CN115064206B - 一种基于性能评估的聚氨酯弹性体优化方法及*** - Google Patents

一种基于性能评估的聚氨酯弹性体优化方法及*** Download PDF

Info

Publication number
CN115064206B
CN115064206B CN202210636748.5A CN202210636748A CN115064206B CN 115064206 B CN115064206 B CN 115064206B CN 202210636748 A CN202210636748 A CN 202210636748A CN 115064206 B CN115064206 B CN 115064206B
Authority
CN
China
Prior art keywords
parameter
genotype
characteristic
phenotype
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210636748.5A
Other languages
English (en)
Other versions
CN115064206A (zh
Inventor
丘国豪
邓泽华
国海玲
丘国良
郑迁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gaoyu Home Technology Co ltd
Original Assignee
Zhejiang Gaoyu Home Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Gaoyu Home Technology Co ltd filed Critical Zhejiang Gaoyu Home Technology Co ltd
Priority to CN202210636748.5A priority Critical patent/CN115064206B/zh
Publication of CN115064206A publication Critical patent/CN115064206A/zh
Application granted granted Critical
Publication of CN115064206B publication Critical patent/CN115064206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Computing Systems (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明提供了一种基于性能评估的聚氨酯弹性体优化方法及***，涉及人工智能相关技术领域，包括：获得第一微观敏感特征包括第一基团特征信息；获得第一宏观敏感特征包括第一链段特征信息；对第一基团特征信息进行编码，获得第一基因型参数；将第一链段特征信息设为第一表现型参数；构建第一关联函数；当第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对第一基因型参数进行优化，获得第一优化结果制备所述第一聚氨酯弹性体。现有技术中由于主要依赖人工进行性能评估制定优化策略，导致存在准确率和效率都较低的技术问题，依据比对结果对基因型参数自动优化，全程自动化智能决策，达到了决策效率及准确率都较高的技术效果。

Description

一种基于性能评估的聚氨酯弹性体优化方法及***
技术领域
本发明涉及人工智能相关技术领域，具体涉及一种基于性能评估的聚氨酯弹性体优化方法及***。
背景技术
聚氨酯弹性体是聚氨酯合成材料中的一个重要品种，由于其结构具有软段和硬段两个链段，可以对从分子层面上对聚氨酯弹性体进行设计，进而可以赋予聚氨酯弹性体强度、韧性、耐磨、耐油等特性，通过对聚氨酯弹性体的性能准确评估，进而实现性能的定向优化已成为当下的主流发展方向。
目前对于聚氨酯弹性体的性能评估还停留在依赖专家经验评估检测数据，确定性能，进而制定优化策略，此种方式主要存在两项问题，一者难以保障准确率，二者人工处理效率过低。
现有技术中由于主要依赖人工进行性能评估制定优化策略，导致存在准确率和效率都较低的技术问题。
发明内容
本申请实施例通过提供了一种基于性能评估的聚氨酯弹性体优化方法及***，解决了现有技术中由于主要依赖人工进行性能评估制定优化策略，导致存在准确率和效率都较低的技术问题。
鉴于上述问题，本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化方法及***。
第一方面，本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化方法，其中，所述方法包括：对第一聚氨酯弹性体进行微观性能分析，获得第一微观敏感特征，其中，所述第一微观敏感特征包括第一基团特征信息；对所述第一聚氨酯弹性体进行宏观性能分析，获得第一宏观敏感特征，其中，所述第一宏观敏感特征包括第一链段特征信息；对所述第一基团特征信息进行编码，获得第一基因型参数；将所述第一链段特征信息，设为第一表现型参数；根据所述第一基因型参数和所述第一表现型参数，构建第一关联函数；当所述第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果；根据所述第一优化结果制备所述第一聚氨酯弹性体。
另一方面，本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化***，其中，所述***包括：第一获得单元，用于对第一聚氨酯弹性体进行微观性能分析，获得第一微观敏感特征，其中，所述第一微观敏感特征包括第一基团特征信息；第二获得单元，用于对所述第一聚氨酯弹性体进行宏观性能分析，获得第一宏观敏感特征，其中，所述第一宏观敏感特征包括第一链段特征信息；第三获得单元，用于对所述第一基团特征信息进行编码，获得第一基因型参数；第一处理单元，用于将所述第一链段特征信息，设为第一表现型参数；第一构建单元，用于根据所述第一基因型参数和所述第一表现型参数，构建第一关联函数；第四获得单元，用于当所述第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果；第一执行单元，用于根据所述第一优化结果制备所述第一聚氨酯弹性体。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过对聚氨酯弹性体进行微观性能分析，确定微观敏感特征，即基团特征；对聚氨酯弹性体进行宏观性能分析，确定宏观敏感特征，即链段特征；对基团特征进行编码，设为基因型参数；将链段特征设为表现型参数；根据基因型参数对基因型参数的影响关系，构建经验函数；判断表现型参数是否满足表现型参数阈值，若不满足则对基因型参数进行优化，进而确定优化结果制备聚氨酯弹性体的技术方案，将聚氨酯弹性体的微宏观特征量化，进而将表现型参数和性能评估确定的表现型参数阈值比对，依据比对结果对基因型参数自动优化，全程自动化智能决策，达到了决策效率及准确率都较高的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化方法流程示意图；
图2为本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化方法的基因型参数优化流程示意图；
图3为本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化***结构示意图；
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一处理单元14，第一构建单元15，第四获得单元16，第一执行单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例通过提供了一种基于性能评估的聚氨酯弹性体优化方法及***，解决了现有技术中由于主要依赖人工进行性能评估制定优化策略，导致存在准确率和效率都较低的技术问题。通过将聚氨酯弹性体的微宏观特征量化，进而将表现型参数和性能评估确定的表现型参数阈值比对，依据比对结果对基因型参数自动优化，全程自动化智能决策，保证了决策效率，量化后的数据处理保证了准确率，达到了决策效率及准确率都较高的技术效果。
申请概述
聚氨酯弹性体广泛应用于选煤、冶金、汽车、矿山等行业，通过对聚氨酯弹性体进行结构设计，可使得聚氨酯弹性体相对传统材料具有较好的优越性能，因此广受欢迎，但是由于在对聚氨酯弹性体进行结构设计中现有技术较依赖于人工经验，导致存在进行结构设计过程中的性能评估及性能优化效率都较低且准确率难以保证的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化方法及***。由于采用了通过对聚氨酯弹性体进行微观性能分析，确定微观敏感特征，即基团特征；对聚氨酯弹性体进行宏观性能分析，确定宏观敏感特征，即链段特征；对基团特征进行编码，设为基因型参数；将链段特征设为表现型参数；根据基因型参数对基因型参数的影响关系，构建经验函数；判断表现型参数是否满足表现型参数阈值，若不满足则对基因型参数进行优化，进而确定优化结果制备聚氨酯弹性体的技术方案，将聚氨酯弹性体的微宏观特征量化，进而将表现型参数和性能评估确定的表现型参数阈值比对，依据比对结果对基因型参数自动优化，全程自动化智能决策，达到了决策效率及准确率都较高的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化方法，其中，所述方法包括：
S100：对第一聚氨酯弹性体进行微观性能分析，获得第一微观敏感特征，其中，所述第一微观敏感特征包括第一基团特征信息；
具体而言，第一聚氨酯弹性体指的是已经制备的聚氨酯弹性体，是一种加热可以塑化、溶剂可以溶解的弹性体，具有高强度、高韧性、耐磨、耐油等优异的综合性能，易加工，是一种(AB)n型嵌段线性聚合物，A为高分子量的聚酯或聚醚，为软段，B为含有直连碳原子的二醇，为硬段，AB链段间的化学结构是二异氰酸酯；聚氨酯弹性体依靠分子间氢键交联或大分子链间轻度交联形成，随着温度的变化，交联结构具有可逆性，而不同比例进而使得聚氨酯弹性体的A和B，以及分布位置，就会造成聚氨酯弹性体具备多种类型的性能，适用于各种场景。
第一微观敏感特征指的是表征第一聚氨酯弹性体性能特征的微观结构，包括但不限于官能团特征等信息，如上述的聚酯或聚醚中的酯键或醚键的位置、数量都会对聚酯或聚醚的性质造成一定影响，例如反应活性等，进而则会影响聚氨酯弹性体的性能，如上述含有直连碳原子的二醇中的碳原子数量、醇的分布位置及数量都会对聚氨酯弹性体的性能造成影响。第一基团特征信息指的是提取第一微观敏感特征中的官能团特征，包括：官能团类型、分布位置、数量等特征信息。其中，微观性能分析的方式优选的通过：红外光谱、质谱、紫外光谱、核磁共振氢谱和X射线衍射中的一种或多种方式进行检测，确定分子层面的结构、组成、数量等信息。
通过对第一微观敏感特征进行分析，进而可确定形成聚氨酯弹性体的微观基团信息，通过多个微观基团的组合，可形成分子链，分子链的交联结构即可表征第一聚氨酯弹性体的性能信息，因此通过对第一微观敏感特征的全面分析，是准确表征第一聚氨酯弹性体的性能的数据保障。
S200：对所述第一聚氨酯弹性体进行宏观性能分析，获得第一宏观敏感特征，其中，所述第一宏观敏感特征包括第一链段特征信息；
具体而言，第一宏观敏感特征指的是对第一聚氨酯弹性体从链段层面上进行性能评估，确定的链段特征对第一聚氨酯弹性体的性能具有影响的特征信息，示例性地如：链段类型、链段交联信息、不同类型链段比例信息等特征信息；第一链段特征信息指的是将遍历链段类型将链段特征信息分组存储后得到的结果，包括但不限于：硬段特征参数：硬段数量、分布位置；软段特征参数：软段数量、分布位置；链段结构特征参数：硬软段比例特征、硬软段交联后的分布位置、数量等信息。
对第一聚氨酯弹性体性能具有直接影响的即为聚氨酯弹性体内的硬段和软段之间的特征信息，通过对第一聚氨酯弹性体进行宏观性能分析，即可确定第一聚氨酯弹性体分子链级别的和性能相关的敏感特征，进而即可直接表征第一聚氨酯弹性体性能，此处的宏观性能分析为相对分子层面而言，分子链层面的宏观。宏观性能分析即通过对第一聚氨酯弹性体进行分子链分析，进而提取影响聚氨酯弹性体性能的分子链段的特征信息设为第一链段特征信息，为后步准确的聚氨酯弹性体性能表征提供基础数据。
S300：对所述第一基团特征信息进行编码，获得第一基因型参数；
进一步的，基于所述将所述第一基团特征信息，设为第一基因型参数，步骤S300包括：
S310：根据所述第一基团特征信息，获得第一基团类型特征、第一基团数量特征、第一基团位置特征；
S320：根据第一预设编码规则对所述第一基团类型特征进行编码，获得第一编码信息；
S330：根据第一预设编码规则对所述第一基团数量特征进行编码，获得第二编码信息；
S340：根据第一预设编码规则对所述第一基团位置特征进行编码，获得第三编码信息；
S350：将所述第一编码信息、所述第二编码信息和所述第三编码信息设为所述第一基因型参数。
具体而言，第一基因型参数指的是对第一基团特征信息进行编码之后确定的结果，通过遍历第一基团特征信息对每一个分子进行唯一编码，即同一个分子限定状态下的基团特征信息具有唯一的编码，进而实现了将第一基团特征信息的量化处理，便于后步进行优化的数据处理过程。
第一基团类型特征、第一基团数量特征和第一基团位置特征指的是第一基团特征信息中至少包括的三种类型的基团特征；第一预设编码规则指的是预设的第一基团特征信息进行编码的方式，优选的编码方式举不设限制的一例：
步骤一：通过不同的编号对不同的基团进行编号，一个基团类型对应于一个编号，使用一位***数字或一位希腊字母或一位英文字母或一个符号表征不同的基团类型；步骤二：通过三位：字母、***数字、符号；或三位：字母和***数字、字母和符号、***数字和符号、字母和***数字和符号的形式对基团的分布位置进行表征；步骤三：通过四位：字母、***数字、符号；或四位：字母和***数字、字母和符号、***数字和符号、字母和***数字和符号的形式对基团的数量进行表征，其中，可选的编码都为：如下形式串接：基团类型-(位置1-数量1)-(位置2-数量2)-…，依据上述方式编码的一位编码、三位编码、四位编码为固定的整组数据，进行交换、替换、增加或删除时，限定整体调动。
根据上述步骤一的编码规则对第一基团类型特征进行编码，记为第一编码信息；根据上述步骤二的编码规则对第一基团位置特征进行编码，记为第三编码信息；根据上述步骤三的编码规则对第一基团数量特征进行编码，记为第二编码信息。进一步的，将第一编码信息、第二编码信息和第三编码信息优选的使用上述串接方式串接，即生成第一基因型参数。通过第一基因型参数可完成微观特征的量化，便于后步快速处理。
S400：将所述第一链段特征信息，设为第一表现型参数；
具体而言，链段是由多个分子连接而得到的大分子物质，因此当分子层面的第一基因型参数，即分子的类型、官能团的分布位置、分布数量确定后，第一链段特征信息即确定。进而，可选的通过多分子的编码串接形成单链段的参数，而多链段之间的交联也由相应的交联处的官能团的编码表征。第一表现型参数指的是根据上述规则，对第一链段特征信息进行表征后得到的结果，通过第一表现型参数实现了第一链段特征信息的量化处理，且通过第一表现型参数可直接表征第一聚氨酯弹性体的性能。当第一基因型参数变动时，第一表现型参数随之变动，更进一步影响第一聚氨酯弹性体的性能，如此，完成第一聚氨酯弹性体的性能-第一表现型参数-第一基因型参数的三级映射关系，实现了优化结构的初步搭建。
S500：根据所述第一基因型参数和所述第一表现型参数，构建第一关联函数；
具体而言，第一关联函数指的是表征第一基因型参数和第一表现型参数之间抽象映射关系的函数式，优选的形式为：其中，y表示第一表现型参数，x表示第一基因型参数，f(x)表示第一表现型参数随着第一基因型参数变化的改变关系，下述为x到y映射关系；/>表示第一表现型参数和第一基因型参数之间的相互映射，即改动第一基因型参数，第一表现型参数随之变动；限定第一表现型参数，即可确定第一基因型参数的取值范围。可能多种类型的第一基因型参数对应于一种第一表现型参数，因此，x到y的映射为多对一形式。通过第一关联函数可实现第一基因型参数和第一表现型参数之间抽象映射关系的量化表达，便于后步快速处理。
S600：当所述第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果；
进一步的，基于所述当所述第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果，之前步骤S600包括：
S610：根据所述第一聚氨酯弹性体，获得第一预应用场景；
S620：根据所述第一表现型参数，获得第一硬段特征参数、第一软段特征参数和第一链段结构特征参数；
S630：根据所述第一硬段特征参数、所述第一软段特征参数和所述第一链段结构特征参数，构建参数阈值匹配模型；
S640：将所述第一预应用场景输入所述参数阈值匹配模型，生成所述第一表现型参数阈值。
S700：根据所述第一优化结果制备所述第一聚氨酯弹性体。
具体而言，第一表现型参数阈值指的是根据实际的应用场景进行评估后，确定的第一聚氨酯弹性体应具备的链段层面的性能参数阈值。确定过程如下：
第一预应用场景指的是第一聚氨酯弹性体的具体应用场景信息，根据第一预应用场景即可确定第一聚氨酯弹性体的性能值，例如：延展度、硬度、拉伸度等具体值，进而即可确定第一聚氨酯弹性体的链段层面的第一硬段特征参数、第一软段特征参数和第一链段结构特征参数的具体值，此过程优选的通过参数阈值匹配模型进行处理，参数阈值匹配模型为基于人工神经网络构建的智能化模型，经过大量专家经验数据训练而成，拟合了大量专家经验数据，收敛后可根据第一预应用场景为第一聚氨酯弹性体匹配出较适应的链段层面的第一硬段特征参数、第一软段特征参数和第一链段结构特征参数的具体值，记为第一表现型参数阈值。
进一步的，第一优化结果指的是当第一表现型参数不满足第一表现型参数阈值时，通过第一关联函数对第一基因型参数进行优化确定的数据，优化过程，即在确定了第一表现型参数阈值后，即可确定和第一表现型参数阈值对应的多组第一基因型参数，进而只需筛选出和第一表现型参数阈值结合度最高的第一基因型参数即可设为第一优化结果，详细步骤后续阐述。更进一步的，依据第一优化结果对第一聚氨酯弹性体制备过程进行改进，进而保证了制备所得的第一聚氨酯弹性体更加适用于第一预应用场景。
进一步的，基于所述根据所述第一表现型参数，构建参数阈值匹配模型，步骤S630还包括：
S631：获得第一历史数据，其中，所述第一历史数据包括多组：应用场景、硬段特征标识信息、软段特征标识信息和链段结构特征标识信息；
S632：根据所述多组：应用场景和硬段特征标识信息，构建硬段特征参数匹配层；
S633：根据所述多组：应用场景和软段特征标识信息，构建软段特征参数匹配层；
S634：根据所述多组：应用场景和链段结构特征标识信息，构建链段结构参数匹配层；
S635：将所述硬段特征参数匹配层、所述软段特征参数匹配层和所述链段结构参数匹配层设为并行节点合并，构建所述参数阈值匹配模型。
具体而言，第一历史数据指的是用来构建参数阈值匹配模型的数据集，优选的将第一历史数据划分为8：1：1，8比例用于训练模型，1比例用于模型训练迭代，1比例用于验证模型准确性；第一历史数据包括多组：应用场景、硬段特征标识信息、软段特征标识信息和链段结构特征标识信息。训练过程如下：
构建硬段特征参数匹配层：基于人工神经网络，将应用场景作为输入数据，将硬段特征标识信息作为输出数据的准确度验证信息，进行迭代训练，当输出稳定后，使用验证数据验证准确率，若满足预设准确率，则收敛，得到硬段特征参数匹配层；
构建软段特征参数匹配层：基于人工神经网络，将应用场景作为输入数据，将软段特征标识信息作为输出数据的准确度验证信息，进行迭代训练，当输出稳定后，使用验证数据验证准确率，若满足预设准确率，则收敛，得到软段特征参数匹配层；
构建链段结构参数匹配层：基于人工神经网络，将应用场景作为输入数据，将链段结构特征标识信息作为输出数据的准确度验证信息，进行迭代训练，当输出稳定后，使用验证数据验证准确率，若满足预设准确率，则收敛，得到链段结构参数匹配层；
将硬段特征参数匹配层、软段特征参数匹配层和链段结构参数匹配层设为并行节点合并，生成输入层-(并行节点：三节点层)-输出层的参数阈值匹配模型，基于人工神经网络构建的参数阈值匹配模型可拟合专家经验，进而生成较准确的参数阈值匹配结果，做出准确的性能评估，为制备参数的优化提供了数据反馈基础。
进一步的，如图2所示，基于所述通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果，步骤S600包括：
S610：根据所述第一关联函数，构建第一映射空间，其中，所述第一映射空间包括第一变量区域和第一映射区域；
S620：将所述第一表现型参数匹配至所述第一映射区域；
S630：将所述第一基因型参数匹配至所述第一变量区域；
S640：通过所述第一表现型参数阈值，获得第一约束条件；
S650：根据所述第一约束条件对所述第一基因型参数进行优化，获得所述第一优化结果。
具体而言，第一映射空间指的是通过第一关联函数表征的映射关系构建的虚拟映射空间；第一变量区域指的是和第一基因型参数对应的第一映射空间内的区域；第一映射区域指的是和第一表现型参数对应的第一映射空间内的区域；第一约束条件指的是根据第一表现型参数阈值确定的表征第一基因型参数和第一表现型参数取值边界的约束条件；根据第一约束条件对第一基因型参数进行筛选，确定第一优化结果。通过构建第一映射空间，可增强优化过程的可视化程度，以及通过第一映射空间抽象表征，更有利于计算机进行高效处理。
进一步的，基于所述通过所述第一表现型参数阈值，获得第一约束条件，步骤S640包括：
S641：通过所述第一表现型参数阈值，在所述第一映射区域内构建第一表现型约束区域；
S642：根据所述第一表现型约束区域进行反向映射，在所述第一变量区域内构建第一基因型约束区域；
S643：将所述第一表现型约束区域和所述第一基因型约束区域添加进所述第一约束条件。
具体而言，第一表现型约束区域指的是根据第一表现型约束区域确定的第一表现型参数取值范围，即满足第一表现型参数阈值对应于第一映射区域内，即为不同表现型参数的取值范围；第一基因型约束区域指的是根据映射关系通过第一表现型约束区域进行反向映射，进而确定的第一基因型约束区域，即表征第一基因型参数的取值范围，后步的优化过程，即为同时选定满足第一基因型约束区域中的一组和第一表现型参数阈值对应的基因型参数，评估其和第一表现型参数阈值之间的偏离度，进而依据偏离度对第一基因型参数进行筛选的过程。由于此处限定的取值范围仅为遍历第一表现型参数阈值的单个维度确定取值范围，当每个维度对应的基因型参数耦合后，由于基因型参数之间可能具有冲突性，很难得到完全符合第一表现型参数阈值的理想选择结果，但是通过优化的过程可以筛选出不断逼近的结果。通过第一约束条件限定取值范围，限缩优化范围，可大幅提高优化效率。
进一步的，基于所述根据所述第一约束条件对所述第一基因型参数进行优化，获得所述第一优化结果，步骤S650包括：
S651：获得第一编码调整规则、第二编码调整规则和第三编码调整规则，其中，所述第一编码调整规则为编码替换，所述第二编码调整规则为编码增加或减少，所述第三编码调整规则为编码交换；
S652：根据所述第一基因型约束区域，基于所述第一编码调整规则和/或所述第二编码调整规则和/或所述第三编码调整规则对所述第一基因型参数进行编码调整，获得第二基因型参数；
S653：将所述第二基因型参数输入所述第一映射空间，生成第二表现型参数；
S654：根据所述第一表现型参数和所述第一表现型参数阈值，生成第一偏离度；
S655：根据所述第二表现型参数和所述第一表现型参数阈值，生成第二偏离度；
S656：当所述第二偏离度小于等于所述第一偏离度，基于所述第二基因型参数迭代优化，直到第N偏离度满足第一偏离度阈值时停止，生成第N基因型参数；
S657：将所述第N基因型参数设为所述第一优化结果。
具体而言，第一编码调整规则为编码替换，第二编码调整规则为编码增加或减少，第三编码调整规则为编码交换；通过第一编码调整规则或第二编码调整规则或第三编码调整规则、第一编码调整规则和第二编码调整规则、第一编码调整规则和第三编码调整规则；第二编码调整规则和第三编码调整规则，对第一基因型参数进行编码调整，由于当编码确定后，即所在区域位置确定，因此当不符合第一基因型约束区域的调整结果直接筛除。将符合第一基因型约束区域的调整结果，即为第二基因型参数。
第二表现型参数指的是根据第二基因型参数输入第一映射空间确定的参数值，计算第二表现型参数和第一表现型参数阈值的偏离度，记为第二偏离度，计算第一表现型参数和第一表现型参数阈值的偏离度，记为第一偏离度，优选的第一表现型参数阈值多个维度权重优选的相同，即第二偏离度为三个维度的偏离度均值。
比对第一偏离度和第二偏离度，偏离度越大，则性能和场景差距越大，当第二偏离度小于等于第一偏离度，基于第二基因型参数继续迭代优化，将第一基因型参数添加进淘汰数据组，后步迭代时遇见跳过；当第二偏离度大于第一偏离度，基于第一基因型参数继续迭代优化，将第二基因型参数添加进淘汰数据组，后步迭代时遇见跳过；直到第N偏离度满足第一偏离度阈值时停止，生成第N基因型参数；第一偏离度阈值为工作人员自定义的可接受的偏离度最大值。通过迭代优化，实现了第一基因型参数的自动化筛选，进而保证制备的聚氨酯弹性体性能和应用场景的契合度。
综上所述，本申请实施例所提供的一种基于性能评估的聚氨酯弹性体优化方法及***具有如下技术效果：
1.由于采用了通过对聚氨酯弹性体进行微观性能分析，确定微观敏感特征，即基团特征；对聚氨酯弹性体进行宏观性能分析，确定宏观敏感特征，即链段特征；对基团特征进行编码，设为基因型参数；将链段特征设为表现型参数；根据基因型参数对基因型参数的影响关系，构建经验函数；判断表现型参数是否满足表现型参数阈值，若不满足则对基因型参数进行优化，进而确定优化结果制备聚氨酯弹性体的技术方案，将聚氨酯弹性体的微宏观特征量化，进而将表现型参数和性能评估确定的表现型参数阈值比对，依据比对结果对基因型参数自动优化，全程自动化智能决策，达到了决策效率及准确率都较高的技术效果。
2.通过映射空间实现自动化筛选过程，简化了大量的实验及理论研究过程，极大的提高了决策效率和智能性。
实施例二
基于与前述实施例中一种基于性能评估的聚氨酯弹性体优化方法相同的发明构思，如图3所示，本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化***，其中，所述***包括：
第一获得单元11，用于对第一聚氨酯弹性体进行微观性能分析，获得第一微观敏感特征，其中，所述第一微观敏感特征包括第一基团特征信息；
第二获得单元12，用于对所述第一聚氨酯弹性体进行宏观性能分析，获得第一宏观敏感特征，其中，所述第一宏观敏感特征包括第一链段特征信息；
第三获得单元13，用于对所述第一基团特征信息进行编码，获得第一基因型参数；
第一处理单元14，用于将所述第一链段特征信息，设为第一表现型参数；
第一构建单元15，用于根据所述第一基因型参数和所述第一表现型参数，构建第一关联函数；
第四获得单元16，用于当所述第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果；
第一执行单元17，用于根据所述第一优化结果制备所述第一聚氨酯弹性体。
进一步的，所述***还包括：
第五获得单元，用于根据所述第一聚氨酯弹性体，获得第一预应用场景；
第六获得单元，用于根据所述第一表现型参数，获得第一硬段特征参数、第一软段特征参数和第一链段结构特征参数；
第二构建单元，用于根据所述第一硬段特征参数、所述第一软段特征参数和所述第一链段结构特征参数，构建参数阈值匹配模型；
第一生成单元，用于将所述第一预应用场景输入所述参数阈值匹配模型，生成所述第一表现型参数阈值。
进一步的，所述***还包括：
第七获得单元，用于获得第一历史数据，其中，所述第一历史数据包括多组：应用场景、硬段特征标识信息、软段特征标识信息和链段结构特征标识信息；
第三构建单元，用于根据所述多组：应用场景和硬段特征标识信息，构建硬段特征参数匹配层；
第四构建单元，用于根据所述多组：应用场景和软段特征标识信息，构建软段特征参数匹配层；
第五构建单元，用于根据所述多组：应用场景和链段结构特征标识信息，构建链段结构参数匹配层；
第六构建单元，用于将所述硬段特征参数匹配层、所述软段特征参数匹配层和所述链段结构参数匹配层设为并行节点合并，构建所述参数阈值匹配模型。
进一步的，所述***还包括：
第八获得单元，用于根据所述第一基团特征信息，获得第一基团类型特征、第一基团数量特征、第一基团位置特征；
第九获得单元，用于根据第一预设编码规则对所述第一基团类型特征进行编码，获得第一编码信息；
第十获得单元，用于根据第一预设编码规则对所述第一基团数量特征进行编码，获得第二编码信息；
第十一获得单元，用于根据第一预设编码规则对所述第一基团位置特征进行编码，获得第三编码信息；
第二处理单元，用于将所述第一编码信息、所述第二编码信息和所述第三编码信息设为所述第一基因型参数。
进一步的，所述***还包括：
第七构建单元，用于根据所述第一关联函数，构建第一映射空间，其中，所述第一映射空间包括第一变量区域和第一映射区域；
第一匹配单元，用于将所述第一表现型参数匹配至所述第一映射区域；
第二匹配单元，用于将所述第一基因型参数匹配至所述第一变量区域；
第十二获得单元，用于通过所述第一表现型参数阈值，获得第一约束条件；
第十三获得单元，用于根据所述第一约束条件对所述第一基因型参数进行优化，获得所述第一优化结果。
进一步的，所述***还包括：
第八构建单元，用于通过所述第一表现型参数阈值，在所述第一映射区域内构建第一表现型约束区域；
第九构建单元，用于根据所述第一表现型约束区域进行反向映射，在所述第一变量区域内构建第一基因型约束区域；
第一添加单元，用于将所述第一表现型约束区域和所述第一基因型约束区域添加进所述第一约束条件。
进一步的，所述***还包括：
第十四获得单元，用于获得第一编码调整规则、第二编码调整规则和第三编码调整规则，其中，所述第一编码调整规则为编码替换，所述第二编码调整规则为编码增加或减少，所述第三编码调整规则为编码交换；
第十五获得单元，用于根据所述第一基因型约束区域，基于所述第一编码调整规则和/或所述第二编码调整规则和/或所述第三编码调整规则对所述第一基因型参数进行编码调整，获得第二基因型参数；
第一输入单元，用于将所述第二基因型参数输入所述第一映射空间，生成第二表现型参数；
第一生成单元，用于根据所述第一表现型参数和所述第一表现型参数阈值，生成第一偏离度；
第二生成单元，用于根据所述第二表现型参数和所述第一表现型参数阈值，生成第二偏离度；
第三生成单元，用于当所述第二偏离度小于等于所述第一偏离度，基于所述第二基因型参数迭代优化，直到第N偏离度满足第一偏离度阈值时停止，生成第N基因型参数；
第三处理单元，用于将所述第N基因型参数设为所述第一优化结果。
实施例三
基于与前述实施例中一种基于性能评估的聚氨酯弹性体优化方法相同的发明构思，本申请实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一任一项所述的方法。
示例性电子设备
下面参考图4来描述本申请实施例的电子设备。
基于与前述实施例中一种基于性能评估的聚氨酯弹性体优化方法相同的发明构思，本申请实施例还提供了一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得***以执行实施例一任一项所述的方法。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的***，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种基于性能评估的聚氨酯弹性体优化方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例提供了一种基于性能评估的聚氨酯弹性体优化方法及***。由于采用了通过对聚氨酯弹性体进行微观性能分析，确定微观敏感特征，即基团特征；对聚氨酯弹性体进行宏观性能分析，确定宏观敏感特征，即链段特征；对基团特征进行编码，设为基因型参数；将链段特征设为表现型参数；根据基因型参数对基因型参数的影响关系，构建经验函数；判断表现型参数是否满足表现型参数阈值，若不满足则对基因型参数进行优化，进而确定优化结果制备聚氨酯弹性体的技术方案，将聚氨酯弹性体的微宏观特征量化，进而将表现型参数和性能评估确定的表现型参数阈值比对，依据比对结果对基因型参数自动优化，全程自动化智能决策，达到了决策效率及准确率都较高的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程***。所述计算机指
令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑***，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算***的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (4)

1.一种基于性能评估的聚氨酯弹性体优化方法，其特征在于，所述方法包括：
对第一聚氨酯弹性体进行微观性能分析，获得第一微观敏感特征，其中，所述第一微观敏感特征包括第一基团特征信息；
对所述第一聚氨酯弹性体进行宏观性能分析，获得第一宏观敏感特征，其中，所述第一宏观敏感特征包括第一链段特征信息；
对所述第一基团特征信息进行编码，获得第一基因型参数，所述第一基因型参数是指对第一基团特征信息进行编码之后确定的结果，其中包括：根据所述第一基团特征信息，获得第一基团类型特征、第一基团数量特征、第一基团位置特征；根据第一预设编码规则对所述第一基团类型特征进行编码，获得第一编码信息；根据第一预设编码规则对所述第一基团数量特征进行编码，获得第二编码信息；根据第一预设编码规则对所述第一基团位置特征进行编码，获得第三编码信息；将所述第一编码信息、所述第二编码信息和所述第三编码信息设为所述第一基因型参数；
将所述第一链段特征信息，设为第一表现型参数；
根据所述第一基因型参数和所述第一表现型参数，构建第一关联函数；
当所述第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果，在此之前，根据所述第一聚氨酯弹性体，获得第一预应用场景；根据所述第一表现型参数，获得第一硬段特征参数、第一软段特征参数和第一链段结构特征参数；根据所述第一硬段特征参数、所述第一软段特征参数和所述第一链段结构特征参数，构建参数阈值匹配模型，其中包括：获得第一历史数据，其中，所述第一历史数据包括多组：应用场景、硬段特征标识信息、软段特征标识信息和链段结构特征标识信息；根据所述多组：应用场景和硬段特征标识信息，构建硬段特征参数匹配层；根据所述多组：应用场景和软段特征标识信息，构建软段特征参数匹配层；根据所述多组：应用场景和链段结构特征标识信息，构建链段结构参数匹配层；将所述硬段特征参数匹配层、所述软段特征参数匹配层和所述链段结构参数匹配层设为并行节点合并，构建所述参数阈值匹配模型；将所述第一预应用场景输入所述参数阈值匹配模型，生成所述第一表现型参数阈值；其中所述通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果，包括：根据所述第一关联函数，构建第一映射空间，其中，所述第一映射空间包括第一变量区域和第一映射区域；将所述第一表现型参数匹配至所述第一映射区域；将所述第一基因型参数匹配至所述第一变量区域；通过所述第一表现型参数阈值，获得第一约束条件，其中包括：通过所述第一表现型参数阈值，在所述第一映射区域内构建第一表现型约束区域；根据所述第一表现型约束区域进行反向映射，在所述第一变量区域内构建第一基因型约束区域；将所述第一表现型约束区域和所述第一基因型约束区域添加进所述第一约束条件；根据所述第一约束条件对所述第一基因型参数进行优化，获得所述第一优化结果，其中包括：获得第一编码调整规则、第二编码调整规则和第三编码调整规则，其中，所述第一编码调整规则为编码替换，所述第二编码调整规则为编码增加或减少，所述第三编码调整规则为编码交换；根据所述第一基因型约束区域，基于所述第一编码调整规则和/或所述第二编码调整规则和/或所述第三编码调整规则对所述第一基因型参数进行编码调整，获得第二基因型参数；将所述第二基因型参数输入所述第一映射空间，生成第二表现型参数；根据所述第一表现型参数和所述第一表现型参数阈值，生成第一偏离度；根据所述第二表现型参数和所述第一表现型参数阈值，生成第二偏离度；当所述第二偏离度小于等于所述第一偏离度，基于所述第二基因型参数迭代优化，直到第N偏离度满足第一偏离度阈值时停止，生成第N基因型参数；将所述第N基因型参数设为所述第一优化结果；
根据所述第一优化结果制备所述第一聚氨酯弹性体。
2.一种基于性能评估的聚氨酯弹性体优化***，其特征在于，所述***包括：
第一获得单元，用于对第一聚氨酯弹性体进行微观性能分析，获得第一微观敏感特征，其中，所述第一微观敏感特征包括第一基团特征信息；
第二获得单元，用于对所述第一聚氨酯弹性体进行宏观性能分析，获得第一宏观敏感特征，其中，所述第一宏观敏感特征包括第一链段特征信息；
第三获得单元，用于对所述第一基团特征信息进行编码，获得第一基因型参数，所述第一基因型参数是指对第一基团特征信息进行编码之后确定的结果；
第八获得单元，用于根据所述第一基团特征信息，获得第一基团类型特征、第一基团数量特征、第一基团位置特征；
第九获得单元，用于根据第一预设编码规则对所述第一基团类型特征进行编码，获得第一编码信息；
第十获得单元，用于根据第一预设编码规则对所述第一基团数量特征进行编码，获得第二编码信息；
第十一获得单元，用于根据第一预设编码规则对所述第一基团位置特征进行编码，获得第三编码信息；
第二处理单元，用于将所述第一编码信息、所述第二编码信息和所述第三编码信息设为所述第一基因型参数；
第一处理单元，用于将所述第一链段特征信息，设为第一表现型参数；
第一构建单元，用于根据所述第一基因型参数和所述第一表现型参数，构建第一关联函数；
第四获得单元，用于当所述第一表现型参数不满足第一表现型参数阈值时，通过所述第一关联函数对所述第一基因型参数进行优化，获得第一优化结果；
第五获得单元，用于根据所述第一聚氨酯弹性体，获得第一预应用场景；
第六获得单元，用于根据所述第一表现型参数，获得第一硬段特征参数、第一软段特征参数和第一链段结构特征参数；
第二构建单元，用于根据所述第一硬段特征参数、所述第一软段特征参数和所述第一链段结构特征参数，构建参数阈值匹配模型；
第七获得单元，用于获得第一历史数据，其中，所述第一历史数据包括多组：应用场景、硬段特征标识信息、软段特征标识信息和链段结构特征标识信息；
第三构建单元，用于根据所述多组：应用场景和硬段特征标识信息，构建硬段特征参数匹配层；
第四构建单元，用于根据所述多组：应用场景和软段特征标识信息，构建软段特征参数匹配层；
第五构建单元，用于根据所述多组：应用场景和链段结构特征标识信息，构建链段结构参数匹配层；
第六构建单元，用于将所述硬段特征参数匹配层、所述软段特征参数匹配层和所述链段结构参数匹配层设为并行节点合并，构建所述参数阈值匹配模型；
第一生成单元，用于将所述第一预应用场景输入所述参数阈值匹配模型，生成所述第一表现型参数阈值；
第七构建单元，用于根据所述第一关联函数，构建第一映射空间，其中，所述第一映射空间包括第一变量区域和第一映射区域；
第一匹配单元，用于将所述第一表现型参数匹配至所述第一映射区域；
第二匹配单元，用于将所述第一基因型参数匹配至所述第一变量区域；
第十二获得单元，用于通过所述第一表现型参数阈值，获得第一约束条件；
第八构建单元，用于通过所述第一表现型参数阈值，在所述第一映射区域内构建第一表现型约束区域；
第九构建单元，用于根据所述第一表现型约束区域进行反向映射，在所述第一变量区域内构建第一基因型约束区域；
第一添加单元，用于将所述第一表现型约束区域和所述第一基因型约束区域添加进所述第一约束条件；
第十三获得单元，用于根据所述第一约束条件对所述第一基因型参数进行优化，获得所述第一优化结果；
第十四获得单元，用于获得第一编码调整规则、第二编码调整规则和第三编码调整规则，其中，所述第一编码调整规则为编码替换，所述第二编码调整规则为编码增加或减少，所述第三编码调整规则为编码交换；
第十五获得单元，用于根据所述第一基因型约束区域，基于所述第一编码调整规则和/或所述第二编码调整规则和/或所述第三编码调整规则对所述第一基因型参数进行编码调整，获得第二基因型参数；
第一输入单元，用于将所述第二基因型参数输入所述第一映射空间，生成第二表现型参数；
第一生成单元，用于根据所述第一表现型参数和所述第一表现型参数阈值，生成第一偏离度；
第二生成单元，用于根据所述第二表现型参数和所述第一表现型参数阈值，生成第二偏离度；
第三生成单元，用于当所述第二偏离度小于等于所述第一偏离度，基于所述第二基因型参数迭代优化，直到第N偏离度满足第一偏离度阈值时停止，生成第N基因型参数；
第三处理单元，用于将所述第N基因型参数设为所述第一优化结果；
第一执行单元，用于根据所述第一优化结果制备所述第一聚氨酯弹性体。
3.一种电子设备，其特征在于，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使***以执行权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的方法。
CN202210636748.5A 2022-06-07 2022-06-07 一种基于性能评估的聚氨酯弹性体优化方法及*** Active CN115064206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210636748.5A CN115064206B (zh) 2022-06-07 2022-06-07 一种基于性能评估的聚氨酯弹性体优化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210636748.5A CN115064206B (zh) 2022-06-07 2022-06-07 一种基于性能评估的聚氨酯弹性体优化方法及***

Publications (2)

Publication Number Publication Date
CN115064206A CN115064206A (zh) 2022-09-16
CN115064206B true CN115064206B (zh) 2023-08-08

Family

ID=83201255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210636748.5A Active CN115064206B (zh) 2022-06-07 2022-06-07 一种基于性能评估的聚氨酯弹性体优化方法及***

Country Status (1)

Country Link
CN (1) CN115064206B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1205714A (zh) * 1995-12-23 1999-01-20 巴斯福股份公司 含脲基的微孔聚氨酯弹性体
CN110532610A (zh) * 2019-07-24 2019-12-03 上海唯万密封科技有限公司 一种聚氨酯弹性体静态力学有限元分析方法
JP2020084152A (ja) * 2018-11-30 2020-06-04 三菱ケミカル株式会社 ポリウレタンエラストマー及びその製造方法
WO2020132683A1 (en) * 2018-12-21 2020-06-25 TeselaGen Biotechnology Inc. Method, apparatus, and computer-readable medium for efficiently optimizing a phenotype with a specialized prediction model
CN111909337A (zh) * 2020-08-14 2020-11-10 广州市白云化工实业有限公司 交联剂、聚氨酯预聚体以及单组分聚氨酯胶
CN114038512A (zh) * 2021-11-02 2022-02-11 卫星化学股份有限公司 一种合成丙烯酸的催化条件优化方法及***
CN114581210A (zh) * 2022-05-09 2022-06-03 北京乐开科技有限责任公司 一种基于rpa的企业财务的数字化管理方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060178497A1 (en) * 2005-02-04 2006-08-10 Clemson University And Thordon Bearings, Inc. Implantable biomedical devices including biocompatible polyurethanes

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1205714A (zh) * 1995-12-23 1999-01-20 巴斯福股份公司 含脲基的微孔聚氨酯弹性体
JP2020084152A (ja) * 2018-11-30 2020-06-04 三菱ケミカル株式会社 ポリウレタンエラストマー及びその製造方法
WO2020132683A1 (en) * 2018-12-21 2020-06-25 TeselaGen Biotechnology Inc. Method, apparatus, and computer-readable medium for efficiently optimizing a phenotype with a specialized prediction model
CN110532610A (zh) * 2019-07-24 2019-12-03 上海唯万密封科技有限公司 一种聚氨酯弹性体静态力学有限元分析方法
CN111909337A (zh) * 2020-08-14 2020-11-10 广州市白云化工实业有限公司 交联剂、聚氨酯预聚体以及单组分聚氨酯胶
CN114038512A (zh) * 2021-11-02 2022-02-11 卫星化学股份有限公司 一种合成丙烯酸的催化条件优化方法及***
CN114581210A (zh) * 2022-05-09 2022-06-03 北京乐开科技有限责任公司 一种基于rpa的企业财务的数字化管理方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
聚氨酯人工血管的综合物理性能评估;李崇崇;《中国药事》;第33卷(第6期);第675-678页 *

Also Published As

Publication number Publication date
CN115064206A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
Vasko et al. Estimating the number of segments in time series data using permutation tests
CA2654064A1 (en) Methods and systems for high confidence utilization of datasets
CN108763648B (zh) 基于核磁共振t2分布获取毛管压力曲线的方法和装置
CN112434084A (zh) 基于geohash和LCSS的轨迹相似度匹配方法及装置
CN115064206B (zh) 一种基于性能评估的聚氨酯弹性体优化方法及***
CN114553681B (zh) 设备状态异常检测方法、装置和计算机设备
CN110019193B (zh) 相似帐号识别方法、装置、设备、***及可读介质
Hoeltgen et al. Clustering-based quantisation for PDE-based image compression
Qin et al. Estimating lossy compressibility of scientific data using deep neural networks
CN110475258B (zh) 一种基站的可靠性评估方法和***
US11562110B1 (en) System and method for device mismatch contribution computation for non-continuous circuit outputs
CN114580299A (zh) 一种混凝土抗压能力预测方法、装置、设备及存储介质
CN113312845A (zh) 一种基于pso-svr的土石坝浸润线的测压管水位预测方法
CN114722704A (zh) 车轮磨损预测网络模型训练方法、装置
JP7302229B2 (ja) データ管理システム、データ管理方法、およびデータ管理プログラム
WO2016110125A1 (zh) 高维向量的哈希方法、向量量化方法及装置
CN112819231A (zh) 用于预测家庭户数的方法、装置及设备
CN108599882B (zh) 一种基于自编码器的宽带频谱感知方法和装置
Lee et al. Data-free mixed-precision quantization using novel sensitivity metric
CN114251075A (zh) 基于多目标参数的储层开采方案确定方法、装置及设备
CN112214535A (zh) 一种相似度计算方法、***、电子设备及存储介质
Lee et al. A Novel Sensitivity Metric For Mixed-Precision Quantization With Synthetic Data Generation
CN112601074B (zh) 评价编码器的方法、装置、计算机设备和存储介质
Hansun et al. Hybrid double exponential smoothing method for predicting foreign tourist arrivals to Bali
JP4944924B2 (ja) 信号量子化装置、方法、プログラム及びその記録媒体、信号量子化システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant