【技术实现步骤摘要】
本专利技术属于电数字数据处理领域，尤其涉及一种基于斑马优化算法的玻璃转变温度预测方法。
技术介绍
1、玻璃是一种非平衡、非晶的材料，它能自发地弛豫到过冷的液态。与晶体不同，玻璃不需要满足严格的化学计量规则，可以被认为是化学元素的连续溶液。因此大量的元素可能成为构成玻璃材料的组分。80种化学元素以1mol％的量变化可以产生1052种可能的玻璃成分。然而，报道的无机玻璃的数量只有106种左右，这意味着探索具有特殊性能的新玻璃形成成分还有巨大的空间。
2、为了开发玻璃新材料，了解玻璃化转变温度(tg)是基础。转变温度(tg)可以定义为玻璃材料从硬而脆的物质过渡到粘而软的状态的温度。例如，它的重要性与消除残余应力和抗结晶的玻璃稳定性以及机械稳定性有关。人们不断地寻找产生极低转变温度的玻璃组成，以降低制造成本，而极高转变温度的玻璃则被开发耐火材料。目前，测定玻璃转变温度常用的方法有vogel-fulcher-tammann法和avramov-milchev法，它们都是通过与温度所对应的黏度来预测玻璃的转变温度的。但是，它们都存有不足，其中voge1-fulcher-tammann法在玻璃低温致密态时会出现预测失效的问题；而avramov-milchev法则在玻璃处于超冷液态时会出现预测失效。现在还没有一种预测方法能有效地解决玻璃转变温度预测不准的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于斑马优化算法的玻璃转变温度预测方法，解决现有技术中无法准确且快速预测玻璃转变温
2、本专利技术的目的可以通过以下技术方案实现：
3、基于斑马优化算法的玻璃转变温度预测方法，所述方法包括：
4、步骤1：构建玻璃转变温度数据库，玻璃组分和其对应的转变温度一一映射；
5、步骤2：以元素摩尔含量和制备工艺参数作为输入参数的描述符；
6、步骤3：以描述符为模型的输入，以玻璃转变温度数据库为模型的输出，构建训练集、测试集，建立神经网络模型；
7、步骤4：引入斑马优化算法，优化选取的神经网络模型的参数；
8、步骤5：基于优化后的参数建立性能最优的神经网络模型；
9、步骤6：针对待预测的玻璃组分，利用最优的神经网络模型预测该玻璃组分的玻璃转变温度。
10、进一步的，步骤2包括如下步骤：
11、步骤2-1：以组成玻璃各个组分摩尔含量为一组描述符；
12、步骤2-2：以玻璃制备工艺参数构造描述符。
13、进一步的，玻璃制备工艺参数包括升温速率、熔化温度与保温时间。
14、本专利技术的有益效果：
15、本专利技术将斑马优化算法用于优化神经网络算法参数寻优，结构简单，提高收敛速度和精度，且寻优得到的最优神经网络算法参数可以较明显地提高神经网络算法的性能，对于提高预测玻璃转变温度的准确性具有现实意义。
本文档来自技高网...【技术保护点】
1.基于斑马优化算法的玻璃转变温度预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于斑马优化算法的玻璃转变温度预测方法，其特征在于，步骤2包括如下步骤：
3.根据权利要求2所述的基于斑马优化算法的玻璃转变温度预测方法，其特征在于，玻璃制备工艺参数包括升温速率、熔化温度与保温时间。
4.根据权利要求1所述的基于斑马优化算法的玻璃转变温度预测方法，其特征在于，步骤4包括如下步骤：
【技术特征摘要】
1.基于斑马优化算法的玻璃转变温度预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于斑马优化算法的玻璃转变温度预测方法，其特征在于，步骤2包括如下步骤：
3.根据权利要求2所述...
【专利技术属性】
技术研发人员：彭寿，杨勇，崔介东，倪嘉，仲召进，王巍巍，洪伟，张冲，曹欣，石丽芬，韩娜，胡文涛，周刚，王鹏，孙晨蕊，
申请(专利权)人：中建材玻璃新材料研究院集团有限公司，
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。