基于神经网络的防眩玻璃制备工艺参数优化方法外文翻译资料

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

基于神经网络的防眩玻璃制备工艺参数优化方法

郑州航空大学，管理科学学院

中国 郑州

关键词：神经网络、参数优化、防眩玻璃

摘要：随着城市的发展，防眩玻璃的应用越来越广泛，高透光率和低反射的玻璃制造技术具有重要的意义。由于防眩玻璃的制备工艺十分复杂，防眩玻璃的透光率等性能受到多种因素影响。由于实际生产数据的复杂的非线性关系，响应面分析法不能很好的解决防眩玻璃的制备工艺参数优化问题。本文提出的BP神经网络可以用来构造设计向量与响应向量之间的复杂非线性模型。BP神经网络具有较高的学习能力和表达能力，具有良好的构建映射模型的能力。利用高泛化能力的BP神经网络模型优化参数来探讨玻璃的腐蚀状况，就可以用较少的测试数据得到比较理想的参数设计。

一、介绍

近年来，玻璃幕墙的高反射能力也将光污染增加到我们的环境问题当中，严重影响了人们的生活和健康。和普通玻璃相比具有低反射性能的防眩玻璃，是一

种理想的解决光污染的方法。

采用化学腐蚀法进行玻璃表面酸化处理工艺制备防眩玻璃已广泛应用于商业生产。由于防眩玻璃的制备工艺十分复杂，防眩玻璃的透光率等性能受到多种因素影响。由于实际生产数据的复杂的非线性关系，常见的模型不能很好的解决防眩玻璃的制备工艺参数优化问题。为了解决这个问题，本文提出了一种利用BP神经网络建立复杂的非线性模型来实现防眩玻璃制备工艺参数的优化。

温度因素的实验数据分为四个等级，时间因素的实验数据分为六个等级。水平方向为温度（X₁)，分为15℃,20℃,25℃,30℃四个等级，垂直方向为时间(X₂)，分为3min,5min,8min,10min,15min,20min六个等级。Y为透过率。

二、响应面分析法

响应面分析法是一种比较常用的参数优化方法，通过建立相应变量和重要影响因子之间的回归模型，优化工艺，确定最优水平组合的参数。运用minitab15软件，建立设计矢量，温度(X₁),时间(X₂)和响应向量，透过率(Y)之间的响应表面模型。回归分析和方差分析的结果见表2

响应面回归分析结果表明响应向量和影响因素之间没有明显的线性关系；在方差分析中，P值（0.676）表明等级为0.05的回归过程估计模型不显著；适合的线性回归方程R=15%，但由于相关因素和响应向量没有显著的线性关系，所以调整后的拟合方差为0%。因此，响应面模型并不适合优化防眩玻璃制备工艺参数。

响应面分析法的构建和分析表明，玻璃的可控因素（温度和时间）响应因素（透过率）和玻璃的腐蚀速率没有明显的线性关系。因此，时间，温度和透过率之间的关系不容易找到。需要设计非线性优化设计模型来解决回归模型不理想的问题。BP神经网络是一种多层神经网络，具有较强的自组织，自适应，自学习能力和泛化能力，可以实现从输入到输出的任意非线性映射。BP神经网络用于建立温度，时间和透射率之间的非线性关系，解决了响应面分析法的多种不足。

三、BP神经网络模型

BP神经网络模型是人工神经网络的常用方法。拓扑结构包括术后粗层，潜在层和输出层。

BP神经网络可以在输入向量X和输出层O的输出向量D之间建立非线性映射。BP神经网络由正向和反向传播组成。计算所需输出向量D和实际输出向量O之间的误差e。如果没有达到网络误差精度，则使用反向传播神经网络用来分层传输误差和修正连接权值和阈值。反向传播学习规则是梯度下降法。为了缩小期望输出向量D和实际输出向量O的误差，首先要计算每层的误差信号，然后调整每层的连接权重，使网络误差不断减小，知道期望的输出矢量D和实际输出矢量O的误差e满足网络精度要求。

3.1 BP神经网络优化模型的构建

使用Minitab软件获得主效果图（参照图2）和温度，时间和透过率之间的等值线图（参考图3）。在主效应图中，响应变量，透过率越大越好，温度因子的四个参数的主要影响因素相对接近，时间因子值得四个主要效应水平最高，在等值线图中，当时间因子为3、4、5时，玻璃的透光率是最高的。

综合考虑分析后，BP神经网络模型参数优化温度水平范围设定为间隔[1,4]，实践水平范围设定在间隔[3,5]。

3.2 BP神经网络的优化搜索方法

在参数优化范围内，增加因子水平分配和使用BP网络神经泛化能力搜索最优参数组合，实现最高响应可变透射率。

实验1：温度（X₁）设置级别为1,2,2.5,3,1.5,3.5,4，时间（X₂）设置级别为3,3.5,4,4.5,5，并进行全因子实验设计。 在实验1中，两个因素分别表示为X₁₁，X₂₁。 使用BP神经网络搜索优化的泛化能力。 Matlab语句为a = [X₁₁ X₂₁]; Y1 = sim（net，a）。 最佳的预测结果（参见表3）为（2.5,3.5）。 透光率的最佳参数组合标准化提高到1.8433。

实验2 :将实验1中的最优参数组合( 2.5 , 3.5 )上下小规模调整以设置温度X₁ 2.2,2.3,2.4,2.5,2.6,2.7,2.8和时间X₂3.2,3.3,3.4,3.5,3.6,3.7,3.8,并进行全因子实验设计。在实验2中,两个因子分别表示X₁₂、X₂₂。最佳预测结果(参见表4 )为( 2.4 , 3.3)。透光率的最佳参数组合标准化提高到1.8685.

原始数据的响应变量透射率（％）平均值为84.0583，标准偏差为4.36836。 因此，BP神经网络的参数优化优化值（1.8685）转化为92.22的真值（％）。 因此，本文提出的参数优化方法设定了温度22℃，时间8.6分钟的玻璃腐蚀条件，将防眩玻璃透光率提高到92.22％。

四、摘要

BP神经网络对多因素影响的变量具有较高的绘图能力。 利用BP神经网络的泛化能力来搜索最优参数组合，即在构建非线性回归模型中寻找最大的优势来实现最高响应变量透射率和搜索结果表明，基于BP神经网络参数的非线性回归模型 参数组合的优化方法可以有效提高抗眩光玻璃的透光率。 综上所述，基于BP神经网络的非线性回归优化方法的参数是可行的，有效的，可以弥补响应面分析法的不足。

参考文献：

[1]Fang Qiao-li, Zhou Jian, Xie Li, et al. Guangzhou glass curtain wall building light environment monitoring and evaluation in summer. Environmental Pollution amp; Control, 2013, 35(11):33-36.

[2]Elmer T H,Walters H,U.S.Patent,4019884(1977).

[3]G.Elatharasan,V.S.Senthil Kumar. Modelling and Optimization of Friction Stir Welding Parameters for Dissimilar Aluminium Alloys Using RSM. Procedia Engineering, 2012, 38: 3477-3481.

[4]Yu Feng, Xu Xiao-zhong. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network.Applied Energy, 2014, 134:102-113.

[5]Ali N. Celik, Tariq Muneer. Neural network based method for conversion of solar radiation data. Energy Conversion and Management, 2013, 67: 117-124. Trial no. x12 x22 Y2 1 2.2 3.2 1.7344 2 2.2 3.3 1.7577 3 2.2 3.4 1.7607 hellip; 16 2.4 3.3 1.8685 hellip; 48 2.8 3.7 1.3745 49 2.8 3.8 1.4839 Trial no. x11 x21 Y1 1 1 3 0.7127 2 1 3.5 1.6629 3 1 4 0.5107 hellip; 17 2.5 3.5 1.8433 hellip; 34 4 4.5 0.0996 35 4 5 -0.187 416

[6]Bai He-ming, Shen Run-ping, Shi Hua-ding, et al. Forecasting model of air pollution index based on BP neural network[J]. Environmental Science amp; Technology, 2013, 36(3):186-189.

随机纹理抗眩光（TAG）玻璃制备的光伏电池的效率

摘要：玻璃的表面处理对于光伏电池的转换效率是重要的影响是减小反射率和增加入射光。 在本工作中，运用了湿法表面涂布法制备了无规纹理防眩光（RTAG）玻璃。本文 比较了RTAG玻璃表面形貌变化对光学性能的影响，并对光伏电池的转换效率进行了研究。 表面蚀刻时间的不同导致的晶粒尺寸和表面形貌的变化大大影响光透射率和透射雾度。 当表面形貌反射雾度低且透射雾度高时，电流密度（Jsc）较高。 Jsc的扫掠角为90^o时为40.0mA / cm 2。 入射光源受到高角度玻璃表面处理的强烈影响，但在低入射角下光源几乎不受影响。

关键词：随机纹理防眩光，转换效率，光伏，入射光，电流密度

一、介绍

因为光伏电池表面的纹理可以降低光学反射率，所以对入射光的转换效率很重要。我们可以通过降低光学反射率来增加电池表面纹理的光学捕获。 而短路电流密度可以通过纹理的光反射率下降而得到改善。根据图案的尺寸和形状，可以将各种蚀刻工艺应用于电池表面的纹理以减少光学反射损失。 通过沉积和玻璃上的纳米结构蚀刻在玻璃表面之间的界面处的超疏水性的自反应玻璃刚被研究出来。表面纹理处理方法包括干法和湿法蚀刻。 用于处理纹理的干法蚀刻工艺是通过物理离子轰击和反应离子蚀刻，包括在真空条件下产生等离子体的气体和固相的化学反应界面。 湿式蚀刻的方法是使用酸或碱蚀刻溶液在玻璃上进行直接表面处理。 制备所需的纳米或微结构的半导体器件和显示过程需要通过离子蚀刻或RIE进行更精确的表面控制。 然而，由于商业化成本十分昂贵，干法蚀刻工艺对于大面积蚀刻是有限制的。 因为使用HF酸溶液的湿法蚀刻工艺进行大规模的表面处理成本很低，所以广泛应用于显示装置的防眩光表面处理。在湿法蚀刻方法中，有直接接触蚀刻溶液处理表面的浸渍方法，或者使具有蚀刻溶液在表面随机流动的方法，也有通过涂抹凝胶态蚀刻溶液除掉表面反应后的产物的方法。 在这些方法中，由于使用大量蚀刻溶液会导致表面蚀刻速度加快和造成环境污染，浸渍法难以控制表面反应速度。 因此，一般使用具有凝胶态蚀刻溶液的表面涂层法。

窗体顶端

II。试验窗体顶端

二、实验

窗体顶端

1.覆盖玻璃的湿法蚀刻

为了通过PV电池盖玻璃上的光学反射降低入射光损失，使用湿法蚀刻制造随机纹理。在本实验中，使用厚度为1.1mm，活性尺寸为250times;250mm，透光率为91.7％，折射率为1.5229，密度为2.56g / cm ³的低铁白色玻璃。使用80目丝网印刷法，用去离子水洗涤后具有凝胶态粘度的氟化铵（NH ₄ F ₂）制成的蚀刻溶液，运用湿法蚀刻的随机纹理AG工艺均匀地涂覆在玻璃表面。为了确定哪些变量对入射光的表面粗糙度和光学性质有贡献，将凝胶态蚀刻溶液的涂层厚度和表面反应时间作为变量进行实验。，涂层厚度设计为0.3〜1.0mm，与玻璃和凝胶态蚀刻溶液反应时间设计为30秒〜120秒。蚀刻完成的PVAG玻璃表面用蒸馏水洗涤并彻底干燥。

1. 分析

窗体底端

研究了湿法腐蚀对随机纹理光伏电池覆盖玻璃的物理和光学性能的影响。为了测量表面粗糙度,使用了Mitutoyo（型号SJ 210 / SJ）的便携式RA测量系统。表面处理后,用x射线光电子能谱( XPS , phi58000)检测了刻蚀玻璃基片表面的化学成分。用park科学仪器的原子力显微镜( AFM)测量了表面形貌。通过Hewlett-Packard的UV-visible分光光度计（型号8453，Agilent）检测表面蚀刻之前和之后的光学透射率和光学反射率。用astmd 1003程序在20mm的卤素灯下测量透射雾度。比较了光伏

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140836]，资料为PDF文档或Word文档，PDF文档可免费转换为Word