本发明属于塑料材料拉伸强度预测评估，一种基于神经网络的透明塑料拉伸强度无损评估方法。
背景技术：
1、材料力学性能是对材料力学行为的量化评价。现有的材料力学性能测试方法是通过制取标准尺寸规格的材料试样，在该试样上执行符合一定规范的力学输入，以获取相应的力学响应，所得到的材料的力学输入与力学响应的关系与数据结果即为测试所得材料的力学性能。现有的材料力学性能测试方法的问题在于：需要对样品进行破坏才能获取相应的力学性能数据，对于需要长期服役的材料，无法使用破坏性检测来获取实际力学性能；而通过对高分子材料进行老化研究，然后用动力学方法、阿伦尼乌斯模型、时温等效模型等方法预测高分子老化情况，进而推算一定使用期限下材料的性能情况往往在一定期限后会有较大的偏差。
技术实现思路
1、鉴于背景技术中提到的问题，本发明的目的在于提供一种基于神经网络的透明塑料拉伸强度无损评估方法，其能够将无损检测的数据结果与透明塑料的拉伸性能通过神经网络进行量化关联，从而在实际使用过程中利用无损检测方法评估材料的拉伸性能。
2、本发明的目的是通过以下技术方案来实现的：一种基于神经网络学习的透明塑料拉伸强度无损评估方法，该方法包含以下步骤，
3、(1)对于待评估的透明塑料，进行不同老化程度处理，获得不同性状样品；
4、(2)对相应样品进行无损检测，获得表征性状的特征数据集；
5、(3)完成无损检测后，进行拉伸试验，获得相应样品的拉伸强度数据集；
6、(4)建立神经网络学习模型，以步骤(2)得到的特征数据集作为输入，以步骤(3)得到的拉伸强度数据集作为输出，训练建立的神经网络学习模型；
7、(5)获取未知状态透明塑料样品，通过无损检测方法获得特征数据，输入训练后的神经网络学习模型后，得到输出数据，即评估的拉伸强度。
8、进一步地，步骤(2)中无损检测得到的数据，包含：黄色指数、雾度、透光率、红外光谱数据或拉曼光谱数据中的至少一种；
9、进一步地，所述神经网络学习模型建立的具体步骤如下：
10、(1)设样本集为(x1,y1),…,(xk,yk),其中xk表示第k个特征数据，yk表示拉伸强度数据，目标是寻找一个输入空间到输出空间的非线性映射；
11、(2)对于单一输出变量而言，假设输入层到输出层各层神经元数数分别为m0,m1,m2,m3,m4；每一层的向量则表示为：
12、
13、
14、
15、
16、
17、同时，定义每一层的权重矩阵为偏置向量为并定义激活函数relu为f，得到第k层的正向传播的公式为
18、net(k)＝w(k)y(k-1)+b(k)
19、y(k)＝f(net(k))
20、(3)模型的目标是通过调整网络权重w使得输出和目标有最小的均方误差，即最小化损失函数：
21、
22、在该模型使用adam优化算法进行训练，初始学习率设置为0.0001，adam算法的β1设置为0.9，β2设置为0.999；
23、(4)模型的超参数优化，即上述m1,m2,m3的具体优化，使用hyperopt库中的adaptive tree of parzen estimators(atpe)优化算法，搜索空间设置为1-50，超参数的搜索次数为200次。
24、进一步地，神经网络学习过程中，样本量拆封成n组(x1，x2，……xn)，选取其中若干组数据(xa，……xb)进行学习，其中b-a+1<n，剩下的多组数据建立模型得到该组合的模型及其检验值，如此循环若干次，获取最优模型。
25、本发明的有益效果：本发明基于神经网络，将透明塑料的无损检测结果与其拉伸性能进行量化关联，建立了透明塑料拉伸性能无损评估方法，在实际生活中，可以对需要持续服役，且需持续监测拉伸性能的透明塑料进行无损的拉伸性能评估，避免了破坏性检测，同时相较于理论预测具有更好的准确性。
1.一种基于神经网络学习的透明塑料拉伸强度无损评估方法，其特征在于，该方法包含以下步骤，
2.根据权利要求1所述的一种基于神经网络学习的透明塑料拉伸强度无损评估方法，其特征在于，步骤(2)中无损检测得到的数据，包含：黄色指数、雾度、透光率、红外光谱数据或拉曼光谱数据中的至少一种。
3.根据权利要求1所述的一种基于神经网络学习的透明塑料拉伸强度无损评估方法，其特征在于，所述神经网络学习模型建立的具体步骤如下：
4.根据权利要求1所述的一种基于神经网络学习的透明塑料拉伸强度无损评估方法，其特征在于，神经网络学习过程中，样本量拆封成n组(x1，x2，……xn)，选取其中若干组数据(xa，……xb)进行学习，其中b-a+1<n，剩下的多组数据建立模型得到该组合的模型及其检验值，如此循环若干次，获取最优模型。
