一种热固性树脂固化动力学行为表征方法及系统

1.本发明涉及热固性树脂材料技术领域，特别是涉及一种热固性树脂固化动 力学行为表征方法及系统。


背景技术：

2.热固性树脂材料由于其优异且稳定的力学性能在土木建筑、电子电器、航 空航天、汽车机械、体育用品等领域发挥着越来越广泛的作用，对于树脂的成 型表征一直是研究的重点。树脂的成型是一个伴随着复杂的化学反应和能量交 换的固化过程，在这个过程中树脂的固化程度对成型后的质量起到决定性的作 用。由于固化反应的过程包含了复杂的化学和物理变化，因此在研究树脂的固 化动力学方程时普遍采用唯象模型的方法，将常用的经验模型作为固化动力学 的研究基础，再将试验结果通过非线性拟合得到模型参数。
3.现有的树脂模型框架都是采用以温度t和固化度α为变量的函数进行表 征，且所提出的方程对于特定的树脂具有好的预测精度，但是不能精确预测不 同固化特征的树脂，且由于树脂的固化过程受温度速率的影响，不同温度速 率下的固化速率也不同，而现有所提出的方程尚未考虑温度速率对树脂固化动 力学行为的影响。


技术实现要素：

4.基于上述问题，本发明的目的是提供一种热固性树脂固化动力学行为表征 方法及系统。
5.为实现上述目的，本发明提供了如下方案：
6.一种热固性树脂固化动力学行为表征方法，包括：
7.收集不同温度速率下的固化实验的实验结果作为训练数据；所述训练数据 包括：固化度、温度、温度速率以及固化速率；
8.构建神经网络模型；
9.通过所述训练数据对所述神经网络模型进行训练；所述神经网络模型的输 入为固化度、温度和温度速率，所述神经网络模型的输出为固化速率；
10.通过训练好的神经网络模型预测不同温度速率下的树脂的固化动力学行 为。
11.可选地，在通过所述训练数据对所述神经网络模型进行训练之前，还包括：
12.对所述训练数据进行归一化处理。
13.可选地，归一化的计算公式如下：
[0014][0015]
其中，y为归一化后的训练数据，x为任一训练数据，x
min
、x
max
分别为训 练数据的最小值和最大值，y
min
、y
max
为归一化后的训练数据的最小值和最大 值。
[0016]
可选地，所述神经网络模型包括输入层、多层隐藏层和输出层。
[0017]
可选地，所述隐藏层的层数通过以下公式进行计算：
[0018][0019]
其中，nh为隐藏层的层数，ni、n0分别为输入层的神经元数量和输出层的 神经元数量，n为常数。
[0020]
可选地，在通过所述训练数据对所述神经网络模型进行训练时，采用最小 二乘法计算预测结果的误差。
[0021]
本发明还提供了一种热固性树脂固化动力学行为表征系统，包括：
[0022]
收集模块，用于收集不同温度速率下的固化实验的实验结果作为训练数 据；所述训练数据包括：固化度、温度、温度速率以及固化速率；
[0023]
模型构建模块，用于构建神经网络模型；
[0024]
训练模块，用于通过所述训练数据对所述神经网络模型进行训练；所述神 经网络模型的输入为固化度、温度和温度速率，所述神经网络模型的输出为固 化速率；
[0025]
预测模块，用于通过训练好的神经网络模型预测不同温度速率下的树脂的 固化动力学行为。
[0026]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0027]
本发明先通过固化实验获得树脂的固化动力学结果，然后将固化结果作为 训练数据引入后续建立的神经网络模型当中，其中固化动力学参数固化速率作 为输出层参数，温度、温度速率、固化度作为隐藏层参数。训练后获得的神经 网络模型可以精确预测不同温度速率下的固化动力学行为。
附图说明
[0028]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性 的前提下，还可以根据这些附图获得其他的附图。
[0029]
图1为本发明实施例固性树脂固化动力学行为表征方法的流程图；
[0030]
图2为神经网络模型图；
[0031]
图3为验证神经网络的泛化能力图。
具体实施方式
[0032]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
[0034]
如图1所示，本发明提供的一种热固性树脂固化动力学行为表征方法，包 括以下步骤：
[0035]
步骤101：收集不同温度速率下的固化实验的实验结果作为训练数据；所 述训练数据包括：固化度、温度、温度速率以及固化速率。图3为通过不同温 度速率下(1℃/min-5
℃/min)的固化实验获得树脂的固化动力学数据图； 其中(a)图横坐标为温度，纵坐标为固化度；(b)图横坐标为温度，纵坐标 为固化速率。
[0036]
步骤102：构建神经网络模型。
[0037]
步骤103：通过所述训练数据对所述神经网络模型进行训练；所述神经网 络模型的输入为固化度、温度和温度速率，所述神经网络模型的输出为固化速 率。
[0038]
步骤104：通过训练好的神经网络模型预测不同温度速率下的树脂的固化 动力学行为。
[0039]
在步骤103之前，为了提高训练效率和精度，对实验数据首先要进行归一 化：
[0040][0041]
其中，y为归一化后的训练数据，x为任一训练数据，x
min
、x
max
分别为训 练数据的最小值和最大值，y
min
、y
max
为归一化后的训练数据的最小值和最大 值。
[0042]
如图2所示，神经网络模型包括输入层、多层隐藏层和输出层一般包括三 个部分，第一部分为输入层，输入层有3个变量分别为固化度α、温度t以及 温度速率dt/dt，第二部分为中间的3层隐藏层，每层有10个神经元，用于传 递变量数据，第三部分为输出层，输出层有1个变量为固化速率dα/dt。
[0043]
隐藏层层数可以通过以下公式进行计算：
[0044][0045]
其中，nh为隐藏层的层数，ni、n0分别为输入层的神经元数量和输出层的 神经元数量，n为可选常数，可选范围为[1,10]。
[0046]
采用sigmoid和purelin函数为隐藏层和输出层的激活函数，表达式分别如 下：
[0047]
f1(x)＝1/(1+e-x
)f2(x)＝x
[0048]
采用最小二乘法计算预测结果的误差，表达式如下：
[0049][0050]
式中，δ表示预测误差，yk为期望值，为预测值。
[0051]
图3为验证神经网络的泛化能力图，验证实验额外开展了选择温度速率为 3.7℃/min的实验，用训练好的模型预测的结果可以与实验结果相吻合。
[0052]
本发明还提供了一种热固性树脂固化动力学行为表征系统，包括：
[0053]
收集模块，用于收集不同温度速率下的固化实验的实验结果作为训练数 据；所述训练数据包括：固化度、温度、温度速率以及固化速率；
[0054]
模型构建模块，用于构建神经网络模型；
[0055]
训练模块，用于通过所述训练数据对所述神经网络模型进行训练；所述神 经网络模型的输入为固化度、温度和温度速率，所述神经网络模型的输出为固 化速率；
[0056]
预测模块，用于通过训练好的神经网络模型预测不同温度速率下的树脂的 固化动力学行为。
[0057]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系
统而言，由于其与实施例公开的方法相对应，所以描述的比较 简单，相关之处参见方法部分说明即可。
[0058]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。