本發明屬于磁流變液流變特性性能預測領域，尤其涉及一種基于神經網絡的磁流變液流變特性評價方法。
背景技術：
1、磁流變液作為一種可控可逆的智能材料，其流變特性會受到外摻料a加量、溫度、磁場強度等因素的影響，這些因素相互關聯、制約，難以建立一個多條件下的磁流變液流變性能評價方法。傳統的評價方法往往受限于有限的數據量和多因素作用下的參數模型結構，大多是建立參數模型后再進行預測。由于磁流變液在是否有磁場的情形下流體表現不同，而不同的流體表現對應不同的方程模式，難以直接展現磁流變液的實際情況。傳統方法中存在以下缺陷：模型適應性差：磁流變液在不同磁場、溫度、剪切條件下呈現非牛頓流體特性，單一參數化模型難以全面、準確描述其多工況下的復雜流變行為；多因素耦合難建模：多個影響因素之間交互作用顯著，傳統模型往往難以有效捕捉其非線性、高階耦合關系；預測精度有限：傳統方法對實驗數據擬合能力較弱，尤其在復雜環境或極端工況下預測誤差較大，難以滿足高精度工程預測需求。
技術實現思路
1、本發明的目的是提供一種基于神經網絡的磁流變液流變特性評價方法，以解決現有技術中難以直接展現磁流變液的實際情況的問題。
2、為實現上述目的，本發明采用如下技術方案：
3、一種基于神經網絡的磁流變液流變特性評價方法，包括以下步驟：
4、步驟一：根據實驗設備獲取磁流變液流變數據集，磁流變液流變數據集包括輸入參數和輸出參數；輸入參數包括外摻料a加量、溫度、磁場強度和剪切速率，輸出參數為剪切應力；
5、步驟二：采用z-score標準化方法對磁流變液流變數據集轉化為均值為0、標準差為1的分布；
6、步驟三：將預處理后的磁流變液流變數據集按7:2:1的比例劃分為訓練集、驗證集和測試集，其中訓練集樣本數量為2170個，驗證集為620個，測試集為310個，且劃分時對各磁場強度數據采用分層抽樣方法以保持各子集中輸入參數分布的均衡性；
7、步驟四：建立并訓練bp神經網絡預測模型，并對bp神經網絡預測模型進行超參數調優；
8、其中bp神經網絡預測模型包括輸入層、至少一個隱藏層和輸出層；bp神經網絡模型是一種多層的前饋神經網絡，具有反向傳播的特點，從輸出層到隱藏層，最后到輸入層，依次調節隱藏層到輸出層的權重和偏置，輸入層到隱藏層的權重和偏置；
9、步驟四：基于訓練好的bp神經網絡預測模型對磁流變液流變特性進行評價，并采用均方誤差、平均絕對誤差、平均相對誤差和決定系數作為評價指標，對模型在驗證集和測試集上的性能進行分析與評估。
10、進一步的，步驟二中z-score標準化計算公式如下：
11、
12、其中表示特征列的均值，表示特征列的標準差，為初始數據，為標準化后的數據；處理后的數據滿足均值為0，標準差為1的特點。
13、進一步的，步驟三中bp神經網絡模型采用網格搜索方法進行超參數調優，超參數包括隱藏層結構、學習率、激活函數和誤差閾值。
14、進一步的，基于網格搜索的bp神經網絡模型的最優參數組合為兩層隱藏層：第一層設置15個神經元，第二層設置10個神經元，學習率為0.001，激活函數設置為“tansig”，誤差閾值為10-7。
15、進一步的，步驟三中分層抽樣方法為：按照不同磁場強度水平將數據分層，確保每個磁場強度水平下的數據在訓練集、驗證集和測試集中均有合理分布。
16、進一步的，步驟四中評價指標為mse、mae、mre及r2計算公式如下：
17、
18、其中為真實值，為預測值，是真實值的平均值。
19、進一步的，計算得到測試集的決定系數r2大于0.9995，驗證集的決定系數r2大于0.9993。
20、本發明的有益效果為：
21、1、本發明采用bp神經網絡建模，通過多層非線性激活函數與反向傳播機制，能夠自主學習多因素（如外摻料加量、溫度、磁場強度、剪切速率）與剪切應力之間的復雜映射關系，無需依賴先驗物理假設或簡化模型結構。相比傳統參數化模型（如herschel-bulkley模型），本方法在相同數據集上表現出更高的決定系數（r2>0.999）和更低的預測誤差（mse<0.001），顯著提升了在復雜環境和高剪切條件下的預測精度與模型適應性。
22、2、傳統模型往往難以有效描述多因素間的非線性耦合效應。本發明通過神經網絡的隱層結構與激活函數，自動提取特征間的高階交互信息，實現對磁流變液流變行為的全方位刻畫。該方法不僅適用于單一工況，更能跨溫度、跨磁場強度進行連續預測，避免了傳統方法需分段建模的不足，提升了模型的整體一致性與工程適用性。
23、3、通過z-score標準化、網格搜索超參數調優，訓練、驗證、測試集分層劃分等步驟，本發明構建的神經網絡模型具備優秀的泛化性能與穩定性。模型在驗證集與測試集上均表現一致，未見明顯過擬合。此外，該方法對數據樣本量的要求相對靈活，即使在小樣本條件下仍可通過遷移學習或數據增強進一步提升效果，適用于實驗成本高、數據獲取困難的磁流變液研究場景。
1.一種基于神經網絡的磁流變液流變特性評價方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于神經網絡的磁流變液流變特性評價方法，其特征在于，步驟二中z-score標準化計算公式如下：
3.根據權利要求1所述的基于神經網絡的磁流變液流變特性評價方法，其特征在于，步驟三中bp神經網絡模型采用網格搜索方法進行超參數調優，超參數包括隱藏層結構、學習率、激活函數和誤差閾值。
4.根據要求3所述的基于神經網絡的磁流變液流變特性評價方法，其特征在于，基于網格搜索的bp神經網絡模型的最優參數組合為兩層隱藏層：第一層設置15個神經元，第二層設置10個神經元，學習率為0.001，激活函數設置為“tansig”，誤差閾值為10-7。
5.根據權利要求1所述的基于神經網絡的磁流變液流變特性評價方法，其特征在于，步驟三中分層抽樣方法為：按照不同磁場強度水平將數據分層，確保每個磁場強度水平下的數據在訓練集、驗證集和測試集中均有合理分布。
6.根據權利要求1所述的基于神經網絡的磁流變液流變特性評價方法，其特征在于，步驟四中評價指標為mse、mae、mre及r2計算公式如下：
7.根據權利要求6所述的基于神經網絡的磁流變液流變特性評價方法，其特征在于，計算得到測試集的決定系數r2大于0.9995，驗證集的決定系數r2大于0.9993。