基于机器学习的玻璃钢化后应力层深度预测方法及系统技术方案

本发明专利技术公开了一种基于机器学习的玻璃钢化后应力层深度预测方法及系统，该方法包括：利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系，得到训练完成的深度预测模型；基于待预测玻璃钢化后的所述多种预设应力层深度关键特征参数输入到所述训练完成的深度预测模型，获取所述待预测玻璃钢化后的应力层深度预测结果。本发明专利技术对于玻璃钢化后应力层深度分析，利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系，提高了玻璃钢化后应力层深度分析的准确性。性。性。

【技术实现步骤摘要】
基于机器学习的玻璃钢化后应力层深度预测方法及系统


[0001]本专利技术涉及玻璃加工
，尤其涉及一种基于机器学习的玻璃钢化后应力层深度预测方法及系统。

技术介绍

[0002]超薄盖板玻璃已成为手机等信息显示终端产品不可或缺的组成部分，化学强化(又称离子交换)是提升超薄盖板玻璃力学性能的有效方法之一，主要包含高温型离子交换与低温型离子交换。高温型离子交换是指盐浴温度高于玻璃转变温度，在离子交换过程中玻璃表面析出具有较低热膨胀系数的微晶，从而在玻璃表面形成一定深度的应力层。
[0003]化学钢化后的玻璃其抗冲击强度和抗跌落强度成倍数提升，而玻璃的抗跌落性能与玻璃的深层应力有关系。化学强化高铝硅酸盐玻璃具有良好的机械性能、光学性能和化学钢化性能，在电子玻璃盖板等领域有着重要应用。在设计生产工艺时为了得到理想的压缩应力层的深度，往往需要经过多轮制样测试实验来确定理想化学强化时间和化学强化温度。对应力层深度的预测也仅仅是依靠预测公式DOL＝F(t，T)，无法捕捉超薄玻璃组分、钢化条件与应力层深度之间的非线性耦合关系。

技术实现思路

[0004]针对上述现有技术存在的问题，本专利技术提供了一种基于机器学习的玻璃钢化后应力层深度预测方法及系统，利用超薄玻璃应力层数据库，训练机器学习算法，最终确定适用于超薄玻璃应力层深度预测的模型，实现较为准确的预测超薄玻璃组分和钢化工艺条件所对应的应力层深度。本专利技术的技术方案如下：
[0005]第一方面，提供了一种基于机器学习的玻璃钢化后应力层深度预测方法，包括：
[0006]利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系，得到训练完成的深度预测模型；
[0007]基于待预测玻璃钢化后的所述多种预设应力层深度关键特征参数输入到所述训练完成的深度预测模型，获取所述待预测玻璃钢化后的应力层深度预测结果。
[0008]在一些实施方式中，所述预设应力层深度关键特征参数包括：钢化时间、钢化温度及溶液浓度。
[0009]在一些实施方式中，所述预设应力层深度关键特征参数还包括：组成玻璃各个组分摩尔含量。
[0010]在一些实施方式中，所述预设应力层深度关键特征参数还包括：组成玻璃各个组分不同原子原子序数、质量，元素周期表上的行和列，电负性和共价半径。
[0011]在一些实施方式中，所述预设应力层深度关键特征参数还包括：所述玻璃中所含元素原子最近邻六种原子性质之间的平均值、最大和最小值差。
[0012]在一些实施方式中，所述预先构建的机器学习模型基于梯度提升树XGBoost算法
构建。
[0013]在一些实施方式中，所述所述预先构建的机器学习模型采用改进后的XGBoost算法构建，所述机器学习模型经过拟合训练得到深度预测模型的训练过程，包括：
[0014]基于不同组分不同钢化工艺参数的超薄玻璃钢化后应力层深度数据，形成玻璃钢化后应力层深度数据库；
[0015]基于数据库中的玻璃组分和钢化工艺参数提取所述关键特征参数，并获取玻璃组分和钢化工艺参数对应的应力层深度作为标签，形成模型训练样本库；
[0016]执行模型训练第一阶段：基于智能寻优算法获取XGBoost算法模型最优初始化参数；
[0017]执行模型训练第二阶段：基于所述模型最优初始化参数构建XGBoost初始模型，并通过样本库的样本对初始模型进行训练，获取训练完成的深度预测模型。
[0018]在一些实施方式中，所述智能寻优算法基于海鸥优化算法实现。
[0019]在一些实施方式中，所述模型训练第一阶段包括：
[0020](91)基于XGBoost算法待初始化的参数作为海鸥的位置坐标；
[0021](92)初始化海鸥的位置，在边界范围内随机初始化n只海鸥的位置：FS
i,j
＝lb+rand
×
(ub
‑
lb)，其中，FS
i,j
代表第i只海鸥第j维的值，ub、lb分别为变量的上下边界，rand为[0,1]之间的随机数；
[0022](93)基于n只海鸥的位置表示的XGBoost算法参数，通过样本库的样本进行模型训练，并基于模型预测结果的误差获取海鸥个体的适应度值；
[0023](94)对n只海鸥的当前位置P
s0
(t)进行位置更新，获取海鸥更新后位置P
s1
(t)，P
s1
(t)＝(1
‑
α)D
s
(t)
×
x
×
y
×
z+αP
gs
(t),其中，
[0024]P
gs
(t)为n只海鸥中的最佳位置；
[0025]x＝r
×
cos(θ)，y＝r
×
sin(θ)，z＝r
×
θ，r＝u
×
e
θv
，其中，r为每个螺旋的半径，θ为[0,2π]范围内的随机角度值，u和v为螺旋形状的相关常数，e为自然对数的底数，α为权重系数；
[0026]D
s
(t)＝C
s
(t)+M
s
(t)；
[0027]C
s
(t)为不与其他海鸥存在位置冲突的新位置，M
s
(t)为最优海鸥个体方向；
[0028]C
s
(t)＝A*P
s0
(t)，A＝f
c
‑
(t*f
c
/max
int
)；
[0029]M
s
(t)＝B*(P
gs
(t)
‑
P
s0
(t))，B＝2*A2*r
d
；
[0030]其中，t为当前迭代次数，A为海鸥在给定搜索空间中的运动行为，f
c
为控制系数，取值为[0,2]，max
int
为最大迭代次数，B为平衡全局和局部搜索的随机数，r
d
为[0,1]范围内的随机数；
[0031](95)重复上述步骤(93)和(94)，直至达到最大迭代次数，获取n只海鸥中最优个体位置作为XGBoost算法最优初始化参数。
[0032]第二方面，提供了一种基于机器学习的玻璃钢化后应力层深度预测系统，包括：
[0033]应力层深度预测模型获取单元，用于利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系，得到训练完成的深度预测模型；
[0034]应力层深度预测结果获取单元，用于基于待预测玻璃钢化后的所述多种预设应力
层深度关键特征参数输入到所述训练完成的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，包括：利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系，得到训练完成的深度预测模型；基于待预测玻璃钢化后的所述多种预设应力层深度关键特征参数输入到所述训练完成的深度预测模型，获取所述待预测玻璃钢化后的应力层深度预测结果。2.根据权利要求1所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述预设应力层深度关键特征参数包括：钢化时间、钢化温度及溶液浓度。3.根据权利要求2所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述预设应力层深度关键特征参数还包括：组成玻璃各个组分摩尔含量。4.根据权利要求3所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述预设应力层深度关键特征参数还包括：组成玻璃各个组分不同原子原子序数、质量，元素周期表上的行和列，电负性和共价半径。5.根据权利要求4所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述预设应力层深度关键特征参数还包括：所述玻璃中所含元素原子最近邻六种原子性质之间的平均值、最大和最小值差。6.根据权利要求1所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述预先构建的机器学习模型基于梯度提升树XGBoost算法构建。7.根据权利要求6所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述所述预先构建的机器学习模型采用改进后的XGBoost算法构建，所述机器学习模型经过拟合训练得到深度预测模型的训练过程，包括：基于不同组分不同钢化工艺参数的超薄玻璃钢化后应力层深度数据，形成玻璃钢化后应力层深度数据库；基于数据库中的玻璃组分和钢化工艺参数提取所述关键特征参数，并获取玻璃组分和钢化工艺参数对应的应力层深度作为标签，形成模型训练样本库；执行模型训练第一阶段：基于智能寻优算法获取XGBoost算法模型最优初始化参数；执行模型训练第二阶段：基于所述模型最优初始化参数构建XGBoost初始模型，并通过样本库的样本对初始模型进行训练，获取训练完成的深度预测模型。8.根据权利要求7所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述智能寻优算法基于海鸥优化算法实现。9.根据权利要求8所述的基于机器学习的玻璃钢化后应力层深度预测方法，其特征在于，所述模型训练第一阶段包括：(91)基于XGBoost算法待初始化的参数作为海鸥的位置坐标；(92)初始化海鸥的位置，在边界范围内随机初始化n只海鸥的位置：FS
i,j
＝lb+rand
×
(ub
‑
lb)，其中，FS
i,j
代表第i只海鸥第j维的值，ub、lb分别为变量的上下边界，rand为[0,1]之间的随机数；(93)基于...

【专利技术属性】
技术研发人员：彭寿，张冲，杨勇，曹欣，赵凤阳，王巍巍，李金威，倪嘉，韩娜，胡文涛，李常青，周刚，王鹏，张晓雨，柯震坤，崔介东，单传丽，石丽芬，仲召进，高强，王萍萍，
申请(专利权)人：中国建材集团有限公司，
类型：发明
国别省市：