【技术实现步骤摘要】
本专利技术属于3d打印，具体涉及一种光固化材料性能预测方法。
技术介绍
1、传统的光固化材料性能评估方法通常依赖于大量的实验测试，这不仅耗时且成本高昂。随着3d打印技术的发展，对于快速准确地预测光固化材料在不同条件下的性能提出了更高的要求。目前，多数研究集中在如何通过实验手段改进材料配方或者优化打印参数，但这种方法效率低下，难以适应快速变化的市场需求。
2、现有的光固化材料性能评估方法由于过度依赖实验验证，导致新材料的研发周期长、成本高，并且难以实时调整打印参数以应对不同的光照条件和材料配方的变化。
技术实现思路
1、本专利技术的目的在于提供一种光固化材料性能预测方法，通过构建多层次的神经网络模型，能够在输入材料配方、光照条件及打印参数的情况下，高效准确地预测材料的机械性能、热稳定性和光学特性，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术采用了如下技术方案：一种光固化材料性能预测方法，包括以下步骤：
3、s1：收集包含光固化材料配方数据的第一信息集合；
4、s2：基于第一信息集合，获取对应光照条件数据的第二信息集合，其中所述第二信息集合直接关联于第一信息集合中的材料配方；
5、s3：在第二信息集合基础上，收集与3d打印过程参数相关的第三信息集合，确保这些参数是针对第二信息集合中光照条件设定的；
6、s4：利用从第一至第三信息集合获得的数据，准备训练样本，每个样本均涵盖配方、光照条件以及打印参
7、s5：根据准备的训练样本，设计并训练一个多层神经网络结构，用于预测光固化材料性能,使用训练完成的神经网络结构，输入新的配方数据以评估其在特定光照条件下的表现；
8、s6：结合评估结果，调整打印参数，形成优化后的打印参数集,将优化的打印参数应用于新的光固化材料性能预测，验证材料在改进打印条件下的实际表现；
9、s7：依据实际表现数据，反馈调整多层神经网络，提高预测精度，并持续迭代直至达到预期的预测准确度。
10、优选的，在s1中，包括如下子步骤：
11、量化第一信息集合中的各组分比例，采用线性组合其中xi表示第i种材料的比例，wi是相应的权重系数；
12、利用量化所得的f(x)值，计算对应的材料混合物密度d，通过公式其中di是第i种材料的已知密度；
13、根据计算出的密度d，评估材料混合物的基本物理特性。
14、优选的，在s2中，包括以下子步骤：
15、对于第一信息集合中的每一种光固化材料配方，记录其在特定光源下的光照强度i和光照时间t，形成第二信息集合，其中光照强度与时间是直接影响材料固化的参数；
16、根据记录的光照条件，计算光聚合反应速率常数k，使用公式其中t表示在给定光照条件下的透光率；
17、利用速率常数k，预测在不同光照条件下的材料固化程度c，固化程度通过公式c＝1-e-k·i·t来确定。
18、优选的，在s3中，包括以下子步骤：
19、针对第二信息集合中的每种光照条件，记录3d打印过程中喷头速度v、层厚h和填充密度p参数，构成第三信息集合；
20、依据喷头速度v和层厚h，计算单层打印时间tl，使用公式其中l是层长，t是喷头在每次打印新一层前等待的时间，确保tl与光照条件下的固化时间相匹配；
21、利用得出的单层打印时间tl，结合填充密度p，评估每一层材料在给定打印参数下的实际固化质量q，通过公式计算，其中tcure是基于第二信息集合确定的固化时间。
22、优选的，在s4中，包括以下子步骤：
23、整合第一信息集合中的材料配方信息、第二信息集合中的光照条件数据与第三信息集合中的3d打印参数，形成结构化的数据条目；
24、根据数据条目，定义每个训练样本的特征向量x，其中x＝[x1,x2,x3,...,xn]，x1表示材料配方，x2表示光照条件，x3表示打印参数；
25、为每个特征向量x，分配对应的性能标签y，该标签基于实验测量得到的材料性能，形成训练样本对(x,y)，用于后续分析。
26、优选的，在s5中，包括以下子步骤：
27、将准备的训练样本对(x,y)输入到预先设计的多层神经网络中，其中输入层接收特征向量x，输出层产生性能预测
28、使用损失函数来量化预测值与实际标签y之间的差异，损失函数定义为表示预测误差的平方损失；
29、根据计算出的损失，通过反向传播算法更新网络中各层的权重w，使得损失函数最小化，迭代优化直到网络能够准确预测光固化材料的性能。
30、优选的，在s5中，包括以下子步骤：
31、为新的配方数据创建特征向量xnew，其中xnew＝[x1,new,x2,new,x3,new,...,xn,new]，x1,new表示新配方的信息，x2,new表示相应的光照条件，x3,new表示与之匹配的打印参数；
32、将构造的特征向量xnew输入到训练完成的神经网络中，获得预测性能输出其中反映了新材料在特定光照条件下的预期表现；
33、基于比较预测性能与实际测试结果之间的吻合度r，使用公式其中yactual是实际测试得到的性能值，是yactual的平均值。
34、优选的，在s6中，包括以下子步骤：
35、分析评估结果中的性能差异δp，确定打印参数对性能影响最大的部分；
36、根据识别的影响最大的参数pmax，应用微调公式p′max＝pmax+δp，其中δp是基于性能差异δp调整的增量，以优化打印参数；
37、利用优化后的参数p′max，重新配置打印参数集p′，并通过神经网络再次预测性能。
38、优选的，在s6中，包括以下子步骤：
39、使用优化后的打印参数集p′构建新的训练样本(x′,y′)，其中x′包含调整后的打印参数以及其他相关变量；
40、将新训练样本x′输入到之前训练的多层神经网络中，获得改进打印条件下的性能预测值
41、对比预测值与实际测试结果y′，计算性能改进指数i，使用公式其中y是原始条件下测得的性能值。
42、优选的，在s7中，包括以下子步骤：
43、采集获得的实际表现数据y″以及对应的预测值形成新的训练样本对(x″,y″)，其中，y″是指在采用了优化后的打印参数集p′后，通过实际测试或实验得到的光固化材料的性能数据，是指在相同条件下，利用已经训练好的多层神经网络对新的光固化材料性能进行预测所得到的结果；
44、利用新训练样本对(x″,y″)，通过梯度下降法更新多层神经网络的权重w，更新规则为其中η是学习率，是损失函数关于权重的梯度；
45、根据更新后的权重wnew，重新评估神经网络的预测精度a，使用公式其中是更新权重后的新预测值，的平均值，持续迭本文档来自技高网...
【技术保护点】
1.一种光固化材料性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光固化材料性能预测方法，其特征在于，在S1中，包括如下子步骤：
3.根据权利要求2所述的一种光固化材料性能预测方法，其特征在于，在S2中，包括以下子步骤：
4.根据权利要求3所述的一种光固化材料性能预测方法，其特征在于，在S3中，包括以下子步骤：
5.根据权利要求4所述的一种光固化材料性能预测方法，其特征在于，在S4中，包括以下子步骤：
6.根据权利要求5所述的一种光固化材料性能预测方法，其特征在于，在S5中，包括以下子步骤：
7.根据权利要求6所述的一种光固化材料性能预测方法，其特征在于，在S5中，包括以下子步骤：
8.根据权利要求7所述的一种光固化材料性能预测方法，其特征在于，在S6中，包括以下子步骤：
9.根据权利要求8所述的一种光固化材料性能预测方法，其特征在于，在S6中，包括以下子步骤：
10.根据权利要求9所述的一种光固化材料性能预测方法，其特征在于，在S7中，包括以下子步骤
...【技术特征摘要】
1.一种光固化材料性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光固化材料性能预测方法，其特征在于，在s1中，包括如下子步骤：
3.根据权利要求2所述的一种光固化材料性能预测方法，其特征在于，在s2中，包括以下子步骤：
4.根据权利要求3所述的一种光固化材料性能预测方法，其特征在于，在s3中，包括以下子步骤：
5.根据权利要求4所述的一种光固化材料性能预测方法，其特征在于，在s4中，包括以下子步骤：
6.根据权...
【专利技术属性】
技术研发人员：张胜哲，洪英盛，曾梅焕，
申请(专利权)人：深圳市智能派科技有限公司，
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。