一种制备氧化钇坩埚的涂层工艺优化方法及系统技术方案

本发明专利技术涉及氧化钇坩埚制备技术领域，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，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
。
[0005]本专利技术获取氧化钇坩埚的制备参数，这些参数可能包括坩埚的材料属性
、
几何形
状
、
温度条件
、
热边界条件等，确保了仿真模型的准确性和逼真性，因为它基于实际参数
。
通过三维建模技术，将制备参数转化为氧化钇坩埚的三维模型，可以可视化地表示坩埚的结构，从而更好地理解其形状
、
大小和内部结构，在后续的仿真测试中精确地模拟坩埚的热传导行为
。
对氧化钇坩埚三维模型进行热传导仿真测试，可以模拟坩埚在不同温度条件下的热传导过程，评估坩埚的热传导性能，包括温度分布
、
热流量
、
热梯度等参数，快速获取坩埚在不同工况下的性能数据，节省了时间和资源
。
将仿真测试数据进行网格划分处理，优化仿真模型的计算效率，将坩埚的复杂几何形状划分成小块，可以更精确地模拟不同区域氧化钇坩埚的热传导过程
。
使用雷诺平均方程进行流体动力学数值模拟，可以模拟氧化钇坩埚内的流体流动和导热行为，考虑了流体的速度场
、
压力场
、
温度分布等参数，并根据实际物理原理进行计算，通过数值模拟，可以模拟坩埚内部的流动情况，进而精确地计算热传导
、
对流和辐射等导热机制，这有助于确定坩埚的热传导性能
。
基于数值模拟生成的流体动力学模拟数据进行氧化钇坩埚的导热效率评估，包括确定温度梯度
、
热流量
、
热均匀性等参数，通过评估导热效率，可以识别坩埚内部的热传导问题，帮助改进坩埚设计和制备参数，以提高其导热性能，根据导热效率评估数据，可以优化坩埚的设计和结构，以使其更适合特定应用需求，提高其性能稳定性和可靠性
。
获取一系列涂层厚度与氧化钇坩埚导热效率之间的训练样本数据，这些数据可以来自实验测量
、
历史记录或先前的仿真模拟，使得能够在模型中准确地反映涂层厚度与导热效率之间的关系
。
使用卷积神经网络（
CNN
）等深度学习算法以及训练样本数据建立氧化钇坩埚导热效率与氧化钇涂层厚度之间的关系模型，深度学习模型可以捕捉复杂的非线性关系，使得能够更精确地预测导热效率与涂层厚度之间的关系，通过训练深度学习模型，可以获得针对于分析氧化钇坩埚导热效率与氧化钇涂层厚度之间相互关系的数学模型，在实际应用中更好地指导涂层厚度的优化
。
将网格导热效率评估数据传输到建立的氧化钇涂层厚度预测模型中，用于预测氧化钇坩埚网格的涂层厚度，能够在实际应用中实时预测坩埚的涂层厚度，从而实现了实时的涂层优化和控制，通过将预测模型与坩埚制备过程相结合，可以自动化地调整涂层厚度，以提高氧化钇涂层对坩埚的保护
。
根据之前预测的网格氧化钇涂层厚度信息，进行涂层的调节处理，可以增加或减少氧化钇涂层的厚度，以实现所需的导热性能，通过调节涂层厚度，可以最大程度地保护坩埚对于外界的影响，根据坩埚不同区域的导热效率对坩埚不同区域的涂层进行灵活的涂层调整，以满足不同区域下的氧化钇涂层厚度需求
。
在对坩埚进行涂层调节后，采集氧化钇附着性变化下的表面特征数据，以评估氧化钇涂层的附着性，这些表面特征数据可能包括涂层的粗糙度
、
结合强度
、
表面形貌等，用于量化涂层与坩埚基体之间的附着性，确保涂层不会在使用中剥离或破损
。
根据氧化钇坩埚表面特征数据进行对涂层附着性的详细分析，基于附着性分析结果确定最佳的涂层附着性数据，增加坩埚的稳定性和可靠性，提高其使用寿命
。
根据最佳附着性数据对调节氧化钇坩埚进行附着性优化处理，涉及到修改制备工艺
、
选用新的涂层材料，通过附着性优化处理，可以确保涂层与坩埚基体之间的结合更牢固，提高坩埚在高温和高压环境下的性能稳定性
。
因此，本专利技术的制备氧化钇坩埚的涂层工艺优化方法中，对于氧化钇涂层厚度进行精准分析，使得氧化钇坩埚的氧化钇涂层厚度最大程度保护坩埚且不会使得氧化钇涂层浪费，并且对于氧化钇涂层附着性进行调整，从而最大程度保护了氧化钇坩埚的本文档来自技高网...

【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：