组参数做为颗粒输入接触参数。
[0080]
具体地，如图11所示，图11位于上方的三组图片为卸料物理试验中物料流动形态图，图11位于下方的三组图片为卸料模拟试验中物料流动形态图，采用高速摄像对卸料物理试验的过程进行了记录，相机帧率为500fps。分别选择t＝0.19s、0.31s、0.53s 3个时间点的物料流动形态与卸料模拟试验中物料流动形态进行对比，从图11可以看出，3个时间点的物料实验与仿真流动形态基本吻合。
[0081]
需要说明的是，卸料模拟试验中物料质量流量与卸料物理试验中物料质量流量之间的误差是否逐渐减小第四预设条件中对卸料物理试验及卸料模拟试验过程的质量流量进行了记录。卸料物理试验中借助力学实验机可将测力过程转化为质量流量，力学实验机有500hz的高采样率，能记录卸料过程中的质量数据变化。
[0082]
卸料物理试验过程中将料仓固定在力学实验机夹头处，具体地，如图12所示，在相同的颗粒铺放高度下，卸料物理试验的初期物料总质量大于卸料模拟试验中的物料总质量，这里需要说明的是，这是因为卸料物理试验中使用的物料颗粒尺寸分布范围广，填充在料仓的颗粒具有更小的孔隙率，而卸料模拟试验中设置的物料颗粒因为只是几种具有代表性的尺寸，颗粒堆放后孔隙率相对更大，从而使实验与仿真中存在质量差异。
[0083]
卸料开始后，卸料物理试验中物料质量流量曲线在初始阶段存在明显波动，这里需要说明的是，这是主要由于撤离料仓底面挡板后颗粒系统的平衡静止状态瞬间被打破，从而对料仓产生振动。此时与夹头一起固定的料仓整体质量发生变化，夹头与料仓的质量将作用于传感器，通过数据采集软件转化为力的变化。因重力加速度g为9.8n/kg，即1kg的物体受到重力为9.8n。所以，传感器采集到被测物体的重力变化数值后，通过重力加速度g可转换为质量变化。
[0084]
从图12中可以看出，卸料物理试验中物料质量流量曲线与卸料模拟试验中物料质量流量曲线之间的误差随着卸料过程的进行逐渐在减小，质量流量变化趋势逐渐接近一致。因此，通过观察卸料物理试验中物料质量流量曲线与卸料模拟试验中物料质量流量曲线之间的误差可进一步证明遗传算法的输出结果的有效性。
[0085]
本发明实施例的基于离散元法的物料参数标定方法，通过设置第三预设条件和第四预设条件，能够对遗传算法寻优的输出结果的验证，提高物料参数标定结果的准确性和精度。
[0086]
下面结合图1至图12描述本发明实施例的基于离散元法的物料参数标定方法的一些具体示例。
[0087]
利用离散元分析软件建立物料的离散元本构模型，并确定物料的待标定参数及范围，具体的待标定参数及范围如表2所示：
[0088]
表2：待标定参数及范围
[0089][0090]
根据所述待标定参数及范围进行lhs抽样。拉丁超方抽样在每个待标定参数中均随机抽取150个样本，随后将抽取到的样本分成150组样本组。具体的lhs抽样结果如表3所示：
[0091]
表3：lhs抽样结果
[0092]
[0093]
[0094]
[0095]
[0096][0097]
[0098]
将表3中的lhs抽样的抽样数据随机分成150组，每组均包括6个待标定参数，且6个待标定参数数值为150个样本中的任意一个，并将150组数据作为输入数据导入离散元本构模型进行离散元模拟，离散元模拟后的结果如表4所示：
[0099]
表4：离散元模拟结果
[0100]
[0101]
[0102]
[0103][0104]
需要说明的是，表4中的s为静态休止角，表4中已将不符合要求的仿真结果剔除后，如休止角为0的情况。将符合要求的仿真结果进行神经网络训练。神经网络得到6个待标定参数与离散元模拟的输出数据之间的近似模型，当近似模型满足第一预设条件和第四预设条件后，对近似模型进行遗传算法寻优，遗传算法寻优的结果如表5所示：
[0105]
表5：遗传算法的输出结果
[0106]
[0107]
[0108]
[0109]
[0110][0111]
具体地，如表5所示，经过1000次迭代共产生110个可用解，构成一个解集，每一个解对应不同的迭代步数。
[0112]
本发明实施例能够得到待标定参数与离散元的输出数据之间的近似模型，并通过遗传算法选出最优化的近似解集，提高参数标定的准确性和效率，并通过多种方式对参数标定结果进行验证，提高参数标定的准确性，还避免了传统响应曲面法在参数标定中陷入局部最优的缺点，也弥补了随机取样造成的取样不足的缺点。
[0113]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0114]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0115]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0116]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0117]
在本发明中，术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0118]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。