基于自适应神经网络的复合材料智能检测方法

本发明属于材料分析，具体涉及基于自适应神经网络的复合材料智能检测方法。

背景技术：

1、随着科学技术的不断发展，复合材料作为一种新型材料在诸多领域中得到了广泛应用，复合材料的广泛应用也带来了诸多挑战，其中之一就是如何对其进行有效的检测和分类。传统的复合材料检测和分类方法主要依赖于人工经验和实验室测试。然而，传统的复合材料检测和分类方法存在诸多问题，如主观性和耗时性、信息获取不足、对多样性的挑战以及数据分析困难等。

2、为了解决这些问题，现有技术不断探索新的方法和技术手段，以提高复合材料的检测和分类效率、准确性和智能化程度。近年来，一些新型技术如自适应神经网络、拉普拉斯多维向量空间等开始被引入到复合材料的检测和分类领域。这些新技术能够克服传统方法的局限性，提供更有效、更精确的检测和分类手段。例如，自适应神经网络模型可以通过学习大量数据来提取复合材料的特征，从而实现对复材料的智能检测和分类。拉普拉斯多维向量空间则为复合材料的特征提取提供了新的数学工具和分析手段，有助于更全面地了解复材料的结构和性能。

3、但是，尽管这些新技术在一定程度上改善了复合材料的检测和分类效果，但仍然存在一些问题亟待解决。例如，当前技术中仍然存在着数据量大、复杂度高、处理速度慢等挑战，需要进一步提高算法的效率和智能化程度。另外，对于不同类型的复合材料，如金属、陶瓷、聚合物等，其特性差异较大，需要针对性地开发更加适用的检测和分类方法。

技术实现思路

1、本发明的主要目的在于提供基于自适应神经网络的复合材料智能检测方法，该方法能够充分利用大量数据中的信息，提高检测和分类的准确性和稳定性，丰富了复合材料特征提取的信息，加深了对复合材料特性的理解，同时提高了智能检测和分类模型的性能和适用性，为复合材料相关产业的发展提供了新的机遇和挑战。

2、为了解决上述问题，本发明的技术方案是这样实现的：

3、基于自适应神经网络的复合材料智能检测方法，所述方法包括：

4、步骤1：采集复合材料的物理化学参数，构建复合材料的高维参数向量；基于物理场导向的特征提取方法，提取高维参数向量的关键特征，得到参数向量；

5、步骤2：将参数向量输入到预先建立的自适应神经网络模型中，自适应神经网络模型输出参数向量对应的特征；

6、步骤3：将特征输入到一个支持向量模型中，支持向量模型分别对特征进行分类，得到特征对应的分类值；根据预设的分类值与材料类型的对应关系，完成复合材料的分类。

7、进一步的，步骤1中采集到的物理化学参数包括：晶体结构参数、位错密度、表示复合材料在温度变化下的线性膨胀程度的热膨胀系数、描述了复合材料在温度变化时长度的变化率的线性热膨胀系数、杨氏模量、裂纹尖端应力强度因子、复合材料在受力时达到的最大应力值、复合材料在受力时达到的最大应变值、熔化焓和玻璃化转变温度。

8、进一步的，复合材料的高维参数向量x使用如下公式进行表示：

9、

10、其中,ρd为位错密度，用于衡量复合材料中的位错数量；γ为热膨胀系数，表示复合材料在温度变化下的线性膨胀程度；αt为线性热膨胀系数，描述了复合材料在温度变化时长度的变化率；e为杨氏模量，表征复合材料的弹性性质；kic为裂纹尖端应力强度因子，用于描述复合材料的断裂韧性；σmax表示复合材料在受力时达到的最大应力值；∈max表示复合材料在受力时达到的最大应变值；δhf为熔化焓，描述复合材料相变时释放或吸收的热量；ts为玻璃化转变温度，表示复合材料从固态到玻璃态转变的温度；n为晶格数量；φ(ci,di,pi)为复合材料的晶格函数，使用如下公式进行表示：

11、

12、其中，ci为第i个晶格的晶体结构参数向量；di为第i个晶格的缺陷参数向量；pi为第i个晶格的偏聚参数向量；∥·∥f表示一阶f范数；表示二阶f范数；∥·∥1表示一阶l1范数；表示二阶l1范数；∥ci∥2表示一阶l1范数；表示二阶l2范数。

13、进一步的，基于物理场导向的特征提取方法，提取高维参数向量的关键特征，得到参数向量f的过程包括：将复合材料放入一个电场，通过如下公式，构建参数向量f的电场方程：

14、

15、其中，∈为介电常数；φ为电势；ρf为自由电荷密度；为特征向量参数对电势的梯度的散度，表示了特征向量与电势的关系；为电势的梯度；再将复合材料放入一个电磁场，构建参数向量g的电磁场方程：

16、

17、其中，e为电场强度；b为磁感应强度；为时间的偏导数；×为向量叉乘；表示电场强度e的旋度；再将电场方程和电磁场方程联立组成一个方程组，最终求解方程组，得到参数向量f。

18、进一步的，所述材料类型至少包括：金属、陶瓷、聚合物、玻璃、碳纤维、硅胶和半导体。

19、进一步的，步骤2具体包括：对参数向量进行归一化处理，使其模长为1：

20、

21、其中，f为归一化处理后的参数向量；|| ||2为l2范数；将归一化处理后的参数向量f扩展到拉普拉斯多维向量空间中，其中l为拉普拉斯多维数；计算参数向量f的拉普拉斯谱；再基于拉普拉斯谱，计算参数向量f的谱熵；构建一个自适应神经网络模型，输入为参数向量f的谱熵x，输出参数向量对应的特征y，表示为：

22、

23、其中，表示神经网络模型，θ表示模型参数；将神经网络模型输出的特征y进行降维处理，得到最终的特征向量z。

24、进一步的，通过如下公式，将归一化处理后的参数向量f扩展到拉普拉斯多维向量空间中：

25、

26、其中，表示kronecker积，l为拉普拉斯矩阵：

27、l＝id-d-1/2ad-1/2；

28、其中，id为d维单位矩阵，a为邻接矩阵，d为度矩阵。

29、进一步的，使用如下公式，计算参数向量f的拉普拉斯谱s：

30、s＝uλut；

31、其中，u为拉普拉斯矩阵l的特征向量矩阵，λ为特征值矩阵。

32、进一步的，使用如下公式，计算参数向量f的谱熵：

33、

34、其中，pi为参数向量f的第i个谱成分的概率。

35、进一步的，所述自适应神经网络模型为一个特征提取模型；其通过采集已知的参数向量对应的谱熵和其对应的特征作为训练数据进行训练。

36、本发明的基于自适应神经网络的复合材料智能检测方法，具有以下有益效果：

37、首先，本发明通过引入自适应神经网络模型，实现了对复合材料的智能检测和分类。与传统方法相比，自适应神经网络模型能够充分利用大量数据中的信息，自动学习复合材料的特征，避免了传统方法中人为因素的影响，提高了检测和分类的准确性和稳定性。因此，本发明能够有效地提高复合材料检测和分类的效率和准确性，为复合材料相关产业的发展提供了有力支持。

38、其次，本发明采用了拉普拉斯多维向量空间等先进数学工具和分析手段，为复合材料的特征提取提供了更有效的数学基础。通过将复合材料的参数向量扩展到拉普拉斯多维向量空间，可以更全面地了解复合材料的内部结构和性能，为复合材料的智能检测和分类提供了更加丰富的信息。因此，本发明能够提高复合材料特征提取的效率和准确性，为复合材料的深入研究和应用提供了有力支持。此外，本发明还通过引入谱熵的概念，对复合材料的特征进行了更加全面和深入的分析。谱熵作为复合材料参数向量的一个重要指标，能够反映复合材料的复杂性和信息量，有助于更准确地描述复合材料的特性和性能。因此，本发明能够提高复合材料特征分析的深度和广度，为复合材料的智能化研究和应用打下了坚实基础。

39、最后，本发明通过引入自适应神经网络模型的训练和优化过程，提高了复合材料智能检测和分类模型的性能和泛化能力。通过大量的训练数据，自适应神经网络模型能够逐步优化自身的参数，从而更好地适应不同类型复合材料的检测和分类需求。因此，本发明能够提高复合材料智能检测和分类模型的适用性和可靠性，为复合材料相关产业的发展带来了新的机遇和挑战。