【技术实现步骤摘要】
一种制备氧化钇坩埚的涂层工艺优化方法及系统
[0001]本专利技术涉及氧化钇坩埚制备
,尤其涉及一种制备氧化钇坩埚的涂层工艺优化方法及系统
。
技术介绍
[0002]制备坩埚时利用氧化钇进行涂层,可以显著提高坩埚在高温条件下的性能和稳定性,从而广泛应用于熔炼
、
化学反应和其他高温工艺中
。
通过精确控制涂层的成分
、
厚度和结构,增强坩埚的耐腐蚀性
、
热传导性和附着性,从而提高生产效率
、
降低能源消耗
、
减少废料率,并拓宽其应用领域
。
氧化钇涂层有助于延长坩埚的使用寿命,减少材料的损耗和污染,同时提高了生产过程的效率和可靠性
。
然而,传统的制备氧化钇坩埚方法中,对于氧化钇涂层厚度没有精准分析,存在着部分地方氧化钇涂层过多使得资源浪费,或者是部分地方氧化钇涂层过少时的不能充分保护坩埚,并且对于氧化钇涂层附着性也不能很好的控制
。
技术实现思路
[0003]基于此,本专利技术提供一种制备氧化钇坩埚的涂层工艺优化方法及系统,以解决至少一个上述技术问题
。
[0004]为实现上述目的,一种制备氧化钇坩埚的涂层工艺优化方法,包括以下步骤
:
步骤
S1:
获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试 ...
【技术保护点】
【技术特征摘要】
1.
一种制备氧化钇坩埚的涂层工艺优化方法,其特征在于,包括以下步骤
:
步骤
S1:
获取氧化钇坩埚的氧化钇坩埚制备参数;利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据;步骤
S2:
利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;基于网格流体动力学模拟数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据;步骤
S3:
获取氧化钇涂层厚度训练样本;基于卷积神经网络算法以及氧化钇涂层厚度训练样本进行氧化钇坩埚导热效率与氧化钇涂层厚度的关系模型建立,生成氧化钇涂层厚度预测模型;将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度;步骤
S4:
根据网格氧化钇涂层厚度对氧化钇坩埚进行涂层厚度调节处理,以获得调节氧化钇坩埚;对调节氧化钇坩埚进行氧化钇附着性调节的表面特征数据采集,生成氧化钇坩埚表面特征数据;步骤
S5:
根据氧化钇坩埚表面特征数据进行最佳氧化钇涂层附着性分析,生成最佳氧化钇涂层附着性数据;根据最佳氧化钇涂层附着性数据对调节氧化钇坩埚进行氧化钇涂层附着性优化处理,以获得优化氧化钇坩埚
。2.
根据权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤
S1
包括以下步骤
:
步骤
S11:
获取氧化钇坩埚的氧化钇坩埚制备参数;步骤
S12:
利用三维建模技术对氧化钇坩埚制备参数进行三维建模处理,生成氧化钇坩埚三维模型;步骤
S13:
获取氧化钇坩埚模拟参数;步骤
S14:
利用氧化钇坩埚模拟参数对氧化钇坩埚三维模型进行热传导仿真测试,生成氧化钇坩埚仿真测试数据;步骤
S15:
对氧化钇坩埚仿真测试数据进行网格划分处理,生成网格仿真测试数据
。3.
根据权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤
S2
包括以下步骤
:
步骤
S21:
利用雷诺平均方程对网格仿真测试数据进行流体动力学数值模拟处理,生成网格流体动力学模拟数据;步骤
S22:
对网格流体动力学模拟数据进行流体动力学特征提取,生成网格流体动力学特征数据;步骤
S23:
对网格流体动力学模拟数据进行氧化钇坩埚热分布映射处理,生成氧化钇坩埚热分布映射数据;步骤
S24:
根据网格流体动力学特征数据以及氧化钇坩埚热分布映射数据进行氧化钇坩埚网格导热效率评估,生成网格导热效率评估数据
。4.
根据权利要求1所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤
S3
包括以下步骤
:
步骤
S31:
利用卷积神经网络算法建立氧化钇坩埚导热效率与氧化钇涂层厚度的映射关系,生成初始氧化钇涂层厚度预测模型;步骤
S32:
获取氧化钇涂层厚度训练样本;步骤
S33:
基于氧化钇涂层厚度训练样本对初始氧化钇涂层厚度预测模型进行模型超参数优化调整,生成氧化钇涂层厚度预测模型;步骤
S34:
将网格导热效率评估数据传输至氧化钇涂层厚度预测模型进行网格的氧化钇涂层厚度预测,生成网格氧化钇涂层厚度
。5.
根据权利要求4所述的制备氧化钇坩埚的涂层工艺优化方法,其特征在于,步骤
S33
包括以下步骤
:
步骤
S331:
将氧化钇涂层厚度训练样本进行数据划分,分别生成氧化钇涂层厚度训练集
、
氧化钇涂层厚度验证集以及氧化钇涂层厚度测试集;步骤
S332:
利用氧化钇涂层厚度训练集对初始氧化钇涂层厚度预测模型进行模型训练,生成氧化钇涂层厚度训练模型;步骤
S333:
将氧化钇涂层厚度验证集传输至训练后的初始氧化钇涂层厚度预测模型进行模型超参数评估,生成模型超参数评估数据;步骤
S334:
基于模...
【专利技术属性】
技术研发人员:高刚毅,滕华楠,
申请(专利权)人:沈阳恒泰鑫源精铸耐材有限公司,
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。