[发明专利]一种通过机器学习神经网络进行反演模拟参数的方法

权利要求书

1.一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于包含下列步骤：

S1、建立一个机器学习神经网络；

S2、提供一个以物理模型进行模拟预测；

S3、在所述机器学习神经网络及所述物理模型中输入相同的原始参数，以所述物理模型作为学习对象用正向-反向传播来反演调整所述机器学习神经网络的运算匹配第三权重集，最小化神经网络预测值与物理模型预测值的差值的均方和L_c-n，以获得训练好的神经网络第三权重集；

S4、以最小化所述训练后的神经网络预测值与相同条件下传感器的测量值之差值的均方和L_e-n为目标，用正向-反向传播来反演调整所述机器学习神经网络的运算匹配第一权重集和/或第二权重集，以获得经神经网络反演调整后的输入参数；

S5、将S4中反演调整后的输入参数代入所述物理模型中进行重新计算。

2.根据权利要求1所述的一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于：所述机器学习神经网络及所述物理模型中输入的原始参数至少包含工艺参数和流变模型参数。

3.根据权利要求2所述的一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于：所述第三权重集设置于神经网络隐藏层内，所述此第三权重集用于匹配训练后的神经网络模型来做预测计算。

4.根据权利要求2所述的一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于：所述第一权重集和第二权重集设置于神经网络输入数据层内，所述第一权重集至少包含工艺参数权重集，所述第二权重集至少包含流变模型参数权重集，所述工艺参数权重集用于匹配工艺参数，所述流变模型参数权重集用于匹配流变模型参数。

5.根据权利要求3所述的一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于：在所述步骤S3中，进一步包含在最小化所述差值的均方和L_c-n后，调整所述第三权重值，以训练所述机器学习神经网络。

6.根据权利要求4所述的一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于：所述步骤S4中，进一步包含以最小化所述差值的均方和L_e-n为目标，调整所述工艺参数权重集和流变模型参数权重集，来反演调整符合所述测量值的输入参数。

7.根据权利要求6所述的一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于：所述步骤S4中，调整所述工艺参数权重集和流变模型参数权重集，具体为若工艺参数的输入正确，则对神经网络系统进行反演调整流变模型参数权重集，若工艺参数的输入不正确，则针对工艺参数反演调整工艺参数权重集，使所述差值的均方和L_e-n最小化。

8.根据权利要求6所述的一种通过机器学系神经网络进行反演模拟参数的方法，其特征在于：所述步骤S4中，经神经网络反演调整后的输入参数分别为工艺参数与调整后的工艺参数权重集的运算值和流变模型参数与调整后的流变模型参数权重值的运算值。

9.根据权利要求1所述的一种通过机器学系神经网络进行反演模拟参数的方法，其特征在于：所述步骤S3和步骤S4中，所述差值的均方和L_c-n和差值的均方和L_e-n通过损失函数计算得到。

10.根据权利要求1所述的一种通过机器学习神经网络进行反演模拟参数的方法，其特征在于：所述物理模型通过仿真模拟软件建立，所述模拟仿真软件为注塑模流分析软件。