基于粒子群算法及卷积神经网络的防水涂料最优化方法技术

基于粒子群算法及卷积神经网络的防水涂料最优化方法，首先提出利用卷积神经网络来建立防水应用基础涂料比例配方，基材表面状态，涂层厚度，施工温度与标签值防水性能之间的函数关系。此外以防水涂料的性能目标，建立粒子群算法的适应函数，并以此作为基础条件，找到防水涂料的最优化设计参数及其粒子的范围最优位置。优位置。优位置。

【技术实现步骤摘要】
基于粒子群算法及卷积神经网络的防水涂料最优化方法


[0001]本专利技术应用于建筑工程等领域，具体为基于粒子群算法及卷积神经网络的防水涂料最优化方法。

技术介绍

[0002]防水涂料作为一种重要的特殊涂料，应用于建筑工程等领域。主要作为防水层，以保护建筑结构免受水的侵蚀和损害。但是防水涂料的本身设计是一个复杂的任务，涉及多个参数和变量，且设计完成后的制作验证需要的时间经济成本较高，往往会拖延整个工程的工期。因此，目前急需一种能够快速找到较优的防水涂料设计参数的方法，并且能够辅助验证其性能。
[0003]与专利CN114920496B“一种防水材料及其制备方法和应用”的技术对比
[0004]专利CN114920496B中防水材料为水溶性合成树脂5～30份、矿物质填料100～200份、无机补强剂1～3份、催化剂0.5～5份、助剂0.11～2份和第一稀释剂85～250份；所述B组分包括：交联剂0.01～15份和第二稀释剂2～5份，所设计的防水材料具备流动性好、渗透性强等特点。而我们采用卷积深度学习以及粒子群优化算法对防水涂料的设计参数进行寻优，大大降低了所需设计参数的时间，提高了防水涂料的性能。
[0005]与专利CN115260873B“一种水利工程用防水涂料”的技术对比
[0006]专利CN115260873B中设计了一种新型的水利工程用防水涂料，附着稳定性较好，同时防水抗渗性能优异，综合性能契合水利工程领域要求。而我们在申请中利用粒子群优化算法对设计参数进行寻优，并且提出粒子群最优范围位置，增加经济效益，降低生产成本。

技术实现思路

[0007]为解决上述技术问题，本专利技术提出了基于粒子群算法及卷积神经网络的防水涂料最优化方法，能够较快的找出当前防水涂料的较优设计参数，并对其防水性能进行辅助验证。
[0008]为实现上述目的，本专利技术采取的技术方案是：
[0009]基于粒子群算法及卷积神经网络的防水涂料最优化方法，包括如下步骤，其特征在于：
[0010]1)初始数据收集；
[0011]采集对防水涂料性能影响较大的设计参数及其变量其中包括聚合物树脂、填料、溶剂、助剂的比例，以及基材表面粗糙度，涂层厚度，施工温度,并收集防水涂料最终的防水性能；
[0012]2)数据表征与处理；
[0013]将特征数据进行转化，保证其具备一定物理意义时，也便于网络学习，对于基材表面的粗糙度，则采用类平均最大峰谷高度公式进行转换；
[0014]3)卷积神经网络设计；
[0015]采用卷积神经网络进行搭建，其中卷积核采用3*1大小，间隔为1，填充为1,此外为了提升数据的表达能力，以及加快网络的收敛，采用BN网络进行数据处理,激活函数采用ReLU。最后采用全连接层，进行具体输出防水性能指数作为目标标签值；
[0016]4)卷积神经网络训练与评估；
[0017]对卷积神经网络进行训练,其中训练目标与评估的标准均为均方差，即本次神经网络训练中，关注点为对防水性能指数的预测误差率，当网络的训练集与测试集都能够对防水涂料的防水性能进行一个较小均方差的预测时，即可完成训练；
[0018]5)粒子群算法粒子参数初始化；
[0019]采用粒子群优化算法进行辅助寻优，并利用粒子群算法找寻最优设计参数以及粒子参数表达公式进行初始化操作；
[0020]6)粒子群算法目标函数定义；
[0021]采用防水性能作为目标函数，即适应度函数，利用PSO算法进行更新每个粒子的位置，进而利用上述卷积神经网络对该粒子位置的适应度即防水性能进行评估,采用最优粒子范围公式提取粒子群优化算法的范围最优位置；
[0022]7)粒子群算法粒子速度与位置更新；
[0023]对粒子群算法的更新迭代方式进行设定,此外由于助剂的比例参数其幅度值较小，仅为0.04左右，因此对于该参数的更新优化幅度按照助剂调整公式进行特定调整；
[0024]8)粒子适应度评估与历史最优位置更新；
[0025]对每个粒子的新位置进行适应度评估，计算其对应的目标函数值,根据目标函数的值来评估每个粒子的适应度,再根据当前适应度值更新每个粒子的历史最优位置和群体历史最优位置；
[0026]9)输出防水涂料设计参数最优解；
[0027]对算法进行检查，查看整个PSO是否满足终止条件，如是否达到最大迭代次数、是否有足量的粒子满足防水性能指标,如果满足终止条件并输出防水涂料设计参数最优解以及粒子的范围最优位置,如果不满足终止条件，则返回步骤S7继续迭代更新。
[0028]作为本专利技术进一步改进，所述步骤2)中类平均最大峰谷高度公式表示为：
[0029]对于基材表面的粗糙度，采用类平均最大峰谷高度进行表示，表达公式如下：
[0030][0031]其中，h
i
表示地面表面高点和低点之间的高度差，则表示地面表面高点和低点之间的高度差前100个最大值,H则表示类平均最大峰谷高度,通过该公式表达出基材表面粗糙度的类平均最大峰谷高度。
[0032]作为本专利技术进一步改进，所述步骤5)中粒子参数表达公式表示为：
[0033]其中，粒子参数表达公式如下：
[0034]X
nm
＝(x
n1
，x
n2
，x
n3
，x
n4
，x
n5
，x
n6
，x
n7
)
[0035]V
nm
＝(v
n1
，v
n2
，v
n3
，v
n4
，v
n5
，v
n6
，v
n7
)
[0036]其中，X
nm
表示第n个粒子的位置，x
n1
，x
n2
，x
n3
，x
n4
，x
n5
，x
n6
，x
n7
则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度，涂层厚度以及施工温度的具体数值项,
V
nm
表示第n个粒子的速度，v
n1
，v
n2
，v
n3
，v
n4
，v
n5
，v
n6
，v
n7
则分别代表第n个粒子中聚合物树脂、填料、溶剂、助剂、基材表面粗糙度，涂层厚度以及施工温度的具体速度值。
[0037]作为本专利技术进一步改进，所述步骤6)中最优粒子范围公式表示为：
[0038]因此本次申请提出粒子群优化算法范围最优位置，其中最优粒子范围公式表达如下：
[0039][0040]X
p1
≤X
q1
[0041]y<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于粒子群算法及卷积神经网络的防水涂料最优化方法，包括如下步骤，其特征在于：1)初始数据收集；采集对防水涂料性能影响较大的设计参数及其变量其中包括聚合物树脂、填料、溶剂、助剂的比例，以及基材表面粗糙度，涂层厚度，施工温度,并收集防水涂料最终的防水性能；2)数据表征与处理；将特征数据进行转化，保证其具备一定物理意义时，也便于网络学习，对于基材表面的粗糙度，则采用类平均最大峰谷高度公式进行转换；3)卷积神经网络设计；采用卷积神经网络进行搭建，其中卷积核采用3*1大小，间隔为1，填充为1,此外为了提升数据的表达能力，以及加快网络的收敛，采用BN网络进行数据处理,激活函数采用ReLU。最后采用全连接层，进行具体输出防水性能指数作为目标标签值；4)卷积神经网络训练与评估；对卷积神经网络进行训练,其中训练目标与评估的标准均为均方差，即本次神经网络训练中，关注点为对防水性能指数的预测误差率，当网络的训练集与测试集都能够对防水涂料的防水性能进行一个较小均方差的预测时，即可完成训练；5)粒子群算法粒子参数初始化；采用粒子群优化算法进行辅助寻优，并利用粒子群算法找寻最优设计参数以及粒子参数表达公式进行初始化操作；6)粒子群算法目标函数定义；采用防水性能作为目标函数，即适应度函数，利用PSO算法进行更新每个粒子的位置，进而利用上述卷积神经网络对该粒子位置的适应度即防水性能进行评估,采用最优粒子范围公式提取粒子群优化算法的范围最优位置；7)粒子群算法粒子速度与位置更新；对粒子群算法的更新迭代方式进行设定,此外由于助剂的比例参数其幅度值较小，仅为0.04左右，因此对于该参数的更新优化幅度按照助剂调整公式进行特定调整；8)粒子适应度评估与历史最优位置更新；对每个粒子的新位置进行适应度评估，计算其对应的目标函数值,根据目标函数的值来评估每个粒子的适应度,再根据当前适应度值更新每个粒子的历史最优位置和群体历史最优位置；9)输出防水涂料设计参数最优解；对算法进行检查，查看整个PSO是否满足终止条件，如是否达到最大迭代次数、是否有足量的粒子满足防水性能指标,如果满足终止条件并输出防水涂料设计参数最优解以及粒子的范围最优位置,如果不满足终止条件，则返回步骤S7继续迭代更新。2.根据权利要求1所述的基于粒子群算法及卷积神经网络的防水涂料最优化方法，其特征在于，所述步骤2)中类平均最大峰谷高度公式表示为：对于基材表面的粗糙度，采用类平均最大峰谷高度进行表示，表达公式如下：
其中，h
i
表示地面表面高点和低点之间的高度差，则表示地面表面高点和低点之间的高度差前100个最大值,H则表示类平均最大峰谷高度,通过该公式表达出基材表面粗糙度的类平均最大峰谷高度。3.根据权利要求1所述的基于粒子群算法及卷积神经网络的防水涂料最优化方法，其特征在于，所述步骤5)中粒子参数表达公式表示为：其中，粒...

【专利技术属性】
技术研发人员：黄磊磊，崔浩然，李伟，吴旭，朱凯健，史静，
申请(专利权)人：中国建筑第二工程局有限公司，
类型：发明
国别省市：