【技術實現步驟摘要】
本專利技術涉及涂料配方優化，尤其涉及一種基于云計算的防水涂料配方優化方法及系統。
技術介紹
1、防水涂料廣泛應用于建筑工程中，主要用于墻體、屋頂、地下室等結構的防水保護。防水涂料的性能直接影響建筑物的耐久性和功能安全，因此配方優化一直是該領域的重要研究方向。傳統防水涂料配方優化方法通常依賴于人工經驗和實驗室試驗，這種方法存在以下不足：數據處理與管理效率低下、缺少直觀數據模型、缺乏微調能力、性能預測與適應性評估不足、傳統優化方法的局限性、循環優化能力不足。
2、隨著大數據與云計算技術的發展，為配方優化領域提供了新的解決方案。云計算技術以其強大的計算能力和數據存儲能力，可以為復雜計算任務提供高效支持，尤其在以下方面具有顯著優勢：高效數據處理與存儲、模型訓練與優化能力、動態反饋與迭代優化。
3、然而，目前云計算技術在防水涂料配方優化中的應用尚處于初級階段。現有研究多局限于單一性能的提升，未能充分結合性能、環境適應性與性價比的多維優化需求，且缺乏對數據管理、模型訓練和結果驗證的系統化集成。
4、基于此，亟需一種能夠充分利用云計算技術的數據整合與計算能力，針對防水涂料多維性能與成本優化需求的系統性解決方案，以實現防水涂料配方優化的高效化、智能化和動態化。
技術實現思路
1、一種基于云計算的防水涂料配方優化方法，包括以下步驟：
2、步驟s1，數據采集與管理：采集與防水涂料相關的數據，并對相關數據進行預處理及數據管理，所述數據包括每種防水涂料的性能
3、步驟s2，數據模型構建：根據每種防水涂料的性能信息構建性能數據模型，并根據防水涂料的使用環境構建多個環境數據模型，所述性能數據模型和環境數據模型分別作為性能評估模型的陽嵌合子單元和陰嵌合子單元，性能評估模型的輸出為綜合性能評分值；
4、步驟s3，配方性能優化：構建配方優化模型，所述模型包括兩個輸入通道，其中，通道a用于輸入防水涂料的現有配方進行正向優化，通道b用于輸入防水涂料的目標使用環境進行逆向優化，所述配方優化模型在配方更新過程中通過性能評估模型對配方的性能進行評估，所述配方優化模型結合神經網絡模型及粒子群算法進行優化訓練；
5、步驟s4，配方性價比優化：計算防水涂料的全生命周期價值，根據性價比優化配方，綜合考慮使用初始原材料或半成品制作的原材料成本、生產設備成本、時間成本、人工成本、生產量及供應商選擇；
6、步驟s5，新配方驗證：使用獨立于性能評估模型的驗證模型對新配方進行評估與驗證，以驗證新配方的防水性能和適應性；
7、步驟s6，數據記錄與循環優化：將配方性能優化過程中的輸入數據、優化結果及驗證數據記錄至數據庫，并基于數據的循環使用持續更新配方優化模型。
8、作為本專利技術的一種優選技術方案，所述數據模型包括：
9、性能數據模型：基于防水涂料的性能信息構建，定義防水涂料的各項性能范圍指標并設定標準環境，利用以下公式進行描述：；其中表示第k項性能指標，分別為對應性能的最小值和最大值，為性能指標的總數，所述性能指標包括但不限于耐水性、附著力、抗紫外線性能和耐老化性；
10、性能數據模型還包括與性能范圍相關聯的可用環境集合：；其中表示第k項性能指標適用的環境集合，m為環境類型的總數；
11、環境數據模型：基于防水涂料的使用環境構建，定義環境模型為一組可調控的環境指標，根據常用環境設置分類，并為每一類環境設定可調控參數范圍；環境數據模型描述如下：，其中表示第j類標準環境，為該環境下的第i項環境指標參數，每項參數具有調控范圍：，其中分別為對應環境指標參數的最小值和最大值。
12、作為本專利技術的一種優選技術方案，所述性能評估模型包括：
13、通過將性能數據模型和環境數據模型進行嵌合計算，評估防水涂料在特定環境下的綜合性能，公式如下：；其中表示第i中防水材料在第j類環境下的綜合性能評分，為第k項性能指標的權重，為用于評估性能指標在環境中匹配程度的函數，結合性能范圍和環境適應性參數進行計算。
14、作為本專利技術的一種優選技術方案，所述配方優化模型的結構包括以下內容：
15、a1.雙輸入通道模塊：
16、通道a，用于輸入防水涂料的現有配方數據，采用正向優化方法對配方成分比例進行優化調整，公式如下：，其中為現有配方成分比例向量，為正向優化參數，為優化后的配方成分比例；
17、通道b：用于輸入目標使用環境數據，采用逆向優化方法根據環境需求生成適配的配方，公式如下：，其中為目標使用環境參數，為逆向優化參數，為環境適配的配方成分比例；
18、a2.性能評估模塊：通過嵌合性能數據模型和環境數據模型的性能評估模型，對通道a和通道b生成的配方進行性能評估，輸出配方的綜合性能評分，公式如下：，其中為嵌合性能評估函數，為綜合性能評分；
19、a3.優化核心模塊：結合粒子群優化算法進行優化計算，通過模擬配方參數的粒子搜索空間，尋找性能與適應性最優的配方；結合神經網絡模型，學習配方成分與性能指標的非線性映射關系；
20、a4.多目標優化模塊：通過優化目標函數，綜合考慮性能與成本，生成最優配方，目標函數如下：，其中為配方的初始成本，為綜合性能評分，為權重參數，用于調節成本與性能之間的權衡；
21、a5.綜合輸出模塊：輸出優化后的配方結果，包括：正向優化結果，逆向優化結果，綜合性能評分和多目標分析結果。
22、作為本專利技術的一種優選技術方案，所述優化核心模塊包括：
23、粒子群優化算法單元，基于粒子群優化算法設計，模擬配方成分參數的搜索與調整，通過重復迭代尋找配方參數的全局最優解，所述粒子群優化算法的更新過程包括以下步驟：
24、初始化粒子群：將防水涂料的初始配方成分設定為粒子位置，并為每個粒子分配初始速度；
25、粒子位置更新：根據慣性權重、個體最佳位置和全局最佳位置更新粒子速度和位置，公式如下：；其中為第i個粒子在t+1時刻的速度，為粒子的位置，分別為認知因子和社會因子，為兩個隨機數；
26、停止條件：當全局最佳適應值滿足優化目標或達到最大迭代次數時，輸出最優配方參數；
27、神經網絡預測單元：構建基于深度學習的神經網絡模型，學習配方參數與性能指標之間的非線性關系，用于預測優化過程中粒子的性能值；神經網絡模型的結構包括：
28、輸入層：接收配方參數x=[x1,x2,…,xn]，其中n為配方成分的數量；
29、隱藏層：包含全連接層，通過激活函數處理非線性特征；
30、輸出層：輸出預測的性能指標p=[p1,p2,…,pm]，其中m為性能指標的數量；
31、神經網絡的映射關系公式如下：p=nn(x,w,b)，其中，nn為神經網絡模型，w本文檔來自技高網...
【技術保護點】
1.一種基于云計算的防水涂料配方優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述數據模型包括：
3.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述性能評估模型包括：
4.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述配方優化模型的結構包括以下內容：
5.根據權利要求4所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述優化核心模塊包括：
6.根據權利要求4所述的一種基于云計算的防水涂料配方優化方法，其特征在于，配方優化模型的訓練包括以下步驟：
7.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述配方性價比優化包括：
8.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述新配方的評估驗證包括：
9.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述數據記錄與循環優化包括：
...
【技術特征摘要】
1.一種基于云計算的防水涂料配方優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述數據模型包括：
3.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述性能評估模型包括：
4.根據權利要求1所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述配方優化模型的結構包括以下內容：
5.根據權利要求4所述的一種基于云計算的防水涂料配方優化方法，其特征在于，所述優化核心模塊包括：
6.根據權利要求4所述的一種基于云計算...
【專利技術屬性】
技術研發人員：付方偉，
申請(專利權)人：江西豪邦實業有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。