一种利用盐湖苦卤制备六方片状氢氧化镁的方法与流程

本发明涉及无机材料制备技术领域，具体地，涉及一种利用盐湖苦卤制备六方片状氢氧化镁的方法。

背景技术：

氢氧化镁是重要镁盐功能材料，其具有优异的力学性能、耐高温耐腐蚀性、独特的增强、阻燃性能，在改善金属、塑料及陶瓷等复合材料性能方面都有重要的应用价值。这些应用都来源于氢氧化镁晶体所具备的晶体形貌、尺寸和分散度决定的物理化学性质。片状结构的氢氧化镁晶体由于具有高纯度、粒径均匀、形貌规则和表面亲水疏油等特点，且机械性能和分散度好，在热塑性高分子和纤维材料中兼具填充和无卤阻燃的功能，还能提高高分子燃烧的起始温度，增加热稳定性。因此，片状氢氧化镁晶体阻燃材料是目前研究的热点，制备片状氢氧化镁是目前制备高品质阻燃剂中最具前途的方向之一。

目前常见制备六方片状氢氧化镁的方法有氢氧化钠沉镁水热法，该方法在加碱沉镁的过程中由于水合分子不能及时排除而形成胶状沉淀，从而给沉淀、过滤、洗涤分离操作带来很大麻烦。若将该方法应用于盐湖苦卤时，每当苦卤的物理化学性质改变一次，都要做大量繁杂的摸索性实验以适应新的条件，耗费大量的人力、物力，不适合工业化大量生产。

技术实现要素：

本发明为了克服现有技术的上述不足，提供一种利用盐湖苦卤制备六方片状氢氧化镁的方法。

为了实现上述目的，本发明是通过以下方案予以实现的：

一种利用盐湖苦卤制备六方片状氢氧化镁的方法，其特征在于，包括如下步骤：

s1.将利用盐湖苦卤制备六方片状氢氧化镁的多组实验数据用于训练经pso优化的bp神经网络，所述实验数据包括制备参数和实验结果，实验数据的组数大于等于100组；

所述pso的数学模型是：

vij(t+1)＝vij(t)+c1r1j(t)[pij(t)-xij(t)]+c2r2j(t)[gj(t)-xij(t)](1)

xij(t+1)＝xij(t)+vij(t+1)(2)

式(1)和式(2)中，j为粒子的第j维，i为第i个粒子；t：表示当前进化代数；vij(t)隐含层第i个节点到第j个节点之间的权值；pij(t)粒子i所经过j的位置；gij(t)粒子群i所经过j的位置；xij(t)当前粒子i在j的位置；c1和c2都是位移变化的限定因子，为预设值；r为随机函数；

所述pso优化bp神经网络是使式(3)中的j值最小，j为均方差指标；

式(3)中，n是训练样本总数，m是神经元的个数，是第i个样本的第j个神经节点的目标输出值，yj,i是第i个样本的第j个神经节点的实际输出值；

s2.所得训练后的经pso优化的bp神经网络能够随着盐湖苦卤的理化性质变化而给出优化的制备参数、预测六方片状氢氧化镁比率；采用优化的制备参数，制备得到六方片状氢氧化镁。

c1和c2都是位移变化的限定因子，为预设值，通常取值为2。

训练pso优化的bp神经网络的过程如图3所示。

利用盐湖苦卤制备六方片状氢氧化镁的制备实验操作可参考现有技术得到，以及相对应的制备参数也可参考现有技术得到。

bp(backpropagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，它能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，具有较强的自适应性、学习能力和大规模并行计算能力。但单独使用bp神经网络有需要样本数量大、收敛速度慢、泛化能力弱等不足，为此，再引入粒子群算法(particleswarmoptimization，pso)以优化bp神经网络。pso是近年来发展起来的一种新的进化算法，是通过适应度来评价解的品质，具有实现容易、精度高、收敛快等优点，pso优化的bp神经网络简称pso-bp神经网络，pso-bp神经网络误差更小、准确度更高。

应用pso优化bp神经网络将实验数据实现数字智能化，以随时可为“从复杂多变的苦卤中生产六方片状氢氧化镁”进行问题求解，实验数据智能化后，可随时为苦卤生产六方片状氢氧化镁提供最优的实验方案及准确预测实验结果，无需耗费大量的人力物力。

优选地，所述制备参数包括苦卤镁离子浓度、苦卤体积、naoh的浓度、naoh的体积、反应温度及反应时间。

优选地，所述实验结果包括六方片状氢氧化镁比率。

优选地，所述理化性质包括盐湖苦卤的镁离子浓度，还包括苦卤的酸碱度、粘度、密度等常规理化性质。

优选地，所述pso优化的bp神经网络的算法流程为：确定网络拓扑结构，然后初始bp神经网络权值阈值长度，然后获取最优权阈值，然后计算误差，然后权值阈值更新，如果满足结束条件，则仿真预测得到结果，如果不满足结束条件，则返回到计算误差，直至满足结束条件，最终仿真预测得到结果；所述获取最优权值阈值采用离子群算法得到，所述离子群算法的流程为，离子和速度初始化，然后粒子适应度值计算，然后寻找个体极值和群体极值，然后速度更新和位置更新，然后离子适应度值计算，然后个体极值和群体极值，如果满足条件，则获取最优权阈值，如果不满足条件，则返回到速度更新和位置更新，直至满足条件，获取最优权值阈值。

所述数据组数越多，pso优化的bp神经网络的预测实验结果越准确。

本发明首次将pso优化的bp神经网络应用于六方片状氢氧化镁的制备方法中，因此本发明还请求保护pso优化的bp神经网络在利用盐湖苦卤制备六方片状氢氧化镁中的应用。

与现有技术相比，本发明具有以下有益效果：

本发明应用pso优化bp神经网络将实验数据实现数字智能化，可随时为苦卤生产六方片状氢氧化镁提供最优的实验方案并准确预测实验结果，大大减少了因摸索性试验而带来大量的人力、物力与资源浪费。

附图说明

图1为pso优化bp神经网络算法流程示意图。

图2为利用盐湖苦卤制备六方片状氢氧化镁的制备参数训练pso-bp神经网络示意图。

图3为pso-bp神经网络的训练过程。

具体实施方式

下面结合说明书附图及具体实施例对本发明作出进一步地详细阐述，所述实施例只用于解释本发明，并非用于限定本发明的范围。下述实施例中所使用的试验方法如无特殊说明，均为常规方法；所使用的材料、试剂等，如无特殊说明，为可从商业途径得到的试剂和材料。

(1)实验问题求解说明：

以下通过表1作简要说明。表1给出了5组实验数据，其中第ⅰ、ⅱ、ⅲ组是已做的实验并给出了制备参数与实验结果，第ⅳ和ⅴ组均有多个参数(或结果)是未知的，未知值均用问号标出。将第ⅰ、ⅱ、ⅲ组数据训练bp神经网络后，训练数据组越多越好，bp神经网络便有了“如何优化制备六方状氢氧化镁方案并且使结果最优”的人工智能，便可指导第ⅳ、ⅴ组实验应怎么做了。例如，在第ⅴ组中，已知苦卤镁离子浓度为3.2mol/l，体积为500.0ml，现有碱的浓度为2.0mol/l，假定要制备出比率为98％的六方状氢氧化镁，请问其他的制备参数应是多少？又假定按给出的参数进行实验后，结果比率仅有90％，主要原因是什么？应对参数作怎样的调整？所有这些问题都可让pso-bp神经网络这个智能“专家”作回答。

表1pso-bp神经网络求解示例

(2)实施例中pso-bp神经网络算法流程：如图1所示，pso优化的bp神经网络的算法流程为：确定网络拓扑结构，然后初始bp神经网络权值阈值长度，然后获取最优权阈值，然后计算误差，然后权值阈值更新，如果满足结束条件，则仿真预测得到结果，如果不满足结束条件，则返回到计算误差，直至满足结束条件，最终仿真预测得到结果；其中获取最优权值阈值采用离子群算法得到，所述离子群算法的流程为，离子和速度初始化，然后粒子适应度值计算，然后寻找个体极值和群体极值，然后速度更新和位置更新，然后离子适应度值计算，然后个体极值和群体极值，如果满足条件，则获取最优权阈值，如果不满足条件，则返回到速度更新和位置更新，直至满足条件，获取最优权值阈值。

(3)实施例中六方片状氢氧化镁比率采用扫描显微镜观察估算，结果为质量分数；通过xrd测试确认制备得到的晶须为目标产物。

实施例

一种利用盐湖苦卤制备六方片状氢氧化镁的方法，包括如下步骤：

s1.制备六方片状氢氧化镁，并记录数据；

(1)取察尔汗盐湖苦卤500ml，过滤并弃去不溶物；测得其镁离子浓度为2.46mol/l；

(2)配制2.00mol/l的naoh溶液；

(3)取上述苦卤溶液200ml，置于1.00l的烧杯内，然后在搅拌状态下慢滴加入naoh溶液100ml，加毕，将混合体系置于水温为110℃的水浴锅中继续陈化30h；

(4)过滤，同时用水洗涤沉淀并收集沉淀；置于烘箱中(t＝80±3℃，t＝24h)烘干，即得六方片状氢氧化镁，检测产品中六方片状氢氧化镁比例为99％；

s2.改变s1的苦卤镁离子浓度、苦卤体积、naoh的浓度、naoh的体积、反应温度或反应时间中的一种或几种，制备六方片状氢氧化镁比例，重复以上实验100次，得到100组的数据；

s3.然后将此100组数据输入pso-bp神经网络，训练pso-bp神经网络；

s4.盐湖苦卤的镁离子浓度发生变化时，输入反应条件数据后，pso-bp神经网络能够预测六方片状氢氧化镁比例，最终将得到取优的一个数据组，这一组数据就是化学工艺中最优的，在以后的生产中主要依据这个优化的数据来进入生产，制备六方片状氢氧化镁。

本实施例中训练pso-bp神经网络的数据和结果如表2所示，将六方片状氢氧化镁比率的高低用数字表示，从低到高分别用数字1、2、3、4、5表示，训练的目的就是使实际输出值无穷接近期望输出值(期望输出值就是实际上实验得到的结果)，一旦达到目的，训练结束。对比表2中期望输出值与实际输出值，可见两者十分接近，误差很小。表中只列举5组数据，其他训练数据未列在表中。

完成训练pso-bp神经网络之后，当盐湖苦卤的镁离子浓度发生变化时，输入反应条件数据后，pso-bp神经网络能够预测六方片状氢氧化镁比例，最终将得到取优的一个数据组，即最优的制备参数，依据该制备参数进行生产，制备六方片状氢氧化镁，能够大大减少因摸索性试验而带来大量的人力、物力与资源浪费。

表2pso-bp神经网络预测训练

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。