CN117612656B - 一种基于手套储能的相变材料剩余蓄热量测量方法及*** - Google Patents
一种基于手套储能的相变材料剩余蓄热量测量方法及*** Download PDFInfo
- Publication number
- CN117612656B CN117612656B CN202410086571.5A CN202410086571A CN117612656B CN 117612656 B CN117612656 B CN 117612656B CN 202410086571 A CN202410086571 A CN 202410086571A CN 117612656 B CN117612656 B CN 117612656B
- Authority
- CN
- China
- Prior art keywords
- phase change
- change material
- glove
- sample
- thermal response
- 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
- 239000012782 phase change material Substances 0.000 title claims abstract description 295
- 238000005338 heat storage Methods 0.000 title claims abstract description 35
- 238000004146 energy storage Methods 0.000 title claims abstract description 30
- 238000000691 measurement method Methods 0.000 title claims description 3
- 230000004044 response Effects 0.000 claims abstract description 216
- 238000012360 testing method Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000007613 environmental effect Effects 0.000 claims abstract description 52
- 238000013461 design Methods 0.000 claims abstract description 49
- 238000012216 screening Methods 0.000 claims abstract description 23
- 239000000463 material Substances 0.000 claims description 42
- 238000004088 simulation Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000013179 statistical model Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000007635 classification algorithm Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 10
- 238000010191 image analysis Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 102
- 239000012071 phase Substances 0.000 description 20
- 230000008859 change Effects 0.000 description 17
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 11
- 235000013305 food Nutrition 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 230000035943 smell Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000011232 storage material Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 229920001410 Microfiber Polymers 0.000 description 1
- 241000255588 Tephritidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003658 microfiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000006903 response to temperature Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于手套储能的相变材料剩余蓄热量测量方法及***，涉及相变材料技术领域，该基于手套储能的相变材料剩余蓄热量测量方法包括以下步骤：记录每个手套样本的初始参数；构建手套样本的三维数字测试模型；生成手套样本热行为图像；得到手套样本的相变材料热行为特征图像；筛选出影响手套样本的相变材料热响应的关键因素参数；判断手套样本的相变材料热响应的严重程度；计算每个手套样本的相变材料剩余蓄热量。本发明通过构建三维数字测试模型并在不同环境条件下模拟手套样本的相变材料热响应，可以更准确地预测和分析手套的热行为，从而能够确定手套在实际使用中的性能和适用范围，提高产品设计和质量改进效率。
Description
技术领域
本发明涉及相变材料技术领域，具体来说，涉及一种基于手套储能的相变材料剩余蓄热量测量方法及***。
背景技术
相变储能材料是一种能在一定温度下在固相、液相、气相等物理状态之间相互转换，同时释放或吸收大量能量的物质。用于储能的相变材料按照成分不同可以分为有机、无机、复合几类，其原理都是利用相变材料在相变温度点大量的气化或液化潜热以及温度变化的少量显热存储或释放能量，实现能量的错时利用。利用相变储能材料的这一特性，可以消纳新能源，实现热量的大量存储，达到以电代煤、能源清洁化利用的效果，如用于冬季生活取暖或提供生活热水等等。在手套中使用相变材料的目的是为了调节温度，提高舒适性或保护性能。相变材料在吸收环境或体温热量时会从固态转换为液态，这个过程中它会吸收大量的热量，从而起到冷却作用；相反，在释放热量时，它会从液态转换为固态，这个过程中会释放热量，起到保暖作用。剩余蓄热量是指在一定使用条件下，这种相变材料还能够存储或释放多少热量。这个指标对于评估手套的保温性能、持续时间以及在不同环境条件下的适用性非常重要。
现有的手套储能的相变材料剩余蓄热量测量过程中，不便于在不同环境条件下模拟手套样本的相变材料热响应，降低了预测和分析手套的热行为的效率，并且不便于通过与数据库中的数据进行比对，从而不便于识别和判断影响热响应的关键因素，进而不便于将判断结果与实际热响应数据相结合去计算手套的相变材料剩余蓄热量，不便于确定手套在实际使用中的性能和适用范围，降低了产品设计和质量改进效率。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提出一种基于手套储能的相变材料剩余蓄热量测量方法及***，解决了上述背景技术中提出现有的手套储能的相变材料剩余蓄热量测量过程中，不便于在不同环境条件下模拟手套样本的相变材料热响应，降低了预测和分析手套的热行为的效率，并且不便于通过与数据库中的数据进行比对，从而不便于识别和判断影响热响应的关键因素，进而不便于将判断结果与实际热响应数据相结合去计算手套的相变材料剩余蓄热量，不便于确定手套在实际使用中的性能和适用范围，降低了产品设计和质量改进效率的问题。
为实现以上目的，本发明通过以下技术方案予以实现：
根据本发明的一个方面，提供了一种基于手套储能的相变材料剩余蓄热量测量方法，该基于手套储能的相变材料剩余蓄热量测量方法包括以下步骤：
S1、准备测试所需的不同特性的相变材料填充的手套样本，记录每个手套样本的初始参数；
S2、构建手套样本的三维数字测试模型，将记录的每个手套样本的初始参数输入至三维数字测试模型中；
S3、在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像；
S4、将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像；
S5、采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数；
S6、将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度；
S7、基于评估结果，并结合手套样本的相变材料的实际热响应数据，计算每个手套样本的相变材料剩余蓄热量。
进一步的，所述在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像包括以下步骤：
S31、在计算机辅助设计软件中加载手套样本的相变材料热响应模拟工具；
S32、根据手套样本的设计参数，对手套样本的三维数字测试模型进行模拟分析，检查在预设的环境条件下手套样本中的相变材料热响应是否稳定；
S33、若模拟分析结果显示手套样本中的相变材料在预设环境条件下热响应不稳定，则使用热响应优化工具优化手套样本三维数字测试模型中的相变材料布局或材料属性；
S34、优化完成后，重新进行模拟分析，并检查手套样本中的相变材料热响应是否满足预设环境条件，若不满足环境条件，则重复步骤S33至步骤S34，直至手套样本中的相变材料热响应满足预设环境条件；
S35、在优化后的手套样本测试三维数字模型中进行热行为图像生成，并模拟和分析在不同环境条件下相变材料的热响应表现；
S36、基于生成的热行为图像，利用图形学软件进一步模拟和可视化手套样本在预设环境条件下的相变材料热响应效果，并根据模拟结果，生成手套样本热行为图像。
进一步的，所述若模拟分析结果显示手套样本中的相变材料在预设环境条件下热响应不稳定，则使用热响应优化工具优化手套样本三维数字测试模型中的相变材料布局或材料属性包括以下步骤：
S331、在热响应优化工具中运行优化算法；
S332、根据手套样本中的相变材料布局或材料属性，确定设计变量集合的大小，并在设计变量集合中随机选择一组相变材料布局或材料属性作为初始设计；
S333、对于每一组设计参数，随机调整设计变量，并更新每组设计参数；
S334、使用模拟分析工具评估每组设计的手套样本在不同环境条件下的热响应性能，并通过比较设计的手套样本的热响应性能与预设环境条件下的性能差异，计算性能适应度；
S335、根据计算的性能适应度评估每组设计的优劣；
S336、找出手套样本的热响应性能最佳的设计，记录最佳设计的性能适应度和对应的设计参数，并对其他设计参数按照热响应性能最佳的设计参数进行调整。
进一步的，所述将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像包括以下步骤：
S41、将生成的手套样本热行为图像从RGB颜色空间转换到HSV颜色空间，得到手套样本热行为图像的色调、饱和度和亮度三个通道的值；
S42、提取亮度通道的像素值，得到灰度手套样本热行为图像；
S43、采用Sobel算子计算灰度手套样本热行为图像中每个像素点的边缘梯度；
S44、采用局部梯度均值法对边缘梯度进行局部筛选及增强，并设置阈值对边缘梯度进行过滤，得到突出热行为区域的梯度图像；
S45、通过欧式距离计算热行为区域的有序特征向量，以表示手套样本的相变材料热行为特征；
S46、对得到的突出热行为区域的梯度图像进行细化及二值化处理，并将梯度值大于阈值的像素点标记为边缘点；
S47、将相邻的边缘点连接成连通域，得到最终的边缘图像作为手套样本的相变材料热行为特征图像。
进一步的，所述采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数包括以下步骤：
S51、输入包含不同条件下手套样本的相变材料热行为特征图像的初始样本集；
S52、对初始样本集中的所有相变材料热行为特征图像进行等级划分，得到若干包含不同关键特征的相变材料热行为特征图像子集；
S53、对每个相变材料热行为特征图像子集执行循环处理，并得到系数矩阵；
S54、对系数矩阵进行重新排列，并基于系数矩阵对初始样本集进行变换，生成新的相变材料热行为特征图像集；
S55、基于新的相变材料热行为特征图像集对分类模型进行训练，得到预测手套样本的相变材料热响应的子模型，返回步骤S52，并循环预设次数，得到集成的分类模型；
S56、利用集成的分类模型对新的手套样本的相变材料热行为特征图像集进行分类，得到若干预测结果；
S57、对所有的分类结果进行投票或加权处理，得到影响手套样本的相变材料热响应的关键因素参数。
进一步的，所述对每个相变材料热行为特征图像子集执行循环处理，并得到系数矩阵包括以下步骤：
S531、采用分层抽样法对相变材料热行为特征图像子集进行重抽样，并生成新的相变材料热行为特征图像样本子集；
S532、对新的相变材料热行为特征图像样本子集进行分析，并获得与相变材料热响应特性相关的系数向量；
S533、重复步骤S531至步骤S532，对不同的热行为特征图像样本子集进行处理，得到若干组的系数向量，并将系数向量合并成一个完整的系数矩阵。
进一步的，所述将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度包括以下步骤：
S61、确定影响手套样本相变材料热响应的关键因素参数，并设定初始搜索范围；
S62、预设判断时长初始值，并预设迭代次数作为判断过程的终止条件；
S63、通过将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，并不断比较和分析影响手套样本热响应的各种因素参数，并根据预设的比对策略更新因素参数；
S64、通过统计方法，判断在每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度；
S65、基于热响应严重程度的判断结果，计算每次迭代的适应度得分；
S66、将每次迭代后的适应度得分与前一次的得分进行比较，选择对手套样本热响应影响最大的因素参数作为当前的最佳解；
S67、增加判断时长初始值，如果已达到预设的最大迭代次数，则终止评估过程；
S68、分析判断过程结束后的手套样本的相变材料热响应情况，并与预设的热响应严重程度标准进行对比，确定手套样本的相变材料热响应是否达到严重程度，若是，则需采取相应措施，若不是，则认为热响应程度可以接受。
进一步的，所述通过统计方法，判断在每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度包括以下步骤：
S641、初始化验证轮数为第一轮；
S642、获取手套样本的相变材料热响应的关键因素参数集，并将关键因素参数集分割成若干关键因素参数子集，在每一轮中，选择一个关键因素参数子集作为测试集，其余所有关键因素参数子集的并集作为训练集；
S643、使用训练集上的经过调整的手套样本的相变材料热响应的关键因素参数训练统计模型，并在测试集上测试统计模型对热响应严重程度的预测性能；
S644、根据手套样本的相变材料热响应的关键因素参数在测试集上的实际表现，计算统计模型的泛化误差；
S645、循环步骤S641至步骤S644，直到每一个关键因素参数子集都被用作过测试集；
S646、求得所有轮次中计算出的泛化误差的平均值，作为每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度的总体判断。
进一步的，所述计算统计模型的泛化误差的公式为：
；
其中，表示为第q个关键因素参数子集的泛化误差；
mean表示为平均值的计算；
表示为统计模型对第q个关键因素参数子集的预测值；
表示为统计模型对第q个关键因素参数子集的真实值。
根据本发明的另一方面，还提供了一种基于手套储能的相变材料剩余蓄热量测量***，该基于手套储能的相变材料剩余蓄热量测量***包括：
测试准备模块，用于准备测试所需的不同特性的相变材料填充的手套样本，记录每个手套样本的初始参数；
三维数字模型构建模块，用于构建手套样本的三维数字测试模型，将记录的每个手套样本的初始参数输入至三维数字测试模型中；
图像生成模块，用于在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像；
图像处理模块，用于将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像；
图像分析与筛选模块，用于采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数；
数据比对与判断模块，用于将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度；
剩余蓄热量计算模块，用于基于评估结果，并结合手套样本的相变材料的实际热响应数据，计算每个手套样本的相变材料剩余蓄热量；
其中，测试准备模块通过三维数字模型构建模块和图像生成模块连接，图像生成模块通过图像处理模块和图像分析与筛选模块连接，图像分析与筛选模块通过数据比对与判断模块和剩余蓄热量计算模块连接。
本发明的有益效果为：
1、本发明通过构建三维数字测试模型并在不同环境条件下模拟手套样本的相变材料热响应，可以更准确地预测和分析手套的热行为，使用数字模型减少了实物原料的需求，从而降低了测试成本，并且生成的热行为图像和特征图像提供了详细的视觉和数据分析，帮助工作人员更好地理解相变材料的行为，以及不同因素如何影响手套的热响应，同时通过与数据库中的数据进行比对，使得可以识别出影响热响应的关键因素，有助于优化手套的设计，以获得更好的性能，通过将判断结果与实际热响应数据相结合去计算手套的相变材料剩余蓄热量，可以更准确地计算出手套的相变材料剩余蓄热量，进而能够确定手套在实际使用中的性能和适用范围，提高产品设计和质量改进效率。
2、本发明通过在计算机辅助设计软件中加载模拟工具，可以更准确地模拟相变材料的热响应，使得可以更贴近实际情况，从而提供更准确的数据用于分析和改进，通过对不稳定热响应的相变材料布局或材料属性进行优化，可以改善手套的性能，可以允许设计者针对特定的环境条件调整手套的设计，确保相变材料能够在预设条件下有效工作，并且通过使用优化算法和模拟分析工具，进而可以快速评估多种设计方案的性能，有效地筛选出最佳设计方案，减少了实物原料的需求，降低了测试成本。
3、本发明通过对手套样本的相变材料热行为特征图像进行分类和分析，可以更精确地识别出影响热响应的关键因素参数，并且利用分层抽样法和循环处理策略不断重新抽样和评估，可以快速生成并分析大量数据，加速了关键因素的识别过程，从而提升了分析效率，通过循环预设次数的训练和优化，以及最终的集成分类模型，可以显著提高对手套样本相变材料热行为的分类和预测准确性，同时通过对所有分类结果进行投票或加权处理，使得可以综合多种数据和模型的判断，得到关于影响热响应的关键因素参数的最终决策，进而提高了热响应的预测和控制能力。
4、本发明通过将筛选出的关键因素与已知因素进行对比分析，可以更准确地评估手套样本的热响应严重程度，有助于更细致地了解不同因素对热响应的具体影响，通过使用统计方法和迭代策略来选择最关键的影响因素，可以有效地优化决策过程，通过逐步缩小搜索范围和提高适应度得分，确保最终选择的因素是最具影响力的，并且利用统计模型和泛化误差的计算来判断热响应严重程度，有助于减少误判的风险，同时，根据热响应的严重程度，可以及时采取相应措施，提高风险管理和应对能力，进而可以持续监测和评估相变材料的热响应表现，为手套的设计和改进提供了重要的数据支持。
附图说明
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于手套储能的相变材料剩余蓄热量测量方法的流程图；
图2是根据本发明实施例的一种基于手套储能的相变材料剩余蓄热量测量***的原理框图。
图中：
1、测试准备模块；2、三维数字模型构建模块；3、图像生成模块；4、图像处理模块；5、图像分析与筛选模块；6、数据比对与判断模块；7、剩余蓄热量计算模块。
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。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
根据本发明的实施例，提供了一种基于手套储能的相变材料剩余蓄热量测量方法及***。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于手套储能的相变材料剩余蓄热量测量方法，该基于手套储能的相变材料剩余蓄热量测量方法包括以下步骤：
S1、准备测试所需的不同特性的相变材料填充的手套样本，记录每个手套样本的初始参数；
具体的，不同特性的相变材料是指具有不同物理或化学特性的材料，它们在储存和释放热量时表现出不同的行为。
具体的，初始参数包括样本的物理尺寸（如手套的大小、形状和厚度等）、相变材料的类型和成分（详细记录每种相变材料的化学成分和类型）、重量和密度（手套和相变材料的重量和密度）、环境初始条件（测试开始时的环境温度、湿度等）及使用历史（如果样本曾经使用过，其使用频率、使用条件等信息）等。
S2、构建手套样本的三维数字测试模型，将记录的每个手套样本的初始参数输入至三维数字测试模型中；
具体的，通过计算机辅助设计软件（即CAD软件）构建手套样本的三维数字测试模型。
具体的，根据需要选择适合的CAD软件，如AutoCAD、SolidWorks、Rhino、Blender等，然后在软件中设置手套的基本参数（这些参数基于实际手套样本的测量数据），为模型添加适当的纹理和材料属性，使其尽可能接近实际手套的材质和外观，包括纤维密度、材质类型（如棉、微纤维等）、颜色和图案，根据需要添加更多细节，如毛圈、编织方式等，以提高模型的真实性，将记录的每个手套样本的初始参数输入到模型中。这些参数包括相变材料的类型、样本的物理尺寸、重量、密度等，将所有二维图形转化为三维模型，并在三维模型上进行各种仿真测试。
S3、在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像；
具体的，手套样本热行为图像包括但不限于以下几种类型：
温度分布图：展示手套在不同时间点或不同环境条件下的温度分布情况。这是颜色编码的，其中不同的颜色代表不同的温度。
热流动态图：显示热量如何在手套内部移动或在手套和外界环境之间交换。这可以帮助了解手套的隔热效果或相变材料的热调节性能。
时间-温度曲线：在一系列时间点上，展示特定部分或整个手套的温度变化。这有助于分析手套对温度变化的反应速度和范围。
热响应快照：在特定环境条件下（如突然的温度变化或持续的热源接触），展示手套的瞬时热响应状态。
具体的，通过计算机图形学技术生成手套样本热行为图像，计算机图形学技术是指使用计算机技术生成、处理、分析和展示图像的技术，尤其是三维图像。
具体的，通过计算机图形学技术生成手套样本热行为图像包括：
创建三维模型：在CAD软件中创建一个详细的手套三维模型，确保模型细致地呈现了手套的结构特征，包括纤维结构、相变材料层等。
物理模拟：使用物理模拟软件（如ANSYS、Autodesk Simulation）来模拟手套在不同环境条件下的热响应。这包括模拟相变材料在各种温度和热流条件下的行为，以及手套与环境的热交换。
处理模拟数据：在得到模拟数据之后，使用计算机图形学软件（如Blender、Maya、3ds Max）处理这些数据。利用这些软件可以创建高质量的视觉效果，帮助可视化手套样本在不同条件下的热行为。
添加纹理和光照效果：为了使图像更加真实，在计算机图形学软件中添加适当的纹理和光照效果。纹理可以帮助模拟手套表面的细节，如材料质感，而光照则能增强图像的立体感和真实感。
渲染图像：使用软件的渲染功能将模拟结果转化为高分辨率的图像。这一步是生成最终的手套样本热行为图像的关键，渲染过程会综合考虑模型、纹理、光照和摄影角度等因素。
S4、将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像；
S5、采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数；
S6、将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度；
S7、基于评估结果，并结合手套样本的相变材料的实际热响应数据，计算每个手套样本的相变材料剩余蓄热量。
具体的，计算每个手套样本的相变材料剩余蓄热量包括：
确定相变材料的潜热：潜热是指材料在不改变温度的条件下进行相变时每单位质量所吸收或释放的热量。
测量或估计材料质量：计算每个手套样本中相变材料的质量。
收集热响应数据：通过实验测定手套样本在不同时间点下的温度变化，以及相变过程的进度。
计算剩余蓄热量：基于潜热和相变进度，可以估算剩余的蓄热量。
可选地，所述在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像包括以下步骤：
S31、在计算机辅助设计软件中加载手套样本的相变材料热响应模拟工具；
具体的，在计算机辅助设计软件中加载手套样本的相变材料热响应模拟工具是指在CAD软件内部集成或导入专门用于模拟和分析手套样本中相变材料热响应的工具，包括：
相变材料属性的定义：在这个工具中，用户可以定义相变材料的特定属性，如热导率、比热容、相变温度范围、潜热等。这些属性对于准确模拟材料在不同温度下的行为至关重要。
环境条件模拟：工具能够模拟不同的环境条件，如周围温度、湿度、外部热源等。这些条件会影响相变材料的热响应。
热响应分析：工具提供了分析手套样本的热行为的功能，包括温度分布、热流动态等。它可以模拟材料从环境中吸收或释放热量时的行为，以及相变发生时的热效应。
可视化和数据输出：这个工具包含数据可视化功能，能够生成热行为的图像和图表，使用户能够直观地理解热响应过程。同时，它也能输出模拟数据，以便进一步分析。
与CAD软件的集成：该工具通常与CAD软件紧密集成，允许用户直接在设计界面中进行热响应模拟，无需将模型导出到其他软件中。
S32、根据手套样本的设计参数，对手套样本的三维数字测试模型进行模拟分析，检查在预设的环境条件下手套样本中的相变材料热响应是否稳定；
具体的，模拟分析为有限元分析，有限元分析（Finite Element Analysis，FEA）是一种用于预测某个产品或物理实体在给定条件下如何响应的计算机模拟过程。分析通过将大型复杂结构分解为小块（即“有限元”），每个元素都有简单的形状，使得复杂的工程问题可以用标准数学方法求解。
S33、若模拟分析结果显示手套样本中的相变材料在预设环境条件下热响应不稳定，则使用热响应优化工具优化手套样本三维数字测试模型中的相变材料布局或材料属性；
具体的，热响应优化工具是一种软件工具，它用于优化产品（如手套样本）中相变材料的布局或材料属性，以达到更好的热响应稳定性和性能。
具体的，材料布局指的是相变材料在手套样本中的分布方式，包括它在手套中的位置、形状和整体布局，布局对于材料的热响应效率和均匀性至关重要。
具体的，材料属性包括相变材料的基本物理和化学特性，如相变温度范围、潜热、热导率、比热容等，这些属性决定了材料在特定条件下的热响应行为。
S34、优化完成后，重新进行模拟分析，并检查手套样本中的相变材料热响应是否满足预设环境条件，若不满足环境条件，则重复步骤S33至步骤S34，直至手套样本中的相变材料热响应满足预设环境条件；
具体的，环境条件是指在进行手套样本的热响应模拟和优化之前所设定的一系列特定的环境参数和条件，包括：
温度范围：设定手套需要适应的最高和最低温度，确保在这个范围内材料能够有效工作。
湿度条件：对于某些应用，湿度可能会显著影响热响应性能，因此需要在特定湿度条件下测试和优化手套。
热源或冷源：可能包括外部热源或冷源的性质、位置和强度，如直射日光、接触冷物体等。
风速或空气流动：在某些环境下，空气流动可能会对热传递产生影响，尤其是对于需要散热或保温的应用。
穿戴时长和活动强度：使用者在一定时间内的活动模式和强度，这可能会影响热积累和散发。
特定的应用场景：比如在特定的工业环境、户外活动或医疗情况下，手套会遇到的特定的热响应挑战。
S35、在优化后的手套样本测试三维数字模型中进行热行为图像生成，并模拟和分析在不同环境条件下相变材料的热响应表现；
S36、基于生成的热行为图像，利用图形学软件进一步模拟和可视化手套样本在预设环境条件下的相变材料热响应效果，并根据模拟结果，生成手套样本热行为图像。
可选地，所述若模拟分析结果显示手套样本中的相变材料在预设环境条件下热响应不稳定，则使用热响应优化工具优化手套样本三维数字测试模型中的相变材料布局或材料属性包括以下步骤：
S331、在热响应优化工具中运行优化算法；
S332、根据手套样本中的相变材料布局或材料属性，确定设计变量集合的大小（即果蝇群体大小），并在设计变量集合中随机选择一组相变材料布局或材料属性作为初始设计（即果蝇群体的初始化）；
S333、对于每一组设计参数（即果蝇个***置），随机调整设计变量（即果蝇个体随机搜索），并更新每组设计参数（即果蝇个***置更新）；
S334、使用模拟分析工具（即有限元分析工具）评估每组设计的手套样本在不同环境条件下的热响应性能，并通过比较设计的手套样本的热响应性能（温度调节能力、热吸收和释放速率、热稳定性、潜热容量、热传导性及响应时间等）与预设环境条件下的性能差异，计算性能适应度（即果蝇个体味道浓度判定值）；
S335、根据计算的性能适应度评估每组设计的优劣（即果蝇个体的适应度评估）；
S336、找出手套样本的热响应性能最佳的设计，记录最佳设计的性能适应度和对应的设计参数，并对其他设计参数按照热响应性能最佳的设计参数进行调整（即果蝇个***置更新）。
具体的，优化算法为果蝇优化算法（FOA），是一种源于果蝇觅食行为演化而来的新的全局优化进化算法，果蝇拥有在嗅觉和视觉上优于其他物种的特性，果蝇群体通过嗅觉有效地收集漂浮在空气中的各种气味，并往食物的方向靠近，然后利用敏锐的视觉辨别食物和同伴的位置，往食物味道浓度高的位置聚合，再利用嗅觉各自沿随机方向飞出寻找食物，如此循环直到找到食物为止。
可选地，所述将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像包括以下步骤：
S41、将生成的手套样本热行为图像从RGB（红绿蓝）颜色空间转换到HSV（色调、饱和度、亮度）颜色空间，得到手套样本热行为图像的色调、饱和度和亮度三个通道的值；
具体的，RGB是一种常用的颜色模型，用于数字图像。它通过调整红色、绿色和蓝色这三种颜色的强度来混合出不同的颜色。
具体的，HSV颜色空间包括：
色调（Hue）：表示颜色的类型，如红色、蓝色或黄色等。它是颜色圆上的角度，范围从0到360度。
饱和度（Saturation）：表示颜色的强度或纯度。高饱和度的颜色看起来更鲜明，低饱和度的颜色更接近灰色。
亮度（Value）：表示颜色的明亮程度。亮度高的颜色看起来更亮，亮度低的颜色看起来更暗。
S42、提取亮度通道的像素值，得到灰度手套样本热行为图像；
具体的，提取亮度通道的像素值，得到灰度手套样本热行为图像是指从HSV颜色空间中提取亮度（Value）通道，并用这些亮度值来创建手套样本的热行为的灰度图像。
具体的，HSV颜色空间中的亮度通道：在HSV颜色空间中，亮度（Value）通道反映了颜色的明暗程度，不涉及颜色的种类（色调）和饱和度。亮度值通常范围从0（完全黑色，无亮度）到100%（完全白色，最大亮度）。
S43、采用Sobel算子计算灰度手套样本热行为图像中每个像素点的边缘梯度；
具体的，Sobel算子是一种经典的图像边缘检测算子，用于检测图像中的边缘和轮廓。它基于离散的微分运算，通过计算图像中每个像素点的水平和垂直方向的梯度值，从而突出了图像中灰度变化较大的地方，即边缘或轮廓。
S44、采用局部梯度均值法对边缘梯度进行局部筛选及增强，并设置阈值对边缘梯度进行过滤，得到突出热行为区域的梯度图像；
具体的，局部梯度均值法是一种用于图像处理的方法，主要用于增强图像的边缘或细节信息，同时减少噪声的影响。它通过计算图像局部区域内像素点的梯度均值来筛选和增强边缘特征。
S45、通过欧式距离计算热行为区域的有序特征向量，以表示手套样本的相变材料热行为特征；
具体的，欧式距离是一种常用的距离度量方法，用于计算两个向量之间的距离。在图像处理和模式识别中，欧式距离常用于比较两个向量或特征之间的相似性或差异性。
S46、对得到的突出热行为区域的梯度图像进行细化及二值化处理，并将梯度值大于阈值的像素点标记为边缘点；
具体的，细化处理一种图像处理技术，其目的是将边缘线条变得更加细长，通常用于提取图像中的细节特征。细化操作可以通过一系列的算法，如Zhang-Suen算法、Guo-Hall算法等，来减小边缘线的宽度，使其更符合实际的边缘结构。
具体的，二值化处理是将图像的灰度值转化为两个值的过程，通常是将图像分成两个区域，一个区域的像素值为0（通常代表黑色），另一个区域的像素值为255（通常代表白色）。这种处理有助于突出图像中的目标或特定区域。
S47、将相邻的边缘点连接成连通域，得到最终的边缘图像作为手套样本的相变材料热行为特征图像。
可选地，所述采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数包括以下步骤：
S51、输入包含不同条件下手套样本的相变材料热行为特征图像的初始样本集；
S52、对初始样本集中的所有相变材料热行为特征图像进行等级划分，得到若干包含不同关键特征的相变材料热行为特征图像子集；
S53、对每个相变材料热行为特征图像子集执行循环处理，并得到系数矩阵（主成分系数矩阵）；
具体的，通过主成分分析得到与手套的相变材料热行为相关的系数矩阵（主成分系数矩阵）。
S54、对系数矩阵进行重新排列，并基于系数矩阵（主成分系数矩阵）对初始样本集进行变换，生成新的相变材料热行为特征图像集；
S55、基于新的相变材料热行为特征图像集对分类模型进行训练，得到预测手套样本的相变材料热响应的子模型，返回步骤S52，并循环预设次数，得到集成的分类模型；
S56、利用集成的分类模型对新的手套样本的相变材料热行为特征图像集进行分类，得到若干预测结果；
S57、对所有的分类结果进行投票或加权处理，得到影响手套样本的相变材料热响应的关键因素参数。
具体的，分类算法为异构多分类器集成算法，首先采用旋转森林对原始样本集进行变换划分，获得新的样本集，然后通过特定比例选择分类精度高的支撑矢量机或分类速度较快的核匹配追踪作为基本的集成个体分类器，并对新样本集进行分类，获得其预测标记，最后结合两种模型下的预测标记，该算法通过结合两种不同分类器模型，实现了精度和速度互补，将二者混合集成后改善了集成***泛化误差。
可选地，所述对每个相变材料热行为特征图像子集执行循环处理，并得到系数矩阵包括以下步骤：
S531、采用分层抽样法对相变材料热行为特征图像子集进行重抽样，并生成新的相变材料热行为特征图像样本子集；
具体的，采用分层抽样法（Stratified Sampling）对相变材料热行为特征图像子集进行重抽样是指在抽取样本时，数据被分成不同的层或子集，每个层代表数据中的一个特定的子群体。这种方法的目的是确保样本在统计上更具代表性，可以保证来自数据集中每个重要子群体的数据都被纳入样本中。
S532、对新的相变材料热行为特征图像样本子集进行分析（主成分分析），并获得与相变材料热响应特性相关的系数向量（主成分系数向量）；
具体的，热响应特性指的是相变材料在温度变化下所表现出的特定物理和化学特性，包括：
温度敏感性：相变材料对温度变化的敏感程度，即它在特定温度阈值下开始发生相变的能力。
相变温度区间：材料从一种相态转变为另一种相态的温度范围。例如，从固体转变为液体或从液体转变为气体的温度区间。
相变潜热：材料在相变过程中吸收或释放的热量的量。这是评估相变材料热响应性能的一个重要参数。
热稳定性：材料在反复的热循环中保持其性质不变的能力。
热导率：材料传导热量的速度和效率。
S533、重复步骤S531至步骤S532，对不同的热行为特征图像样本子集进行处理，得到若干组的系数向量（主成分系数向量），并将系数向量（主成分系数向量）合并成一个完整的系数矩阵（主成分系数矩阵）。
可选地，所述将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度包括以下步骤：
S61、确定影响手套样本相变材料热响应的关键因素参数，并设定初始搜索范围；
具体的，关键因素参数包括相变温度（相变材料开始发生相变的温度点）、相变潜热（相变过程中材料储存或释放的能量的量）、热导率（材料传递热能的能力）、密度和比热容（影响材料存储热能的能力。比热容高的材料能够在不显著升温的情况下吸收更多的热量）、材料的厚度和表面积（物理尺寸参数影响热能的吸收和释放速率）、环境温度和条件（外部温度和条件，如湿度、气压也影响材料的热响应）及材料的化学组成和结构（不同的化学成分和分子结构可能导致不同的热响应特性）等。
S62、预设判断时长初始值（通常为0或1），并预设迭代次数作为判断过程的终止条件；
具体的，通过预设时间计数器初始值，时间计数器是指在算法或程序中用于追踪迭代过程的一个计数变量。在优化和计算任务中，时间计数器用来监控算法已经执行的迭代次数，决定何时停止迭代过程。
具体的，终止条件包括时间计数器记录的时间达到预设最大值和优化算法的迭代次数达到预设最大次数
S63、通过将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，并不断比较和分析影响手套样本热响应的各种因素参数，并根据预设的比对策略更新因素参数；
S64、通过统计方法（即k-fold交叉验证），判断在每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度；
具体的，k-fold交叉验证即k折交叉验证（k-fold cross validation）是一种机器学习模型评估方法，指将获取的手套样本的相变材料热响应的关键因素参数集分割成k个子集，其中一个子集作为验证集，其余k-1个子集作为训练集。
S65、基于热响应严重程度的判断结果，计算每次迭代的适应度得分；
S66、将每次迭代后的适应度得分与前一次的得分进行比较，选择对手套样本热响应影响最大的因素参数作为当前的最佳解；
S67、增加判断时长初始值，如果已达到预设的最大迭代次数，则终止评估过程；
S68、分析判断过程结束后的手套样本的相变材料热响应情况，并与预设的热响应严重程度标准进行对比，确定手套样本的相变材料热响应是否达到严重程度，若是，则需采取相应措施，若不是，则认为热响应程度可以接受。
可选地，所述通过统计方法，判断在每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度包括以下步骤：
S641、初始化验证轮数为第一轮；
S642、获取手套样本的相变材料热响应的关键因素参数集，并将关键因素参数集分割成若干关键因素参数子集，在每一轮中，选择一个关键因素参数子集作为测试集，其余所有关键因素参数子集的并集作为训练集；
S643、使用训练集上的经过调整的手套样本的相变材料热响应的关键因素参数训练统计模型（即SVM模型），并在测试集上测试统计模型对热响应严重程度的预测性能；
S644、根据手套样本的相变材料热响应的关键因素参数在测试集上的实际表现，计算统计模型的泛化误差；
S645、循环步骤S641至步骤S644，直到每一个关键因素参数子集都被用作过测试集；
S646、求得所有轮次中计算出的泛化误差的平均值，作为每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度的总体判断。
可选地，所述计算统计模型的泛化误差的公式为：
；
其中，表示为第q个关键因素参数子集的泛化误差；
mean表示为平均值的计算；
表示为统计模型对第q个关键因素参数子集的预测值；
表示为统计模型对第q个关键因素参数子集的真实值。
具体的，通过对比算法将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，对比算法为以改进的鸟群优化算法为基础的SVM参数选择方法，是一种将自然启发算法应用于机器学习参数优化的策略。在这种方法中，改进的鸟群优化算法被用来选择或优化SVM的参数，以提高模型的性能。
具体的，SVM是一种监督学***面将样本完全分开。
具体的，改进的鸟群优化算法是指对传统的粒子群优化算法（Particle SwarmOptimization，PSO）的改进和变体。粒子群优化算法是一种基于群体智能的优化技术，它模拟鸟群或鱼群的社会行为来解决优化问题。
具体的，改进的鸟群优化算法包括以下几个方面的改进：
速度和位置更新规则的改进：在标准PSO中，粒子的移动基于其历史上的最佳位置和整个群体的最佳位置。改进的算法可能采用不同的规则来调整粒子的速度和位置，以提高收敛速度和避免陷入局部最优。
参数调整和控制：改进的算法可能包括对PSO参数（如惯性权重、个体最佳和群体最佳学***衡探索（全局搜索）和开发（局部搜索）。
适应特定问题的定制：针对特定类型的问题（如非线性问题、多目标问题等），改进的鸟群优化算法可能进行特别设计，以更有效地解决这些问题。
根据本发明的另一个实施例，如图2所示，还提供了一种基于手套储能的相变材料剩余蓄热量测量***，该基于手套储能的相变材料剩余蓄热量测量***包括：
测试准备模块1，用于准备测试所需的不同特性的相变材料填充的手套样本，记录每个手套样本的初始参数；
三维数字模型构建模块2，用于构建手套样本的三维数字测试模型，将记录的每个手套样本的初始参数输入至三维数字测试模型中；
图像生成模块3，用于在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像；
图像处理模块4，用于将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像；
图像分析与筛选模块5，用于采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数；
数据比对与判断模块6，用于将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度；
剩余蓄热量计算模块7，用于基于评估结果，并结合手套样本的相变材料的实际热响应数据，计算每个手套样本的相变材料剩余蓄热量；
其中，测试准备模块1通过三维数字模型构建模块2和图像生成模块3连接，图像生成模块3通过图像处理模块4和图像分析与筛选模块5连接，图像分析与筛选模块5通过数据比对与判断模块6和剩余蓄热量计算模块7连接。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，该基于手套储能的相变材料剩余蓄热量测量方法包括以下步骤：
S1、准备测试所需的不同特性的相变材料填充的手套样本，记录每个手套样本的初始参数；
其中，初始参数包括样本的物理尺寸、相变材料的类型和成分、重量和密度、环境初始条件及使用历史；
S2、构建手套样本的三维数字测试模型，将记录的每个手套样本的初始参数输入至三维数字测试模型中；
S3、在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像；
S4、将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像；
S5、采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数；
其中，关键因素参数包括相变温度、相变潜热、热导率、密度和比热容、材料的厚度和表面积、环境温度和条件及材料的化学组成和结构；
S6、将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度；
S7、基于评估结果，并结合手套样本的相变材料的实际热响应数据，计算每个手套样本的相变材料剩余蓄热量；
所述将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度包括以下步骤：
S61、确定影响手套样本相变材料热响应的关键因素参数，并设定初始搜索范围；
S62、预设判断时长初始值，并预设迭代次数作为判断过程的终止条件；
S63、通过将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，并不断比较和分析影响手套样本热响应的各种因素参数，并根据预设的比对策略更新因素参数；
S64、通过统计方法，判断在每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度；
S65、基于热响应严重程度的判断结果，计算每次迭代的适应度得分；
S66、将每次迭代后的适应度得分与前一次的得分进行比较，选择对手套样本热响应影响最大的因素参数作为当前的最佳解；
S67、增加判断时长初始值，如果已达到预设的最大迭代次数，则终止评估过程；
S68、分析判断过程结束后的手套样本的相变材料热响应情况，并与预设的热响应严重程度标准进行对比，确定手套样本的相变材料热响应是否达到严重程度，若是，则需采取相应措施，若不是，则认为热响应程度可以接受；
所述通过统计方法，判断在每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度包括以下步骤：
S641、初始化验证轮数为第一轮；
S642、获取手套样本的相变材料热响应的关键因素参数集，并将关键因素参数集分割成若干关键因素参数子集，在每一轮中，选择一个关键因素参数子集作为测试集，其余所有关键因素参数子集的并集作为训练集；
S643、使用训练集上的经过调整的手套样本的相变材料热响应的关键因素参数训练统计模型，并在测试集上测试统计模型对热响应严重程度的预测性能；
S644、根据手套样本的相变材料热响应的关键因素参数在测试集上的实际表现，计算统计模型的泛化误差；
S645、循环步骤S641至步骤S644，直到每一个关键因素参数子集都被用作过测试集；
S646、求得所有轮次中计算出的泛化误差的平均值，作为每次手套样本的相变材料热响应的关键因素参数比对后的热响应严重程度的总体判断。
2.根据权利要求1所述的一种基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，所述在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像包括以下步骤：
S31、在计算机辅助设计软件中加载手套样本的相变材料热响应模拟工具；
S32、根据手套样本的设计参数，对手套样本的三维数字测试模型进行模拟分析，检查在预设的环境条件下手套样本中的相变材料热响应是否稳定；
S33、若模拟分析结果显示手套样本中的相变材料在预设环境条件下热响应不稳定，则使用热响应优化工具优化手套样本三维数字测试模型中的相变材料布局或材料属性；
S34、优化完成后，重新进行模拟分析，并检查手套样本中的相变材料热响应是否满足预设环境条件，若不满足环境条件，则重复步骤S33至步骤S34，直至手套样本中的相变材料热响应满足预设环境条件；
S35、在优化后的手套样本测试三维数字模型中进行热行为图像生成，并模拟和分析在不同环境条件下相变材料的热响应表现；
S36、基于生成的热行为图像，利用图形学软件进一步模拟和可视化手套样本在预设环境条件下的相变材料热响应效果，并根据模拟结果，生成手套样本热行为图像。
3.根据权利要求2所述的一种基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，所述若模拟分析结果显示手套样本中的相变材料在预设环境条件下热响应不稳定，则使用热响应优化工具优化手套样本三维数字测试模型中的相变材料布局或材料属性包括以下步骤：
S331、在热响应优化工具中运行优化算法；
S332、根据手套样本中的相变材料布局或材料属性，确定设计变量集合的大小，并在设计变量集合中随机选择一组相变材料布局或材料属性作为初始设计；
S333、对于每一组设计参数，随机调整设计变量，并更新每组设计参数；
S334、使用模拟分析工具评估每组设计的手套样本在不同环境条件下的热响应性能，并通过比较设计的手套样本的热响应性能与预设环境条件下的性能差异，计算性能适应度；
S335、根据计算的性能适应度评估每组设计的优劣；
S336、找出手套样本的热响应性能最佳的设计，记录最佳设计的性能适应度和对应的设计参数，并对其他设计参数按照热响应性能最佳的设计参数进行调整。
4.根据权利要求1所述的一种基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，所述将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像包括以下步骤：
S41、将生成的手套样本热行为图像从RGB颜色空间转换到HSV颜色空间，得到手套样本热行为图像的色调、饱和度和亮度三个通道的值；
S42、提取亮度通道的像素值，得到灰度手套样本热行为图像；
S43、采用Sobel算子计算灰度手套样本热行为图像中每个像素点的边缘梯度；
S44、采用局部梯度均值法对边缘梯度进行局部筛选及增强，并设置阈值对边缘梯度进行过滤，得到突出热行为区域的梯度图像；
S45、通过欧式距离计算热行为区域的有序特征向量，以表示手套样本的相变材料热行为特征；
S46、对得到的突出热行为区域的梯度图像进行细化及二值化处理，并将梯度值大于阈值的像素点标记为边缘点；
S47、将相邻的边缘点连接成连通域，得到最终的边缘图像作为手套样本的相变材料热行为特征图像。
5.根据权利要求1所述的一种基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，所述采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数包括以下步骤：
S51、输入包含不同条件下手套样本的相变材料热行为特征图像的初始样本集；
S52、对初始样本集中的所有相变材料热行为特征图像进行等级划分，得到若干包含不同关键特征的相变材料热行为特征图像子集；
S53、对每个相变材料热行为特征图像子集执行循环处理，并得到系数矩阵；
S54、对系数矩阵进行重新排列，并基于系数矩阵对初始样本集进行变换，生成新的相变材料热行为特征图像集；
S55、基于新的相变材料热行为特征图像集对分类模型进行训练，得到预测手套样本的相变材料热响应的子模型，返回步骤S52，并循环预设次数，得到集成的分类模型；
S56、利用集成的分类模型对新的手套样本的相变材料热行为特征图像集进行分类，得到若干预测结果；
S57、对所有的分类结果进行投票或加权处理，得到影响手套样本的相变材料热响应的关键因素参数。
6.根据权利要求5所述的一种基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，所述对每个相变材料热行为特征图像子集执行循环处理，并得到系数矩阵包括以下步骤：
S531、采用分层抽样法对相变材料热行为特征图像子集进行重抽样，并生成新的相变材料热行为特征图像样本子集；
S532、对新的相变材料热行为特征图像样本子集进行分析，并获得与相变材料热响应特性相关的系数向量；
S533、重复步骤S531至步骤S532，对不同的热行为特征图像样本子集进行处理，得到若干组的系数向量，并将系数向量合并成一个完整的系数矩阵。
7.根据权利要求1所述的一种基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，所述计算统计模型的泛化误差的公式为：
；
其中，表示为第q个关键因素参数子集的泛化误差；
mean表示为平均值的计算；
表示为统计模型对第q个关键因素参数子集的预测值；
表示为统计模型对第q个关键因素参数子集的真实值。
8.一种基于手套储能的相变材料剩余蓄热量测量***，用于实现权利要求1-7中任一项所述的基于手套储能的相变材料剩余蓄热量测量方法，其特征在于，该基于手套储能的相变材料剩余蓄热量测量***包括：
测试准备模块，用于准备测试所需的不同特性的相变材料填充的手套样本，记录每个手套样本的初始参数；
三维数字模型构建模块，用于构建手套样本的三维数字测试模型，将记录的每个手套样本的初始参数输入至三维数字测试模型中；
图像生成模块，用于在三维数字测试模型中模拟不同环境条件下手套样本的相变材料的热响应，并生成手套样本热行为图像；
图像处理模块，用于将生成的手套样本热行为图像进行预处理，得到手套样本的相变材料热行为特征图像；
图像分析与筛选模块，用于采用分类算法将得到的手套样本的相变材料热行为特征图像与数据库中对应的手套的相变材料热行为特征图像进行分类，筛选出影响手套样本的相变材料热响应的关键因素参数；
数据比对与判断模块，用于将筛选出的影响手套样本的相变材料热响应的关键因素参数与已知影响手套的相变材料热响应的各种因素进行对比，判断手套样本的相变材料热响应的严重程度；
剩余蓄热量计算模块，用于基于评估结果，并结合手套样本的相变材料的实际热响应数据，计算每个手套样本的相变材料剩余蓄热量；
其中，测试准备模块通过三维数字模型构建模块和图像生成模块连接，图像生成模块通过图像处理模块和图像分析与筛选模块连接，图像分析与筛选模块通过数据比对与判断模块和剩余蓄热量计算模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410086571.5A CN117612656B (zh) | 2024-01-22 | 2024-01-22 | 一种基于手套储能的相变材料剩余蓄热量测量方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410086571.5A CN117612656B (zh) | 2024-01-22 | 2024-01-22 | 一种基于手套储能的相变材料剩余蓄热量测量方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117612656A CN117612656A (zh) | 2024-02-27 |
| CN117612656B true CN117612656B (zh) | 2024-04-02 |
Family
ID=89956492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410086571.5A Active CN117612656B (zh) | 2024-01-22 | 2024-01-22 | 一种基于手套储能的相变材料剩余蓄热量测量方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117612656B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334814A (zh) * | 2018-01-11 | 2018-07-27 | 浙江工业大学 | 一种基于卷积神经网络结合用户习惯性行为分析的ar***手势识别方法 |
| CN110442974A (zh) * | 2019-08-07 | 2019-11-12 | 广东工业大学 | 马蹄焰玻璃窑蓄热室性能优化方法和装置 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114127010A (zh) * | 2019-05-14 | 2022-03-01 | Css纳米技术有限责任公司 | 作为相变材料吸收体的三维碳纳米管海绵材料 |
| CN115221782A (zh) * | 2022-07-15 | 2022-10-21 | 西安建筑科技大学 | 一种大型公共建筑能耗混合预测方法及*** |
| CN116517631A (zh) * | 2023-04-12 | 2023-08-01 | 安徽理工大学 | 一种基于活性位点的岩浆侵蚀煤体自燃危险区域划分方法 |
| CN116629451A (zh) * | 2023-06-25 | 2023-08-22 | 湖北工业大学 | 一种燃料电池剩余寿命预测方法、***、介质及终端 |
| CN117373561A (zh) * | 2023-10-10 | 2024-01-09 | 昆明理工大学 | 一种碱激发胶凝材料碳化性能的预测模型构建方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
| CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及*** |
-
2024
- 2024-01-22 CN CN202410086571.5A patent/CN117612656B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334814A (zh) * | 2018-01-11 | 2018-07-27 | 浙江工业大学 | 一种基于卷积神经网络结合用户习惯性行为分析的ar***手势识别方法 |
| CN114127010A (zh) * | 2019-05-14 | 2022-03-01 | Css纳米技术有限责任公司 | 作为相变材料吸收体的三维碳纳米管海绵材料 |
| CN110442974A (zh) * | 2019-08-07 | 2019-11-12 | 广东工业大学 | 马蹄焰玻璃窑蓄热室性能优化方法和装置 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN115221782A (zh) * | 2022-07-15 | 2022-10-21 | 西安建筑科技大学 | 一种大型公共建筑能耗混合预测方法及*** |
| CN116517631A (zh) * | 2023-04-12 | 2023-08-01 | 安徽理工大学 | 一种基于活性位点的岩浆侵蚀煤体自燃危险区域划分方法 |
| CN116629451A (zh) * | 2023-06-25 | 2023-08-22 | 湖北工业大学 | 一种燃料电池剩余寿命预测方法、***、介质及终端 |
| CN117373561A (zh) * | 2023-10-10 | 2024-01-09 | 昆明理工大学 | 一种碱激发胶凝材料碳化性能的预测模型构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于PSO＿SVM＿AdaBoost的煤层底板突水预测研究;温廷新;于凤娥;;计算机应用研究;20171212(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117612656A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hodges et al. | Wildland fire spread modeling using convolutional neural networks | |
| CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
| Yost et al. | Predictive modeling and mapping sage grouse (Centrocercus urophasianus) nesting habitat using Maximum Entropy and a long-term dataset from Southern Oregon | |
| Li et al. | Discovering and evaluating urban signatures for simulating compact development using cellular automata | |
| CN110069972A (zh) | 自动探测真实世界物体 | |
| He et al. | Predictive models for daylight performance of general floorplans based on CNN and GAN: A proof-of-concept study | |
| Mokhtar et al. | Conditional generative adversarial networks for pedestrian wind flow approximation | |
| CN103168278A (zh) | 用于分析建筑物操作传感器数据的***和方法 | |
| CN108665513A (zh) | 基于用户行为数据的绘图方法和装置 | |
| Kastner et al. | A GAN-based surrogate model for instantaneous urban wind flow prediction | |
| Eslamirad et al. | Data generative machine learning model for the assessment of outdoor thermal and wind comfort in a northern urban environment | |
| Bowersox et al. | Measuring the abruptness of patchy ecotones–a simulation-based comparison of landscape pattern statistics | |
| Burnel et al. | Generating natural adversarial remote sensing images | |
| CN117612656B (zh) | 一种基于手套储能的相变材料剩余蓄热量测量方法及*** | |
| Norte Pinto et al. | Cellular automata and urban studies: A literature survey | |
| CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
| CN101241520A (zh) | 有限元建模中基于特征抑制的模型态生成方法 | |
| US8934735B2 (en) | Oriented, spatio-spectral illumination constraints for use in an image progress | |
| CN108280158A (zh) | 基于梯度方向累加热核特征的非刚性三维模型检索方法 | |
| CN108257148A (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 | |
| CN115062551B (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
| CN115953330A (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
| Casaer et al. | Analysing space use patterns by Thiessen polygon and triangulated irregular network interpolation: a non-parametric method for processing telemetric animal fixes | |
| Noueihed et al. | Simulating Weather Events on a Real-world Map using Unity 3D. | |
| Prakash et al. | Urbanization: Pattern, effects and modelling |
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 |