CN117195743B - 一种热障涂层裂纹结构的喷涂参数优化方法 - Google Patents
一种热障涂层裂纹结构的喷涂参数优化方法 Download PDFInfo
- Publication number
- CN117195743B CN117195743B CN202311334362.XA CN202311334362A CN117195743B CN 117195743 B CN117195743 B CN 117195743B CN 202311334362 A CN202311334362 A CN 202311334362A CN 117195743 B CN117195743 B CN 117195743B
- Authority
- CN
- China
- Prior art keywords
- coating
- thermal barrier
- image
- barrier coating
- network model
- 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
Links
- 238000005507 spraying Methods 0.000 title claims abstract description 70
- 239000012720 thermal barrier coating Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 239000011248 coating agent Substances 0.000 claims abstract description 68
- 238000000576 coating method Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 38
- 239000007921 spray Substances 0.000 claims abstract description 16
- 238000002474 experimental method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 49
- 238000009826 distribution Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 11
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 32
- 230000000694 effects Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005328 electron beam physical vapour deposition Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000012790 adhesive layer Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007750 plasma spraying Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Landscapes
- Coating By Spraying Or Casting (AREA)
Abstract
本发明公开了一种热障涂层裂纹结构的喷涂参数优化方法,涉及热障涂层喷涂技术领域,包括:获取含表面裂纹的热障涂层的真实涂层微结构图像,根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,采用基于Wasserstein距离和梯度惩罚项的损失函数,在改进的条件生成式对抗网络模型的生成器中,输入一组喷涂参数,获取生成图像中提取的涂层性能信息,根据制备的含表面裂纹的热障涂层的服役寿命实验确定服役寿命最优的涂层性能信息,确定生成图像中提取的最优涂层性能信息,从而确定热障涂层裂纹结构的最优喷涂参数。该方法利用深度网络生成的图像,反演出最优的喷涂参数,减少了对相关专业知识的依赖。
Description
技术领域
本发明涉及热障涂层喷涂技术领域,更具体的涉及一种热障涂层裂纹结构的喷涂参数优化方法。
背景技术
热障涂层可以有效提高燃气轮机热端部件的工作温度,从而提升燃烧效率、降低运行成本。热障涂层结构主要包括基底、粘接层和陶瓷层。其中陶瓷层主要起隔热作用,是热障涂层的核心。制备陶瓷层的方法主要包括大气等离子喷涂(APS)和电子束物理气相沉积(EB-PVD)等方法。其中由于APS制备成本较低,是制备陶瓷层首选的工艺。近年来随着先进航空发动机和燃气轮机技术的发展,燃烧室、高温叶片等热端部件的工作温度不断提高,对热障涂层的隔热效果和服役寿命有了更高的要求,传统APS涂层已经无法满足要求。为此人们提出了含表面裂纹的热障涂层(DVCs)来制备高热障和高应变容限的热障涂层。研究发现,通过控制APS喷涂过程中的关键喷涂参数,从而改变熔融粉末快速冷却所产生的面内等双轴拉应力水平,可以最终实现表面裂纹的制备。在相同服役温度下,DVCs涂层寿命是传统APS涂层寿命的3-4倍。因此如何确定最优的喷涂参数,建立喷涂参数与涂层微结构之间的关系就成了问题的关键。
传统方式研究喷涂参数和涂层微结构之间的关系主要包括:正交试验法、理论建模和数值模拟。但是正交试验需要设置一系列正交试验,成本较高且无法遍历所有取值。理论建模和数值模拟都需要准确掌握其中的物理机制,但是在面对多个喷涂参数共同作用,背后的控制机理十分复杂,难以确定,难以直接建立从制备参数到结构的映射关系,同时这两种方法的计算成本均较高,目前还没有针对这一问题的精确的理论建模及数值模拟方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明第一方面提出一种热障涂层裂纹结构的喷涂参数优化方法,包括:
获取根据预设的喷涂参数制备的含表面裂纹的热障涂层的真实涂层微结构图像;
根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,训练时采用基于Wasserstein距离和梯度惩罚项的损失函数;
在训练后的改进的条件生成式对抗网络模型的生成器中,输入一组喷涂参数,获取生成图像中提取的涂层性能信息;
根据制备的含表面裂纹的热障涂层的服役寿命实验确定服役寿命最优的涂层性能信息,根据最优的涂层性能信息,反向优化热障涂层裂纹结构的喷涂参数。
进一步,根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,包括
采用m维的随机数一维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的生成器,获取生成图像的二维张量;
采用生成图像与真实涂层微结构图像的二维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的鉴别器,获取概率一维张量;
在训练时,先采用基于Wasserstein距离和梯度惩罚项的损失函数优化更新鉴别器的参数,再采用生成器的损失函数优化更新生成器的参数,直至生成器和鉴别器的损失函数均为最小并达到平衡时停止训练。
进一步,基于Wasserstein距离和梯度惩罚项的损失函数,包括:,其中,/>表示鉴别器损失函数;表示/>在/>服从/>分布条件下函数的期望;/>表示/>在/>服从/>分布条件下函数的期望;/>表示/>在/>服从/>分布条件下函数的期望;/>表示条件参数;/>表示生成器中随机数向量的分布;/>表示生成的图像样本;/>表示判别器输出的图像为真的概率,介于0-1之间;/>表示真实样本的分布;/>表示真实的图像样本;/>是梯度惩罚项的权重系数;/>表示在真实样本/>和生成样本/>之间随机插值采样得到的图像;/>表示/>的随机分布;/>表示2范数;/>表示计算梯度;/>服从[0,1]均匀分布。
进一步,生成器的损失函数,包括:,其中,/>表示生成器损失函数。
进一步,在获取所述真实涂层微结构图像后,还包括:
获取真实涂层微结构图像中多张截取图片;
采用类别标签或数值标签标记多张截取图片。
进一步,改进的条件生成式对抗网络模型的生成器包括依次连接的1个全连接层、2个反卷积层、6个残差块、2个上采样层和LeakyReLU激活函数层,改进的条件生成式对抗网络模型的鉴别器包括顺次连接的1个全连接层、7个卷积层、1个残差块、4个下采样层、LeakyReLU激活函数层、2个全连接层。
本发明另一方面提供一种热障涂层裂纹结构的喷涂参数优化装置,包括:
图像获取模块,用于获取根据预设的喷涂参数制备的含表面裂纹的热障涂层的真实涂层微结构图像;
训练模块,用于根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,训练时采用基于Wasserstein距离和梯度惩罚项的损失函数;
涂层性能生成模块,用于在训练后的改进的条件生成式对抗网络模型的生成器中,输入一组喷涂参数,获取生成图像中提取的涂层性能信息;
反向优化模块,用于根据制备的含表面裂纹的热障涂层的服役寿命实验确定服役寿命最优的涂层性能信息,根据最优的涂层性能信息,反向优化热障涂层裂纹结构的喷涂参数。
本发明另一方面还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的热障涂层裂纹结构的喷涂参数优化方法。
本发明另一方面还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的热障涂层裂纹结构的喷涂参数优化方法。
本发明实施例提供一种热障涂层裂纹结构的喷涂参数优化方法,与现有技术相比,其有益效果如下:
本方法利用深度学习和图像生成技术,在无需知道或假设物理规律的前提下,仅通过分析生成图像涂层性能信息的和服役寿命实验确定服役寿命最优的涂层性能信息,利用深度学习确定的喷涂参数和涂层裂纹结构之间的映射关系,就能够实现物理现象的预测,从而实现从喷涂参数到涂层微结构图像端到端的预测,减少了对相关专业知识的依赖。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。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的前提下,还能够根据这些附图获得其它附图。
图1为本发明实施例提供的一种热障涂层裂纹结构的喷涂参数优化方法的流程图;
图2为本发明实施例提供的一种热障涂层裂纹结构的喷涂参数优化方法的生成器模型图;
图3为本发明实施例提供的一种热障涂层裂纹结构的喷涂参数优化方法的鉴别器模型图;
图4为本发明实施例提供的一种热障涂层裂纹结构的喷涂参数优化方法的生成器预测效果图;
图5为本发明实施例提供的一种热障涂层裂纹结构的喷涂参数优化装置结构图。
具体实施方式
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的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。
本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或无创造性的劳动可以包括更多或者更少的操作步骤。在实际中的***或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
图1为本发明实施例提供的一种热障涂层裂纹结构的喷涂参数优化方法的流程图,如图1所示,一种热障涂层裂纹结构的喷涂参数优化方法,包括:
步骤101、获取根据预设的喷涂参数制备的含表面裂纹的热障涂层的真实涂层微结构图像;
在步骤101中,通过控制喷涂参数,制备不同喷涂参数下的含表面裂纹的热障涂层结构图像,通过SEM扫描电镜,拍摄相应的微结构电镜图。
步骤102、根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,训练时采用基于Wasserstein距离和梯度惩罚项的损失函数;
在步骤102中,将任意一组喷涂参数输入训练完成的网络模型中,将网络模型预测的微结构图像与真实的微结构图像对比,来判断网络模型的预测效果,否则,对网络模型的配置参数进行优化,直至达到最佳效果。
步骤103、在训练后的改进的条件生成式对抗网络模型的生成器中,输入一组喷涂参数,获取生成图像中提取的涂层性能信息;
在步骤103中,从预测的图像中提取涂层性能信息,如裂纹密度等。
步骤104、根据制备的含表面裂纹的热障涂层的服役寿命实验确定服役寿命最优的涂层性能信息,根据最优的涂层性能信息,反向优化热障涂层裂纹结构的喷涂参数。
在步骤104中、对制备的含表面裂纹涂层进行服役寿命实验,确定服役寿命最优的裂纹密度,根据最优的裂纹密度,反向优化喷涂参数。
综上,本方法利用深度学习和图像生成技术,在无需知道或假设物理规律的前提下,仅通过分析生成图像涂层性能信息的和服役寿命实验确定服役寿命最优的涂层性能信息,利用深度学习确定的喷涂参数和涂层裂纹结构之间的映射关系,就能够实现物理现象的预测,从而实现从喷涂参数到涂层微结构图像端到端的预测,减少了对相关专业知识的依赖,指导工业生产实践,具有较强的实际应用价值。
在一种可能的实施方式中,根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,包括:
采用m维的随机数一维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的生成器,获取生成图像的二维张量;
采用生成图像与真实涂层微结构图像的二维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的鉴别器,获取概率一维张量;
在训练时,先采用基于Wasserstein距离和梯度惩罚项的损失函数优化更新鉴别器的参数,再采用生成器的损失函数优化更新生成器的参数,直至生成器和鉴别器的损失函数均为最小并达到平衡时停止训练。
在本发明提供的实施例中,网络模型选用引入Wasserstein距离和梯度惩罚项的条件生成式对抗网络模型CWGAN-GP,其由两部分组成,生成器和鉴别器。其中生成器由线性层、卷积层、残差块层、上采样层和LeakyReLU激活函数层组成,输入为100维的随机数一维张量和n维的条件一维张量,其中,n代表喷涂参数的个数,输出为生成的图像的二维张量。鉴别器由线性层、卷积层、残差块层、下采样层和LeakyReLU激活函数层组成,输入为包括真实的图像和生成的图像二维张量、和n维的条件一维张量,输出为概率一维张量,用于判断图像为真的概率,鉴别器只在训练阶段存在,训练完成后即将鉴别器丢弃,保留生成器。
在一种可能的实施方式中,基于Wasserstein距离和梯度惩罚项的损失函数,包括:,其中,/>表示鉴别器损失函数;/>表示/>在/>服从/>分布条件下函数的期望;/>表示/>在/>服从/>分布条件下函数的期望;/>表示/>在/>服从/>分布条件下函数的期望;/>表示条件参数;/>表示生成器中随机数向量的分布;/>表示生成的图像样本;/>表示判别器输出的图像为真的概率,介于0-1之间;/>表示真实样本的分布;/>表示真实的图像样本;/>是梯度惩罚项的权重系数;/>表示在真实样本/>和生成样本/>之间随机插值采样得到的图像;/>表示/>的随机分布;/>表示2范数;/>表示计算梯度;/>服从[0,1]均匀分布。
在一种可能的实施方式中,生成器的损失函数,包括:,其中,/>表示生成器损失函数。
在一种可能的实施方式中,在获取所述真实涂层微结构图像后,还包括:
获取真实涂层微结构图像中多张截取图片;
采用类别标签或数值标签标记多张截取图片。
在本发明提供的实施例中,对得到的图像进行数据增强处理,即从较大的原图中截取数张较小的图像从而扩充数据集的规模,采用类别标签和数值标签两种方式进行标记,类别标签指将一组数据归为一类,这种标注方式只能生成已有类别的图像。数值标签指将实际的数值作为标签,需要对数据进行归一化处理,这种方式不仅可以生成已有数据,还可以预测其他数据。
在一种可能的实施方式中,如图2和图3所示,改进的条件生成式对抗网络模型的生成器包括依次连接的1个全连接层、2个反卷积层、6个残差块、2个上采样层和LeakyReLU激活函数层。
在本发明提供的实施例中,为了使网络模型适应表面裂纹微结构图像的尺寸大小且效果良好,调整了相应的网络结构,在改进的条件生成式对抗网络模型的鉴别器包括顺次连接的1个全连接层、7个卷积层、1个残差块、4个下采样层、LeakyReLU激活函数层、2个全连接层。
本实施例提供了两喷涂参数,分别为预热次数和喷涂速率的数据集及预测效果。
本实施例中的数据集共包含七组数据,每组数据包含20张25601370的电镜图像,将每张图像截取为10张1024/>1024的图像,共1400张,后续将图像缩放为512/>512大小的图像,输入网络中进行训练。
训练完成后,输入数组喷涂参数,得到预测的涂层裂纹结构图如图4所示。
本发明另一方面提供一种热障涂层裂纹结构的喷涂参数优化装置200,如图5所示,装置包括:
图像获取模块201,用于获取根据预设的喷涂参数制备的含表面裂纹的热障涂层的真实涂层微结构图像;
训练模块202,用于根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,训练时采用基于Wasserstein距离和梯度惩罚项的损失函数;
涂层性能生成模块203,用于在训练后的改进的条件生成式对抗网络模型的生成器中,输入一组喷涂参数,获取生成图像中提取的涂层性能信息;
反向优化模块204,用于根据制备的含表面裂纹的热障涂层的服役寿命实验确定服役寿命最优的涂层性能信息,根据最优的涂层性能信息,反向优化热障涂层裂纹结构的喷涂参数。
本发明另一方面还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的热障涂层裂纹结构的喷涂参数优化方法。
本发明另一方面还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的热障涂层裂纹结构的喷涂参数优化方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种热障涂层裂纹结构的喷涂参数优化方法,其特征在于,包括:
获取根据预设的喷涂参数制备的含表面裂纹的热障涂层的真实涂层微结构图像;
根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,训练时采用基于Wasserstein距离和梯度惩罚项的损失函数;
在训练后的改进的条件生成式对抗网络模型的生成器中,输入一组喷涂参数,获取生成图像中提取的涂层性能信息;
根据制备的含表面裂纹的热障涂层的服役寿命实验确定服役寿命最优的涂层性能信息,确定生成图像中提取的最优涂层性能信息,从而确定热障涂层裂纹结构的最优喷涂参数;
所述根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,包括:
采用m维的随机数一维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的生成器,获取生成图像的二维张量,其中,m和n为自然数;
采用生成图像与真实涂层微结构图像的二维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的鉴别器,获取概率一维张量;
在训练时,先采用基于Wasserstein距离和梯度惩罚项的损失函数优化更新鉴别器的参数,再采用生成器的损失函数优化更新生成器的参数,直至生成器和鉴别器的损失函数均为最小并达到平衡时停止训练;
所述改进的条件生成式对抗网络模型的生成器包括依次连接的1个全连接层、2个反卷积层、6个残差块、2个上采样层和LeakyReLU激活函数层,所述改进的条件生成式对抗网络模型的鉴别器包括顺次连接的1个全连接层、7个卷积层、1个残差块、4个下采样层、LeakyReLU激活函数层、2个全连接层。
2.如权利要求1所述的一种热障涂层裂纹结构的喷涂参数优化方法,其特征在于,所述基于Wasserstein距离和梯度惩罚项的损失函数,包括:,其中,/>表示鉴别器损失函数;表示/>在/>服从/>分布条件下函数的期望;/>表示/>在/>服从/>分布条件下函数的期望;/>表示/>在/>服从/>分布条件下函数的期望;/>表示条件参数;/>表示生成器中随机数向量的分布;/>表示生成的图像样本;/>表示判别器输出的图像为真的概率,介于0-1之间;/>表示真实样本的分布;/>表示真实的图像样本;/>是梯度惩罚项的权重系数;/>表示在真实的图像样本/>和生成的图像样本/>之间随机插值采样得到的图像;/>表示/>的随机分布;/>表示2范数;/>表示计算梯度;/>服从[0,1]均匀分布。
3.如权利要求2所述的一种热障涂层裂纹结构的喷涂参数优化方法,其特征在于,所述生成器的损失函数,包括:,其中,/>表示生成器损失函数。
4.如权利要求1所述的一种热障涂层裂纹结构的喷涂参数优化方法,其特征在于,在获取所述真实涂层微结构图像后,还包括:
获取真实涂层微结构图像中多张截取图片;
采用类别标签或数值标签标记多张截取图片。
5.一种热障涂层裂纹结构的喷涂参数优化装置,其特征在于,包括:
图像获取模块,用于获取根据预设的喷涂参数制备的含表面裂纹的热障涂层的真实涂层微结构图像;
训练模块,用于根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,训练时采用基于Wasserstein距离和梯度惩罚项的损失函数;
涂层性能生成模块,用于在训练后的改进的条件生成式对抗网络模型的生成器中,输入一组喷涂参数,获取生成图像中提取的涂层性能信息;
反向优化模块,用于根据制备的含表面裂纹的热障涂层的服役寿命实验确定服役寿命最优的涂层性能信息,根据最优的涂层性能信息,反向优化热障涂层裂纹结构的喷涂参数;
所述根据多组喷涂参数和真实涂层微结构图像训练改进的条件生成式对抗网络模型,包括:
采用m维的随机数一维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的生成器,获取生成图像的二维张量,其中,m和n为自然数;
采用生成图像与真实涂层微结构图像的二维张量和n维喷涂参数的条件一维张量,训练改进的条件生成式对抗网络模型的鉴别器,获取概率一维张量;
在训练时,先采用基于Wasserstein距离和梯度惩罚项的损失函数优化更新鉴别器的参数,再采用生成器的损失函数优化更新生成器的参数,直至生成器和鉴别器的损失函数均为最小并达到平衡时停止训练;
所述改进的条件生成式对抗网络模型的生成器包括依次连接的1个全连接层、2个反卷积层、6个残差块、2个上采样层和LeakyReLU激活函数层,所述改进的条件生成式对抗网络模型的鉴别器包括顺次连接的1个全连接层、7个卷积层、1个残差块、4个下采样层、LeakyReLU激活函数层、2个全连接层。
6.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-4任一所述的热障涂层裂纹结构的喷涂参数优化方法。
7.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-4任一所述的热障涂层裂纹结构的喷涂参数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334362.XA CN117195743B (zh) | 2023-10-16 | 2023-10-16 | 一种热障涂层裂纹结构的喷涂参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311334362.XA CN117195743B (zh) | 2023-10-16 | 2023-10-16 | 一种热障涂层裂纹结构的喷涂参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195743A CN117195743A (zh) | 2023-12-08 |
CN117195743B true CN117195743B (zh) | 2024-06-04 |
Family
ID=89005434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311334362.XA Active CN117195743B (zh) | 2023-10-16 | 2023-10-16 | 一种热障涂层裂纹结构的喷涂参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195743B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584337A (zh) * | 2018-11-09 | 2019-04-05 | 暨南大学 | 一种基于条件胶囊生成对抗网络的图像生成方法 |
CN111582348A (zh) * | 2020-04-29 | 2020-08-25 | 武汉轻工大学 | 条件生成式对抗网络的训练方法、装置、设备及存储介质 |
CN112329322A (zh) * | 2020-10-09 | 2021-02-05 | 清华大学 | 基于卷积神经网络的热喷涂方法及装置 |
CN112765904A (zh) * | 2020-12-22 | 2021-05-07 | 苏州先机动力科技有限公司 | 一种热障涂层寿命测算方法及设备 |
IT202000000664A1 (it) * | 2020-01-15 | 2021-07-15 | Digital Design S R L | Sistema generativo per la creazione di immagini digitali per la stampa su superfici di design |
CN113139916A (zh) * | 2021-04-15 | 2021-07-20 | 哈尔滨工程大学 | 基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法 |
CN114154405A (zh) * | 2021-11-19 | 2022-03-08 | 东风汽车集团股份有限公司 | 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 |
CN115238581A (zh) * | 2022-07-25 | 2022-10-25 | 苏州大学 | 基于hml预测hvof涂层性能优化喷涂参数的方法 |
-
2023
- 2023-10-16 CN CN202311334362.XA patent/CN117195743B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584337A (zh) * | 2018-11-09 | 2019-04-05 | 暨南大学 | 一种基于条件胶囊生成对抗网络的图像生成方法 |
IT202000000664A1 (it) * | 2020-01-15 | 2021-07-15 | Digital Design S R L | Sistema generativo per la creazione di immagini digitali per la stampa su superfici di design |
CN111582348A (zh) * | 2020-04-29 | 2020-08-25 | 武汉轻工大学 | 条件生成式对抗网络的训练方法、装置、设备及存储介质 |
CN112329322A (zh) * | 2020-10-09 | 2021-02-05 | 清华大学 | 基于卷积神经网络的热喷涂方法及装置 |
CN112765904A (zh) * | 2020-12-22 | 2021-05-07 | 苏州先机动力科技有限公司 | 一种热障涂层寿命测算方法及设备 |
CN113139916A (zh) * | 2021-04-15 | 2021-07-20 | 哈尔滨工程大学 | 基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法 |
CN114154405A (zh) * | 2021-11-19 | 2022-03-08 | 东风汽车集团股份有限公司 | 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 |
CN115238581A (zh) * | 2022-07-25 | 2022-10-25 | 苏州大学 | 基于hml预测hvof涂层性能优化喷涂参数的方法 |
Non-Patent Citations (1)
Title |
---|
Artificial Intelligence Models for Analyzing Thermally Sprayed Functional Coatings;Mahendru, P et al.;《JOURNAL OF THERMAL SPRAY TECHNOLOGY》;20230328(第32期);388-400 * |
Also Published As
Publication number | Publication date |
---|---|
CN117195743A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN106897520B (zh) | 一种含有模糊参数的传热***可靠性分析方法 | |
CN106093108B (zh) | 基于间隙缺陷识别的单向纤维增韧复合材料等效导热系数预估方法 | |
CN110674598A (zh) | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 | |
CN110797096A (zh) | 一种基于深度学习的耐热合金高温力学性能预测方法 | |
CN114970396B (zh) | 一种考虑随机和认知不确定性的cfd模型修正方法 | |
Li et al. | A prediction approach of SLM based on the ensemble of metamodels considering material efficiency, energy consumption, and tensile strength | |
Garikapati et al. | K-means partitioning approach to predict the error observations in small datasets | |
CN108459993B (zh) | 基于快速追峰采样的复杂高维***优化方法 | |
CN107092724A (zh) | 一种考虑不确定性的热防护***模型修正方法 | |
Xu et al. | An intelligent optimization algorithm for blocking flow-shop scheduling based on differential evolution | |
CN117195743B (zh) | 一种热障涂层裂纹结构的喷涂参数优化方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
Xie et al. | Disassembly sequence planning based on a modified grey wolf optimizer | |
CN117521518A (zh) | 一种基于机器学习的镁合金热处理工艺优化方法 | |
CN106909747B (zh) | 一种热对流扩散***中模糊参数隶属度函数识别方法 | |
CN109918699B (zh) | C/c复合材料喉衬性能的关键参数识别方法 | |
CN115310311B (zh) | 一种金属材料在谱载荷下疲劳寿命计算方法 | |
Gao et al. | A 6-sigma robust optimization method for stamping forming of automobile covering parts based on residual error and radial basis interpolation | |
CN116305765A (zh) | 高能激光辐照树脂基纤维增强复合材料的仿真方法及*** | |
Liu et al. | Rapid prediction of thrust force coupling scale-span model and revised ANN in drilling CFRPs | |
CN115050434A (zh) | 一种超高温热障涂层材料的高通量筛选的方法 | |
CN109145518B (zh) | 一种大型复杂装备可靠性决策图模型构造方法 | |
CN113033042A (zh) | 连续纤维增韧陶瓷基复合材料自然孔隙信息拟合方法 | |
CN112651150B (zh) | 一种Al2O3/316L不锈钢阻氚***表面多重裂纹行为的扩展有限元模拟分析方法 |
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 |