本發(fā)明涉及高分子材料檢測，具體涉及基于機器學習的聚乙烯醇縮醛黃變檢測方法。

背景技術：

1、聚乙烯醇縮醛（polyvinyl?acetal，pvac）是由聚乙烯醇（pva）與醛類（通常是甲醛）反應形成的聚合物。它是具有良好透明性、優(yōu)異的粘附性和耐水性的熱塑性材料，因其優(yōu)良的物理化學特性而在多個領域得到廣泛應用，如用于制造各種涂料和粘合劑、食品包裝和保護膜、制造光學鏡片和其他光學元件；用作電子元件封裝材料，提供保護和絕緣；在制藥行業(yè)，pva可用于制備藥物釋放載體，控制藥物的釋放速率等等。它不僅在工業(yè)應用中發(fā)揮重要作用，也在醫(yī)療和光學等高技術領域展現出良好的前景。

2、聚乙烯醇縮醛（pvac）在使用過程中受到多種因素的影響，包括光照、溫度、濕度、氧氣等，從而經歷一系列復雜的老化過程。聚乙烯醇縮醛的老化過程涉及復雜的化學和物理變化，包括自由基形成、交聯(lián)、降解等。聚乙烯醇縮醛在老化過程中，分子鏈中的某些官能團（如醛基）可能發(fā)生氧化反應，導致材料顏色變黃。黃變不僅影響材料的外觀，也可能與分子結構的變化相關，反映出材料內部的降解和交聯(lián)程度。隨著老化的進行，聚乙烯醇縮醛的力學性能（如拉伸強度、韌性、抗沖擊性等）會受到影響。自由基生成、交聯(lián)、降解和結晶度變化等因素綜合作用，導致材料的強度和韌性下降，表現為脆性增加。

3、因此，在實際應用中，了解和控制聚乙烯醇縮醛的老化過程對于確保其性能和使用壽命至關重要?，F有技術通過黃變程度反映聚乙烯醇縮醛（pvac）的老化過程是有效的方法，因為黃變通常與材料的化學結構變化、降解和老化機制密切相關。隨著黃變程度的增加，聚乙烯醇縮醛的力學性能（如拉伸強度、韌性等）通常會下降，但是現有技術難以根據黃變程度估計聚乙烯醇縮醛在老化過程的力學特性。

4、亟需聚乙烯醇縮醛的黃變檢測方法，能根據檢測的黃變程度估計聚乙烯醇縮醛在老化過程的力學特性。

技術實現思路

1、本發(fā)明提供基于機器學習的聚乙烯醇縮醛黃變檢測方法，以解決上述背景技術中提到的至少一個問題。

2、本技術提供的具體技術方案如下：

3、基于機器學習的聚乙烯醇縮醛黃變檢測方法，包括如下步驟：

4、s1、對聚乙烯醇縮醛樣品進行老化測試，構建相對吸光度時間曲線；

5、s2、獲取若干老化時間的對應的聚乙烯醇縮醛樣品的第一黃變程度和力學特性參數；

6、s3、根據相對吸光度時間曲線和與其對應的老化時間的第一黃變程度，構建第一黃變程度與相對吸光度的第一映射關系；

7、s4、步驟s1-s3重復執(zhí)行n次，得到n個第一映射關系和n個力學特性參數組；每個力學特性參數組表示一次循環(huán)中對應若干老化時間的若干力學特性參數；

8、s5、根據所述相對吸光度和力學特性參數組設定訓練參數集，根據訓練參數集構建并訓練神經網絡模型；

9、s6、獲取實際聚乙烯醇縮醛材料的第二黃變程度，根據第二黃變程度對照n個第一映射關系，獲取實際聚乙烯醇縮醛材料的n個實際相對吸光度，將n個實際相對吸光度輸入訓練好的神經網絡模型獲取實際力學特性參數。

10、優(yōu)選地，所述相對吸光度時間曲線為相對吸光度與老化時間的關系曲線；所述力學特性參數包括沖擊強度、拉伸強度和彎曲強度。

11、優(yōu)選地，所述步驟s1具體包括：

12、步驟s11、設定老化時間，選擇若干個老化時間點；

13、步驟s12、進行老化測試：將聚乙烯醇縮醛樣品放入恒溫恒濕老化箱中，按設定的老化時間進行老化處理；

14、步驟s13、采樣若干老化時間的第一紅外光波i的第一吸光度和第二紅外光波j的第二吸光度，記錄第一吸光度 ai?和第二吸光度? aj；

15、步驟s14、計算相對吸光度，計算公式如下：

16、，也即相對吸光度表示第一吸光度 ai?和第二吸光度? aj的比值。

17、步驟s15、構建相對吸光度時間曲線 μij( t)，具體為：

18、，

19、式中， ai( t)為在時間 t時的第一吸光度， aj( t)為在時間 t時的第二吸光度。

20、優(yōu)選地，構建相對吸光度時間曲線 μij( t)后還包括：

21、步驟s16、將每個相對吸光度時間曲線 μij( t)與對應的波數和進行關聯(lián)存儲，其中，波數是指所述第一紅外光波i的波數；波數是指所述第二紅外光波j的波數。

22、優(yōu)選地，步驟s2中，獲取若干老化時間的對應的聚乙烯醇縮醛樣品的第一黃變程度，包括：

23、步驟s21、獲取原始cie?lab值，記錄原始cie?lab值為?(,,)，其中，表示原始明度，表示原始從綠色到紅色的色彩分量，表示原始從藍色到黃色的色彩分量；

24、步驟s22、老化測試過程中，在每個老化時間點，使用分光色差儀測量當前cie?lab值，記錄為?(,,)，其中，表示當前明度，表示當前從綠色到紅色的色彩分量，表示當前從藍色到黃色的色彩分量；

25、步驟s23、計算聚乙烯醇縮醛樣品的第一黃變程度，包括：

26、計算明度變化值：=-；

27、計算黃度變化值：=-；

28、獲得黃變程度二維向量：黃變程度=（,）。

29、優(yōu)選地，步驟s2中，獲取若干老化時間的對應的聚乙烯醇縮醛樣品的力學特性參數，包括：

30、步驟s201、將若干老化時間對應的聚乙烯醇縮醛樣品，根據標準要求制備出符合規(guī)格的若干老化時間對應的聚乙烯醇縮醛膜樣品；

31、步驟s202、使用沖擊測試儀測量若干老化時間對應的聚乙烯醇縮醛膜樣品的沖擊強度，并記錄結果；

32、步驟s203、使用萬能測試機測試若干老化時間對應的聚乙烯醇縮醛膜樣品的拉伸強度，并記錄結果；

33、步驟s204、使用萬能測試機測試若干老化時間對應的聚乙烯醇縮醛膜樣品的彎曲強度，并記錄結果；

34、步驟s205、將步驟s203-s204的測試結果與標準聚乙烯醇縮醛膜的力學特性參數進行比較，獲得不同老化時間對聚乙烯醇縮醛膜力學特性的影響。

35、優(yōu)選地，步驟s2還包括：

36、步驟s300、將不同老化時間對應的黃變程度（,?）和力學特性參數整理成表格；通過表格分析老化時間對黃變程度和力學特性參數的影響，觀察趨勢與相關性。

37、優(yōu)選地，步驟s6中獲取實際聚乙烯醇縮醛材料的第二黃變程度，包括：

38、步驟s61、獲取原始cie?lab值(,,)；

39、步驟s62、使用分光色差儀測量當前cie?lab值，記錄為?(,,)，其中，表示當前明度，表示當前從綠色到紅色的色彩分量，表示當前從藍色到黃色的色彩分量；

40、步驟s63、計算實際聚乙烯醇縮醛材料的第二黃變程度，包括：

41、計算明度變化值：=-；

42、計算黃度變化值：=-；

43、獲得黃變程度二維向量：黃變程度=（,）。

44、優(yōu)選地，步驟s6中獲取實際聚乙烯醇縮醛材料的第二黃變程度，還包括：

45、步驟s64、實際聚乙烯醇縮醛材料的黃變判斷，具體為：

46、：

47、若<0，則表示材料的明度降低，

48、若>0，則表示材料的明度提高；

49、：

50、若>0，則表示材料的顏色變黃，

51、若<0，則表示材料的顏色變藍，數值越小，藍色變化越明顯。

52、優(yōu)選地，步驟s6中，根據第二黃變程度對照n個第一映射關系，獲取實際聚乙烯醇縮醛材料的n個實際相對吸光度，包括：對照步驟s4獲得n個第一映射關系，獲取實際測得的第二黃變程度在第一映射關系中的實際時間點，根據實際時間點獲取在n個第一映射關系中的n個實際相對吸光度。

53、相比現有技術，本發(fā)明的有益效果在于：

54、本發(fā)明通過有效地構建聚乙烯醇縮醛材料的相對吸光度時間曲線，進而評估其在不同老化條件下的性能變化，這為聚乙烯醇縮醛的長期應用提供了重要的參考數據。同時采用比值法獲得相對吸光度，具有較高的靈敏度和準確性，減少了測量環(huán)境等因素對單一吸光度值的影響。

55、本發(fā)明通過獲取若干老化時間對應的黃變程度和力學特性參數，并對其進行綜合分析，可以評估聚乙烯醇縮醛材料在長期使用中的性能變化，為材料的應用提供重要參考數據。

56、本發(fā)明通過分析相對吸光度時間曲線與對應的老化時間，建立黃變程度與相對吸光度之間的映射關系。這一過程將光學特性與材料性能相聯(lián)系，為后續(xù)分析提供基礎，可以更好地理解黃變程度如何影響相對吸光度，從而增強對材料性能的預測能力。

57、本發(fā)明的上述多組映射關系和力學特性參數提供了豐富的訓練數據，有助于提高神經網絡模型的泛化能力。同時，通過不同的光波數，可以更全面地評估材料在不同條件下的性能表現。

58、本發(fā)明通過訓練完成的神經網絡模型能夠根據新的相對吸光度數據，準確預測相應的力學特性參數。

59、本發(fā)明通過模型應用階段，依據實際測量的聚乙烯醇縮醛材料的第二黃變程度，從實驗建模階段構建的黃變程度與相對吸光度的第一映射關系中獲取第二黃變程度對應的實際相對吸光度，將實際相對吸光度作為訓練好的神經網絡模型的輸入，經過模型輸出聚乙烯醇縮醛材料的實際力學特性參數。由此，可以通過實際黃變程度更準確地估計聚乙烯醇縮醛材料在實際老化過程中的力學特性。