【技术实现步骤摘要】
本申请涉及焊剂分析，尤其涉及一种基于数据驱动神经网络的焊剂黏度预测方法、装置及终端。
技术介绍
1、焊接技术在众多领域创新发展，在风电、核电、航天航空、海洋工程、尖端武器装备等领域关键产品开发与生产中，起到关键作用。尤其在深海装备领域中，船舶、海工用钢等产品具有高技术含量和高附加值。尽管目前在深海装备材料产业领域的发展较快，但高端配套焊接材料方面的基础研究仍有较大提升空间。
2、焊剂是焊接过程中的关键辅料，对焊接质量起着关键作用，贯穿了包括合金过渡、热传导、熔池流动、焊缝金属组织演变等在内的所有冶金过程，是提升焊缝力学性能的关键切入点。焊剂的焊接工艺性能是其在焊接过程中熔化行为、流变行为、传质及传热行为的综合体现，而这些行为与焊剂宏观理化性质(如黏度、熔点、热导率、电导率以及表面张力等)密切相关。黏度是焊剂重要的热物性之一，不仅影响焊接熔池反应产物的扩散速度，对焊缝形貌也有直接影响，在焊接过程中起着重要作用，适宜的焊剂黏度能够有效调控焊缝金属的力学性能。因此，亟需开发焊剂黏度的精准预测模型以此指导焊剂成分的设计和优化，推进高质量焊材自主保障能力。
3、目前，主要采用实验研究和理论模型来获取黏度数据，冶金工作者们致力于基于实验研究建立熔渣的黏度预测模型，以此实现熔渣黏度的精准预测。现已开发的riboud、npl和iida等几何模型，提供了合理的熔渣黏度预测，但由于熔渣成分和结构的演变，预测对参数的依赖性强，模型应用存在一定的局限性。而焊剂中两性氧化物和高温易挥发组分的存在，级大地降低了黏度的预测精度，现用模
技术实现思路
1、有鉴于此，本申请实施例提供一种基于数据驱动神经网络的焊剂黏度预测方法、装置及终端，可以有效、精确预测焊剂的黏度。
2、第一方面，本申请实施例提供一种基于数据驱动神经网络的焊剂黏度预测方法，包括：
3、通过预设实验方法获取焊剂基础数据库；
4、通过生成式对抗网络对所述基础数据库进行优化并扩容，以构建目标数据库；
5、以所述目标数据库的数据作为训练集对初始焊剂黏度神经网络进行训练，以获得目标焊剂黏度神经网络；
6、通过所述目标焊剂黏度神经网络对目标焊剂的黏度进行预测。
7、在一些实施例中，所述通过预设实验方法获取焊剂基础数据库，包括：
8、对预设数量样本焊剂分别依次进行处理以获得粒度形态样本焊剂；
9、对所述粒度形态样本焊剂的拉曼光谱进行高斯分峰拟合，以获得所述粒度形态样本焊剂中硅酸盐的结构单元种类及相对面积分数，并根据所述粒度形态样本焊剂中硅酸盐的结构单元种类及相对面积分数计算硅酸盐聚合度参数；
10、对所述粒度形态样本焊剂的x射线光电子能谱进行高斯分峰拟合，以获得氧键的结构单元种类及相对面积分数，并根据所述氧键的结构单元种类及相对面积分数计算氧键摩尔分数；
11、通过高温熔体测试仪获取所述粒度形态样本焊剂在不同温度下的粘度值。
12、在一些实施例中，所述硅酸盐聚合度参数计算公式为：nbo/si＝x3+2x2+3x1+4x0.
13、其中，
14、其中，xi为第i个所述硅酸盐的结构单元的摩尔分数；ai为对应面积分数。
15、在一些实施例中，所述通过生成式对抗网络对所述基础数据库进行优化并扩容，以构建目标数据库，包括：
16、将所述基础数据库中的数据作为生成式对抗网络的输入数据，通过优化后损失函数的生成器和判别器对数据进行处理后，以获得所述目标数据库；
17、其中，所述生成式对抗网络中生成器的损失函数为：lg＝-ez～p(z)[d(g(z))]；
18、所述生成式对抗网络中判别器的损失函数为：ld＝ex～pdata(x)[d(x)]-ez～p(z)[d(g(z))]；
19、其中，lg是生成器的损失函数，ld是判别器的损失函数，g是生成器，d是判断器，x是从真实数据分布pdata(x)中采样得到的真实样本，z是从先验分布p(z)中采样得到的随机向量，g(z)是所述生成器使用z作为输入生成的假样本数据，e表示期望；
20、所述生成式对抗网络的函数为：
21、
22、其中，pr和pg表示真实分布和生成分布，r代表这两个分布的联合分布，∏(pr，pg)为所有可能的联合分布的集合，c(x,y)表示距离函数。
23、在一些实施例中，所述以所述目标数据库的数据作为训练集对初始焊剂黏度神经网络进行训练，以获得目标焊剂黏度神经网络，包括：
24、将所述目标数据库中的数据进行归一化处理，并按照预设规则从所述归一化处理后的数据中筛选出所述训练集；
25、按照预设方程对所述初始焊剂黏度神经网络中的隐含层和神经元数量进行设置；其中，所述初始焊剂黏度神经网络为bp神经网络；
26、建立所述初始焊剂黏度神经网络反向传播算法，并实现反向传输权值最小；
27、对所述初始焊剂黏度神经网络进行迭代训练，以获得目标焊剂黏度神经网络。
28、在一些实施例中，所述以所述目标数据库的数据作为训练集对初始焊剂黏度神经网络进行训练，以获得目标焊剂黏度神经网络之后，还包括：
29、对所述目标焊剂黏度神经网络进行准确率验证，具体包括：
30、通过平均绝对值误差和命中率对所述目标焊剂黏度神经网络进行准确率验证；
31、若所述平均绝对值误差不在预设误差范围内和/或所述命中率不在预设命中率范围内，则对所述初始焊剂黏度神经网络进行训练，以获得新的目标焊剂黏度神经网络，直至所述平均绝对值误差在预设误差范围内，且所述命中率在预设命中率范围。
32、在一些实施例中，所述平均绝对值误差的计算公式为：
33、其中，n为测试集样本的数量，为第i个样本中的黏度值预测结果，zi为第i个样本中的实际黏度值；其中，测试集样本为从所述归一化处理后的数据中筛选出的样本数据；
34、所述命中率计算公式为：
35、其中，n为测试样本的数量，b满足k为预设限制条件。
36、在一些实施例中，所述初始焊剂黏度神经网络中的隐含层和神经元数量设置公式为：
37、其中，m为初始焊剂黏度神经网络中隐含层神经元数量；n为输入层神经元的数量；l为神经网络输出层神经元数量，α为常数，范围区间为[1,10]。
38、第二方面，本申请实施例提供一种基于数据驱动神经网络的焊剂黏度预测装置，包括：
39、获取模块，用于通过预设实验方法获取焊剂基础数据库；
40、构建模块，用于通过生成式对抗网络对所述基础数据库进行优化并扩容，以构建目标数据库；
41、训练模块，用于以所述目标数据库的数据作为训练集对初始焊剂黏度神经网络进行训练，以获得目标焊剂黏度神经网络；
42、预测模块，用于通过所述目标焊本文档来自技高网...
【技术保护点】
1.一种基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，包括：
2.根据权利要求1所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述通过预设实验方法获取焊剂基础数据库，包括：
3.根据权利要求2所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述硅酸盐聚合度参数计算公式为：
4.根据权利要求1所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述通过生成式对抗网络对所述基础数据库进行优化并扩容，以构建目标数据库，包括：
5.根据权利要求1所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述以所述目标数据库的数据作为训练集对初始焊剂黏度神经网络进行训练，以获得目标焊剂黏度神经网络，包括：
6.根据权利要求5所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述以所述目标数据库的数据作为训练集对初始焊剂黏度神经网络进行训练，以获得目标焊剂黏度神经网络之后，还包括：
7.根据权利要求6所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，
8.根据
9.一种基于数据驱动神经网络的焊剂黏度预测装置，其特征在于，包括：
10.一种终端设备，其特征在于，所述终端设备包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施权利要求1-8中任一项所述的基于数据驱动神经网络的焊剂黏度预测法。
...【技术特征摘要】
1.一种基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，包括：
2.根据权利要求1所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述通过预设实验方法获取焊剂基础数据库，包括：
3.根据权利要求2所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述硅酸盐聚合度参数计算公式为：
4.根据权利要求1所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述通过生成式对抗网络对所述基础数据库进行优化并扩容，以构建目标数据库，包括：
5.根据权利要求1所述的基于数据驱动神经网络的焊剂黏度预测方法，其特征在于，所述以所述目标数据库的数据作为训练集对初始焊剂黏度神经网络进行训练，以获得目标焊剂黏度神经网络，包括：
6.根据...
【专利技术属性】
技术研发人员：王聪，刘宏宇，张燕云，袁航，田慧宇，
申请(专利权)人：东北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。