技術特征：

1.基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于：包括如下

2.根據(jù)權利要求1所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，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(shù)包括沖擊強度、拉伸強度和彎曲強度。

3.根據(jù)權利要求1所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，所述步驟s1具體包括：

4.根據(jù)權利要求3所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，構建相對吸光度時間曲線μij(t)后還包括：

5.根據(jù)權利要求1所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，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：

6.根據(jù)權利要求5所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，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(shù)，包括：

7.根據(jù)權利要求5所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，步驟s2還包括：

8.根據(jù)權利要求1所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，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：

9.根據(jù)權利要求8所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，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：

10.根據(jù)權利要求9所述的基于機器學習的聚乙烯醇縮醛黃變檢測方法，其特征在于，步驟s6中，根據(jù)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(jù)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。

技術總結
本發(fā)明公開了基于機器學習的聚乙烯醇縮醛黃變檢測方法，涉及高分子材料檢測技術領域，所述檢測方法包括實驗建模階段和模型應用階段。其中，實驗建模階段將相對吸光度設計為老化評估標準，獲取相對吸光度時間曲線；利用相對吸光度時間曲線和實驗測得的第一黃變程度擬合第一映射關系；根據(jù)相對吸光度和力學特性參數(shù)訓練并構建神經(jīng)網(wǎng)絡模型；其中，應用階段獲取實際待測材料的第二黃變程度，根據(jù)第二黃變程度和若干個第一映射關系獲取若干個實際相對吸光度，將若干個實際相對吸光度輸入神經(jīng)網(wǎng)絡模型獲取實際力學特性參數(shù)。本發(fā)明通過實驗建模階段和模型應用階段，可以根據(jù)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。

技術研發(fā)人員：王明哲,顏克建,王慶昌
受保護的技術使用者：深圳森工新材料科技有限公司
技術研發(fā)日：
技術公布日：2025/1/2