不烧滑板及其制备方法与流程

1.本技术涉及智能制造领域，且更为具体地，涉及一种不烧滑板及其制备方法。


背景技术：

2.在现代钢铁冶炼过程中，特别是随着快速高效连铸和二次精炼技术及工艺的发展，滑动水口系统变得越来越重要，成为冶炼中一个不可缺少的部分。滑动水口系统是连铸机浇铸过程中的钢水控制装置，能够精确地调节从钢包到中间包，从中间包到结晶器的钢水流量，使流入和流出的钢水达到平衡，从而使连铸操作更易控制。
3.滑板是滑动水口系统中最重要的组成部分，由于它直接控制钢水流量，在满足不同浇筑工艺条件下，需要长时间、反复承受高温钢水的化学侵蚀和物理冲刷，激烈和瞬变的热冲击和机械磨损作用，使用条件极为严苛。
4.滑板是钢包连铸控流系统的关键功能性元件。目前我国100t以上的大型钢包滑板主要以烧成铝锆碳材质滑板为主，使用寿命2～4次。中小型钢包用滑板考虑到成本，材质主要为铝碳质，工艺分烧成、轻烧成和不烧3种，寿命通常为1～3次。不烧铝碳质滑板由于成本低廉，适应性强，正逐渐成为中小型钢包用滑板的首选。
5.但是，不烧滑板的稳定性差，严重时会影响连铸节奏，甚至造成生产事故，因此期待能够提高不烧滑板的性能。对于不烧滑板的性能而言，其关键在于确定不烧滑板的制成配方以及对制成配方中的各个配方组分的参数进行优化以使得最终制得的不烧滑板具有更优的性能。因此，期望一种优化的不烧滑板的制备方法。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种不烧滑板及其制备方法，先将作为基质部分的刚玉及烧成后滑板废料与作为结合剂的沥青及酚醛树脂混合均匀以得到粗粉料，以使得所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜，进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物，再将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板。特别地，在本技术的技术方案中，采用基于人工智能技术来确定所述不烧滑板中各个组分的配方参数。
7.根据本技术的一个方面，提供了一种不烧滑板的制备方法，其包括：
8.获取作为基质部分的刚玉和烧成后滑板废料，以及作为结合剂的沥青和酚醛树脂；
9.将所述基质部分和所述结合剂混合均匀以得到粗粉料，其中所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜；
10.进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物；以及
11.将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板，其中所述结合剂固化后形成框架以结合所述粗粉料、所述细分料和所述石墨；
12.其中，所述作为基质部分的刚玉为规格8-14目的板状刚玉，或者规格14-28目的板状刚玉，或者规则28目的板状刚玉，或者规格325目的板状刚玉；所述作为基质部分的烧成后滑板废料为规格3-1mm或者规格1-0mm的烧成后滑板废料；所述作为结合剂的沥青为规格325目的球状沥青；以及，所述作为结合剂的酚醛树脂为热固性酚醛树脂或者有机硅改型树脂。
13.在上述不烧滑板的制备方法中，所述添加剂包括石墨，且所述石墨为规格-100目的鳞片石墨98。
14.在上述不烧滑板的制备方法中，所述鳞片石墨98的最优配方比例为1.5％。
15.在上述不烧滑板的制备方法中，所述添加剂还包括软化点为235℃的carbores p。
16.在上述不烧滑板的制备方法中，所述carbores p的最佳配方比例为1％。
17.在上述不烧滑板的制备方法中，所述添加剂还包括规格为325目的金属硅。
18.在上述不烧滑板的制备方法中，所述金属硅的最佳配方比例为2％。
19.在上述不烧滑板的制备方法中，所述添加剂还包括规格为325目的金属铝粉，所述金属铝粉的最佳配方比例为5％。
20.在上述不烧滑板的制备方法中，所述规格8-14目的板状刚玉的配方比例为28％-32％，且所述规格8-14目的板状刚玉的最优配方比例为30％。
21.在上述不烧滑板的制备方法中，所述规格14-28目的板状刚玉的配方比例为13％-18％，且所述规格14-28目的板状刚玉的最佳配方比例为15％。
22.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的不烧滑板的制备方法。
23.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的不烧滑板的制备方法。
24.与现有技术相比，本技术提供了一种不烧滑板及其制备方法，先将作为基质部分的刚玉及烧成后滑板废料与作为结合剂的沥青及酚醛树脂混合均匀以得到粗粉料，以使得所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜，进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物，再将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板。特别地，在本技术的技术方案中，采用基于人工智能技术来确定所述不烧滑板中各个组分的配方参数。
附图说明
25.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
26.图1为根据本技术实施例的不烧滑板的制备方法的流程图。
27.图2为根据本技术实施例的不烧滑板的制备方法中确定配方参数最佳比例的流程图。
28.图3为根据本技术实施例的不烧滑板的制备方法中确定配方参数最佳比例的架构示意图。
具体实施方式
29.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
30.场景概述
31.如上所述，滑板是滑动水口系统中最重要的组成部分，由于它直接控制钢水流量，在满足不同浇筑工艺条件下，需要长时间、反复承受高温钢水的化学侵蚀和物理冲刷，激烈和瞬变的热冲击和机械磨损作用，使用条件极为严苛。
32.滑板是钢包连铸控流系统的关键功能性元件。目前我国100t以上的大型钢包滑板主要以烧成铝锆碳材质滑板为主，使用寿命2～4次。中小型钢包用滑板考虑到成本，材质主要为铝碳质，工艺分烧成、轻烧成和不烧3种，寿命通常为1～3次。不烧铝碳质滑板由于成本低廉，适应性强，正逐渐成为中小型钢包用滑板的首选。但是，不烧滑板的稳定性差，严重时会影响连铸节奏，甚至造成生产事故。因此期待能够提高不烧滑板的性能。对于不烧滑板的性能而言，其关键在于确定不烧滑板的制成配方以及对制成配方中的各个配方组分的参数进行优化以使得最终制得的不烧滑板具有更优的性能。因此，期望一种优化的不烧滑板的制备方法
33.具体地，不烧滑板的结构和性能、使用条件密切相关，尤其是材料结构会随着使用温度的变化而变化，其性能也会相应发生变化，并且在使用过程中滑板的不同部位温差较大，对其性能要求也不相同。因此，对材料的组分设计尤为重要。传统的都是基于实验的方式来确定不烧滑板的制成配方中各个组分的最佳配比，但一方面传统的实验采用的都是控制变量法，其忽略了各个组分之间的关联性。同时，考虑到实验的成本，做实验的次数是有限的，其仅能够模糊地得出一些规律，其无法准确地推断出各个组分的最佳配比。因此，为了对不烧滑板的制成材料中各个组分的最佳比例进行确定，以提高不烧滑板的性能。
34.为了对各个配方参数，也就是，对不烧滑板的各个基质部分、结合剂和添加剂的最佳配方比例进行确定，需要首先获取实验数据，实验数据是在其他组分不变的情况下(包括类型和重量，以及沥青的软化点、灰分含量、水分含量)，改变某一组分后采集的不烧滑板的物理性能数据，也就是，线变化率、重量变化率、体积密度、显气孔率和常温耐压强度，以及，不烧滑板的抗折后试样的断口形貌图。但是，由于各个组分之间不是独立的，而是具有相互之间的关联，因此如何得到各个组分之间的关联信息便成为关键。
35.基于此，本技术的申请人考虑到通过上述单个组成对应的数据，能够通过深度神经网络模型得到该组分的特征表示，因此如果能够进一步得到用于表示各组分之间的关联关系的邻接矩阵，就可以使用图神经网络的技术来获得包含有关联信息的每个节点的关联表征向量。
36.这里，各个组分之间显然不具有由节点表示的节点拓扑结构信息，因此不能使用普通的邻接矩阵，但是，考虑到各个组分实际上均可以表达为规则的形式，例如规格8-14目的板状刚玉的配方比例为28％-32％，因此可以通过规则之间的逻辑运算来构造邻接矩阵。
37.具体地，规则之间的逻辑运算通常包括合取和析取，分别以符号∧和∨表示，用于表示规则之间的并列或者替代关系，也就是“并且”和“或者”的含义。而针对如上所述的组分，也存在这种关系，比如“规格8-14目的板状刚玉的配方比例为28％-32％”和“规格28目的板状刚玉的配方比例为8％-11％”就是“或者”的关系，而“规格8-14目的板状刚玉的配方比例为28％-32％”和“规格-100目的鳞片石墨98的配方比例为1％-2％”就是“并且”的关系，因此，可以对于基于以上方法对各个组分满足的规则构造离散逻辑节点，从而形成邻接矩阵，分别表示为：
[0038][0039][0040]
这里，是合取邻接矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0。而是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
[0041]
然后，再将合取邻接矩阵和析取邻接矩阵分别通过卷积神经网络映射到高维空间中并进行融合，就可以得到与每个节点的特征表示对应的类邻接矩阵。
[0042]
因此，在本技术的技术方案中，首先获取单个组分的最优物理性能数据，也就是在固定其他组分不变的情况下(包括类型和重量，以及沥青的软化点、灰分含量、水分含量)改变某一组分的比例得到的最优物理性能数据，例如包括线变化率、重量变化率、体积密度、显气孔率和常温耐压强度，以及对应的抗折后试样的断口形貌图。并且为了能够表达这些参数之间的关联关系，使用上下文编码器模型来进行上下文编码，也就是，将各个物理参数通过词嵌入方式得到参数输入向量，并将抗折后试样的断口形貌图通过用作过滤器的第一卷积神经网络得到结构输入向量，然后将参数输入向量和结构输入向量一起输入编码器，以得到编码特征向量的序列，并将各个编码特征向量级联，从而得到单个组分的特征表示向量。
[0043]
然后，按照上述方式将合取邻接矩阵和析取邻接矩阵通过第二卷积神经网络得到第一特征矩阵和第二特征矩阵，且特征矩阵的维度与原输入矩阵相同，然后计算第一特征矩阵和第二特征矩阵的点加以得到融合后的类邻接矩阵。
[0044]
之后，将每个组分的特征表示向量进行二维拼接以得到组分特征矩阵，在与类邻接矩阵一起通过图神经网络，获得图结构特征矩阵，则该图结构特征矩阵的每一行就是相应组分的包含有关联信息的关联表征向量。这里，图神经网络能够用于处理处于不规则的非欧几里得空中的图数据，从而提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，因此所获得的单个组分的关联表征向量相比直接将拼接得到的特征表示向量能够提高解码回归的准确性。
[0045]
最后，将每个组分的关联表征向量通过用于回归的解码器，以得到该组分的最佳
比例。另外，在得到该组分的最佳比例之后，还可以以该最佳比例为中心设置用于表示比例范围的上下限的其它标签值，例如最佳比例为30％的可以设置标签值27％、28％、29％、31％、32％和33％，然后通过解码回归得到其它标签值所归属的概率，例如28％、29％、31％、32％的标签概率大于预定阈值，这样就得到可行的比例范围28％-32％。
[0046]
相应地，通过如上所述的人工智能方法最终确定不烧滑板的制成配方为基质部分+结合剂+添加剂，其中，所述基质部分包括刚玉和烧成后滑板废料，所述作为基质部分的刚玉为规格8-14目的板状刚玉，或者规格14-28目的板状刚玉，或者规则28目的板状刚玉，或者规格325目的板状刚玉；所述作为基质部分的烧成后滑板废料为规格3-1mm或者规格1-0mm的烧成后滑板废料。所述作为结合剂的沥青为规格325目的球状沥青。所述作为结合剂的酚醛树脂为热固性酚醛树脂或者有机硅改型树脂。
[0047]
进一步地，所述添加剂还包括石墨，且所述石墨为规格-100目的鳞片石墨98，所述鳞片石墨98的配方比例为1％-2％，且其最优配方比例为1.5％。所述添加剂还包括软化点为235℃的carbores p，所述carbores p的配方比例为0.5％-1.5％，且其最佳配方比例为1％。所述添加剂还包括规格为325目的金属硅，所述金属硅的配方比例为1％-3％，且其最佳配方比例为2％。所述添加剂还包括规格为325目的金属铝粉，所述金属铝粉的配方比例为4％-6％，且其最佳配方比例为5％。所述添加剂还包括硫化粉，所述硫化粉的配方比例为0.1％-1％，且其最佳配方比例为0.2％。所述添加剂还包括规格为325目的碳化硼，所述碳化硼的配方比例为0.1％-0.8％，且其最佳配方比例为0.3％。
[0048]
在通过如上所述的人工智能技术确定不烧滑板的制成配方中各组分的最优配比和可行范围后，可通过不烧工艺来制得所述不烧滑板。具体地，首先获取作为基质部分的刚玉和烧成后滑板废料，以及作为结合剂的沥青和酚醛树脂；接着，将所述基质部分和所述结合剂混合均匀以得到粗粉料，其中所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜；然后，进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物；最后，将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板，其中所述结合剂固化后形成框架以结合所述粗粉料、所述细分料和所述石墨。这里，所述作为基质部分的刚玉为规格8-14目的板状刚玉，或者规格14-28目的板状刚玉，或者规则28目的板状刚玉，或者规格325目的板状刚玉；所述作为基质部分的烧成后滑板废料为规格3-1mm或者规格1-0mm的烧成后滑板废料；所述作为结合剂的沥青为规格325目的球状沥青；以及，所述作为结合剂的酚醛树脂为热固性酚醛树脂或者有机硅改型树脂。
[0049]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0050]
示例性方法
[0051]
图2图示了根据本技术实施例的不烧滑板的制备方法中确定配方参数最佳比例的流程图。如图2所示，根据本技术实施例的不烧滑板的制备方法中，确定配方参数最佳比例，包括步骤：s210，获取不烧滑板的制成材料中各个组分对应的最优物理性能数据和抗折后试样的断口形貌图，其中，所述不烧滑板的制成材料包括板状刚玉、烧成后的滑板废料、鳞片石墨、carbores p、球状沥青、金属硅、金属铝粉、硫化粉、碳化硼、热固性酚醛树脂和有机硅改型树脂，所述物理性能数据包括线变化率、重量变化率、体积密度、显气孔率和常温耐压强度；s220，对于所述各个组分对应的最优物理性能数据，将各个所述物理性能数据通过
词嵌入层以获得多个参数输入向量；s230，将所述各个组分对应的所述抗折后试样的断口形貌图输入作为过滤器的第一卷积神经网络以获得结构输入向量；s240，将所述多个参数输入向量和所述结构输入向量通过基于上下文编码的编码器以获得编码特征向量的序列；s250，将所述编码特征向量的序列中的所有编码特征向量进行级联以获得所述各个组分对应的特征表示向量；s260，基于所述不烧滑板的制成材料中各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵和析取邻接矩阵，其中，合取逻辑运算规则表示规则之间的并列关系，析取逻辑运算表示规则之间的替换关系；s270，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵，其中，所述第一特征矩阵与所述合取邻接矩阵具有相同的尺度，所述第二特征矩阵与所述析取邻接矩阵具有相同的尺度；s280，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置点加以获得融合后的类邻接矩阵；s290，将所述各个组分对应的特征表示向量进行二维拼接以获得组分特征矩阵；s300，将所述组分特征矩阵和所述类邻接矩阵通过图神经网络以获得图结构特征矩阵，所述图结构特征矩阵的每一行为相应组分的包含有关联信息的关联表征向量，其中，所述图神经网络适于处理处于不规则的非欧几里得空中的图数据以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息；以及，s310，将所述每个组分的关联表征向量通过用于回归的解码器以获得该组分的最佳比例。
[0052]
图3图示了根据本技术实施例的不烧滑板的制备方法中确定配方参数最佳比例的架构示意图。如图3所示，在该网络架构中，首先，将获得的各个所述物理性能数据(例如，如图3中所示意的p1)通过词嵌入层(例如，如图3中所示意的wel)以获得多个参数输入向量(例如，如图3中所示意的v1)；接着，将获得的所述各个组分对应的所述抗折后试样的断口形貌图(例如，如图3中所示意的p2)输入作为过滤器的第一卷积神经网络(例如，如图3中所示意的cnn1)以获得结构输入向量(例如，如图3中所示意的v2)；然后，将所述多个参数输入向量和所述结构输入向量通过基于上下文编码的编码器(例如，如图3中所示意的e)以获得编码特征向量的序列(例如，如图3中所示意的vf1)；接着，将所述编码特征向量的序列中的所有编码特征向量进行级联以获得所述各个组分对应的特征表示向量(例如，如图3中所示意的vf2)；然后，基于所述不烧滑板的制成材料中各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵(例如，如图3中所示意的m1)和析取邻接矩阵(例如，如图3中所示意的m2)；接着，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络(例如，如图3中所示意的cnn2)以获得第一特征矩阵(例如，如图3中所示意的mf1)和第二特征矩阵(例如，如图3中所示意的mf2)；然后，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置点加以获得融合后的类邻接矩阵(例如，如图3中所示意的mf)；接着，将所述各个组分对应的特征表示向量进行二维拼接以获得组分特征矩阵(例如，如图3中所示意的mfc)；然后，将所述组分特征矩阵和所述类邻接矩阵通过图神经网络(例如，如图3中所示意的gnn)以获得图结构特征矩阵(例如，如图3中所示意的mff)，所述图结构特征矩阵的每一行为相应组分的包含有关联信息的关联表征向量；以及，最后，将所述每个组分的关联表征向量通过用于回归的解码器(例如，如图3中所示意的d)以获得该组分的最佳比例。
[0053]
在步骤s110、步骤s120、步骤s130和步骤s140中，获取作为基质部分的刚玉和烧成
后滑板废料，以及作为结合剂的沥青和酚醛树脂，并将所述基质部分和所述结合剂混合均匀以得到粗粉料，其中所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜，再进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物，接着将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板，其中所述结合剂固化后形成框架以结合所述粗粉料、所述细分料和所述石墨。也就是，在本技术的技术方案中，首先，在获取作为基质部分的刚玉和烧成后滑板废料，以及作为结合剂的沥青和酚醛树脂后，将所述基质部分和所述结合剂按照其中各个组分参数的最佳比例进行混合均匀以得到粗粉料，这样，所述结合剂会在所述粗粉料的粗颗粒表面形成一层薄膜，其中，所述作为基质部分的刚玉为规格8-14目的板状刚玉，或者规格14-28目的板状刚玉，或者规则28目的板状刚玉，或者规格325目的板状刚玉；所述作为基质部分的烧成后滑板废料为规格3-1mm或者规格1-0mm的烧成后滑板废料；所述作为结合剂的沥青为规格325目的球状沥青；以及，所述作为结合剂的酚醛树脂为热固性酚醛树脂或者有机硅改型树脂。然后，进一步再按照各个所述添加剂组分参数的最佳比例来加入作为细粉料的添加剂以混合均匀，接着再加压成型为不烧滑板中间物。最后，将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板，这里，所述结合剂固化后形成框架以结合所述粗粉料、所述细分料和所述石墨。
[0054]
在步骤s210中，获取不烧滑板的制成材料中各个组分对应的最优物理性能数据和抗折后试样的断口形貌图，其中，所述不烧滑板的制成材料包括板状刚玉、烧成后的滑板废料、鳞片石墨、carbores p、球状沥青、金属硅、金属铝粉、硫化粉、碳化硼、热固性酚醛树脂和有机硅改型树脂，所述物理性能数据包括线变化率、重量变化率、体积密度、显气孔率和常温耐压强度。应可以理解，为了对不烧滑板的制成材料中各个组分的最佳比例进行确定，以提高不烧材料的性能，在本技术的技术方案中，首先需要获取不烧滑板的制成材料中各个组分对应的最优物理性能数据和抗折后试样的断口形貌图，也就是，在固定其他组分不变的情况下(包括类型和重量，以及沥青的软化点、灰分含量、水分含量)改变某一组分的比例得到的最优物理性能数据，例如包括线变化率、重量变化率、体积密度、显气孔率和常温耐压强度，以及对应的抗折后试样的断口形貌图。这里，所述不烧滑板的制成材料包括板状刚玉、烧成后的滑板废料、鳞片石墨、carbores p、球状沥青、金属硅、金属铝粉、硫化粉、碳化硼、热固性酚醛树脂和有机硅改型树脂。
[0055]
在步骤s220和步骤s230中，对于所述各个组分对应的最优物理性能数据，将各个所述物理性能数据通过词嵌入层以获得多个参数输入向量，并将所述各个组分对应的所述抗折后试样的断口形貌图输入作为过滤器的第一卷积神经网络以获得结构输入向量。应可以理解，由于所述各个组分之间不是独立的，而是具有相互之间的关联，因此，在本技术的技术方案中，为了得到所述各个组分之间的关联信息，使用上下文编码器模型来进行上下文编码。也就是，首先，将各个所述物理性能数据通过词嵌入层以获得多个参数输入向量；接着，将所述各个组分对应的所述抗折后试样的断口形貌图输入作为过滤器的第一卷积神经网络中处理，以提取出所述抗折后试样的断口形貌图的局部特征在高维空间中的特征分布表示，从而获得结构输入向量。
[0056]
具体地，在本技术实施例中，将所述各个组分对应的所述抗折后试样的断口形貌图输入作为过滤器的第一卷积神经网络以获得结构输入向量的过程，包括：首先，所述第一卷积神经网络的除最后一层以外的各层对所述抗折后试样的断口形貌图进行卷积处理以
获得结构特征图；然后，所述第一卷积神经网络的最后一层对所述结构特征图进行基于特征矩阵的全局平均池化以获得所述结构输入向量。应可以理解，通过全局平均池化处理，可以减少参数的数量，并减小过拟合，从而提高后续计算的准确性。
[0057]
在步骤s240和步骤s250中，将所述多个参数输入向量和所述结构输入向量通过基于上下文编码的编码器以获得编码特征向量的序列，并将所述编码特征向量的序列中的所有编码特征向量进行级联以获得所述各个组分对应的特征表示向量。也就是，在本技术的技术方案中，在得到所述多个参数输入向量和所述结构输入向量后，进一步将所述多个参数输入向量和所述结构输入向量一起输入基于上下文编码的编码器中进行编码，以得到编码特征向量的序列。在一个具体示例中，可以将所述多个参数输入向量和所述结构输入向量通过所述编码器的转换器模型以获得所述编码特征向量的序列。应可以理解，由于基于转换器的编码器模型能够基于上下文对所述输入向量进行编码，因此所获得的编码特征向量的序列可以获得全局性的各个组分的关联信息。然后，再将所述编码特征向量的序列中的所有编码特征向量进行级联，从而得到所述各个组分对应的特征表示向量。
[0058]
在步骤s260中，基于所述不烧滑板的制成材料中各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵和析取邻接矩阵，其中，合取逻辑运算规则表示规则之间的并列关系，析取逻辑运算表示规则之间的替换关系。应可以理解，考虑到对于所述单个组分的实验数据，能够通过深度神经网络模型得到该所述组分的特征表示，因此，在本技术的技术方案中，如果能够进一步得到用于表示所述各组分之间的关联关系的邻接矩阵，就可以使用图神经网络的技术来获得包含有关联信息的每个所述节点的关联表征向量。但是，这里，所述各个组分之间显然不具有由节点表示的节点拓扑结构信息，因此不能使用普通的邻接矩阵，但考虑到所述各个组分实际上均可以表达为规则的形式，例如规格8-14目的板状刚玉的配方比例为28％-32％，因此，在本技术的技术方案中，可以通过规则之间的逻辑运算来构造邻接矩阵。
[0059]
具体地，考虑到所述规则之间的逻辑运算通常包括合取和析取，分别以符号∧和∨表示，用于表示所述规则之间的并列或者替代关系，也就是“并且”和“或者”的含义。而针对如上所述的组分，也存在这种关系，比如“规格8-14目的板状刚玉的配方比例为28％-32％”和“规格28目的板状刚玉的配方比例为8％-11％”就是“或者”的关系，而“规格8-14目的板状刚玉的配方比例为28％-32％”和“规格-100目的鳞片石墨98的配方比例为1％-2％”就是“并且”的关系，因此，可以对于基于以上方法对所述各个组分满足的规则构造离散逻辑节点，从而形成邻接矩阵，分别表示为：
[0060][0061][0062]
这里，是合取邻接矩阵，用于表示相应的一对规则构成合取范式时矩阵位置
取1，而非合取范式时矩阵位置取0。而是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
[0063]
具体地，在本技术实施例中，基于所述不烧滑板的制成材料中各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵和析取邻接矩阵的过程，包括：基于所述不烧滑板的制成材料中各个组分之间的合取逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的合取邻接矩阵；
[0064]
其中，所述公式为：
[0065][0066]
其中，是合取邻接矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0。
[0067]
相应地，在一个具体示例中，基于所述不烧滑板的制成材料中各个组分之间的析取的逻辑运算规则以如下公式来构建所述各个组分对应的特征表示向量之间的析取邻接矩阵；
[0068]
其中，所述公式为：
[0069][0070]
其中，是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
[0071]
在步骤s270和步骤s280中，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵，其中，所述第一特征矩阵与所述合取邻接矩阵具有相同的尺度，所述第二特征矩阵与所述析取邻接矩阵具有相同的尺度，并计算所述第一特征矩阵和所述第二特征矩阵之间的按位置点加以获得融合后的类邻接矩阵。也就是，在本技术的技术方案中，在获得所述合取邻接矩阵和所述析取邻接矩阵后，进一步再将所述合取邻接矩阵和所述析取邻接矩阵分别通过第二卷积神经网络中进行处理，以将所述邻接矩阵映射到高维空间中，从而得到第一特征矩阵和第二特征矩阵，这里，所述特征矩阵的维度与原输入矩阵相同。然后，计算所述第一特征矩阵和所述第二特征矩阵的点加以对两个所述特征矩阵进行融合，就可以得到与每个所述节点的特征表示对应的类邻接矩阵。
[0072]
具体地，在本技术实施例中，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵的过程，包括：首先，所述第二卷积神经网络的除最后一层以外的各层以如下公式对所述合取邻接矩阵和所述析取邻接矩阵进行显式空间编码以获得第一特征图和第二特征图，其中，所述公式为：
[0073]fi
＝active(ni×fi-1
+bi)
[0074]
其中，f
i-1
为第i层第二卷积神经网络的输入，fi为第i层第二卷积神经网络的输
出，ni为第i层第二卷积神经网络的过滤器，且bi为第i层第二卷积神经网络的偏置矩阵，active表示非线性激活函数。然后，所述第二卷积神经网络的最后一层对所述第一特征图和所述第二特征图进行沿着通道维度的全局池化处理以获得所述第一特征矩阵和所述第二特征矩阵。应可以理解，通过全局池化处理，可以减少参数的数量，从而减小过拟合，以提高后续回归的准确性。
[0075]
在步骤s290和步骤s300中，将所述各个组分对应的特征表示向量进行二维拼接以获得组分特征矩阵，并将所述组分特征矩阵和所述类邻接矩阵通过图神经网络以获得图结构特征矩阵，所述图结构特征矩阵的每一行为相应组分的包含有关联信息的关联表征向量，其中，所述图神经网络适于处理处于不规则的非欧几里得空中的图数据以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息。也就是，在得到所述类邻接矩阵之后，将所述每个组分的特征表示向量进行二维拼接以得到组分特征矩阵，再与所述类邻接矩阵一起通过图神经网络，获得图结构特征矩阵，则该所述图结构特征矩阵的每一行就是相应组分的包含有关联信息的关联表征向量。应可以理解，这里，所述图神经网络能够用于处理处于不规则的非欧几里得空中的图数据，从而提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，因此所获得的所述单个组分的关联表征向量相比直接将拼接得到的特征表示向量能够提高解码回归的准确性。
[0076]
在步骤s310中，将所述每个组分的关联表征向量通过用于回归的解码器以获得该组分的最佳比例。也就是，在本技术的技术方案中，在通过所述图神经网络获得图结构特征矩阵后，进一步再将所述每个组分的关联表征向量通过用于回归的解码器，以得到该组分的最佳比例。另外，在得到该所述组分的最佳比例之后，还可以以该所述最佳比例为中心设置用于表示比例范围的上下限的其它标签值，例如所述最佳比例为30％的可以设置标签值27％、28％、29％、31％、32％和33％，然后通过解码回归得到所述其它标签值所归属的概率，例如28％、29％、31％、32％的标签概率大于预定阈值，这样就得到可行的比例范围28％-32％。
[0077]
相应地，在一个具体示例中，在得到该组分的最佳比例之后，再首先以所述某个组分的最佳比例为中心设置用于表示比例范围的上下限的其它标签值；然后，将所述每个组分的关联表征向量通过所述解码器以获得所述关联特征向量归属于其他标签值的概率；最后，基于所述概率，确定其他标签值是否可行。
[0078]
相应地，在通过如上所述的人工智能技术确定不烧滑板的制成配方中各组分的最优配比和可行范围后，可通过不烧工艺来制得所述不烧滑板。
[0079]
图1图示了根据本技术实施例的不烧滑板的制备方法的流程图。如图1所示，根据本技术实施例的不烧滑板的制备方法，包括步骤：s110，获取作为基质部分的刚玉和烧成后滑板废料，以及作为结合剂的沥青和酚醛树脂；s120，将所述基质部分和所述结合剂混合均匀以得到粗粉料，其中所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜；s130，进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物；以及，s140，将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板，其中所述结合剂固化后形成框架以结合所述粗粉料、所述细分料和所述石墨；其中，所述作为基质部分的刚玉为规格8-14目的板状刚玉，或者规格14-28目的板状刚玉，或者规则28目的板状刚玉，或者规格325目的板状刚玉；所述作为基质部分的烧成后滑板废料为规格3-1mm或者规格1-0mm的烧成后滑板废
料；所述作为结合剂的沥青为规格325目的球状沥青；以及，所述作为结合剂的酚醛树脂为热固性酚醛树脂或者有机硅改型树脂。
[0080]
具体地，在本技术的技术方案中，所述添加剂包括石墨，且所述石墨为规格-100目的鳞片石墨98，所述鳞片石墨98的配方比例为1％-2％，且其最优配方比例为1.5％。所述添加剂还包括软化点为235℃的carbores p，所述carbores p的配方比例为0.5％-1.5％，且其最佳配方比例为1％。所述添加剂还包括规格为325目的金属硅，所述金属硅的配方比例为1％-3％，且其最佳配方比例为2％。所述添加剂还包括规格为325目的金属铝粉，所述金属铝粉的配方比例为4％-6％，且其最佳配方比例为5％。所述添加剂还包括硫化粉，所述硫化粉的配方比例为0.1％-1％，且其最佳配方比例为0.2％。所述添加剂还包括规格为325目的碳化硼，所述碳化硼的配方比例为0.1％-0.8％，且其最佳配方比例为0.3％。
[0081]
并且，所述规格8-14目的板状刚玉的配方比例为28％-32％，且所述规格8-14目的板状刚玉的最优配方比例为30％。所述规格14-28目的板状刚玉的配方比例为13％-18％，且所述规格14-28目的板状刚玉的最佳配方比例为15％。所述规格28目的板状刚玉的配方比例为8％-11％，且所述规格28目的板状刚玉的最佳配方比例为10％。所述规格325目的板状刚玉的配方比例为10％-15％，且所述规格325目的板状刚玉的最佳配方比例为13％。
[0082]
相应地，所述规格3-1mm的烧成后滑板废料的配方比例为10％-14％，且所述规格3-1mm的烧成后滑板废料的最佳配方比例为12％。所述规格1-0mm的烧成后滑板废料的配方比例为6％-9％，且所述规格1-0mm的烧成后滑板废料的最佳配方比例为8％。
[0083]
综上，基于本技术实施例的不烧滑板的制备方法及其不烧滑板被阐明，所述制备方法先将作为基质部分的刚玉及烧成后滑板废料与作为结合剂的沥青及酚醛树脂混合均匀以得到粗粉料，以使得所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜，进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物，再将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板。特别地，在本技术的技术方案中，采用基于人工智能技术来确定所述不烧滑板中各个组分的配方参数。

技术特征：
1.一种不烧滑板的制备方法，其特征在于，包括：获取作为基质部分的刚玉和烧成后滑板废料，以及作为结合剂的沥青和酚醛树脂；将所述基质部分和所述结合剂混合均匀以得到粗粉料，其中所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜；进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物；以及将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板，其中所述结合剂固化后形成框架以结合所述粗粉料、所述细分料和所述石墨；其中，所述作为基质部分的刚玉为规格8-14目的板状刚玉，或者规格14-28目的板状刚玉，或者规则28目的板状刚玉，或者规格325目的板状刚玉；所述作为基质部分的烧成后滑板废料为规格3-1mm或者规格1-0mm的烧成后滑板废料；所述作为结合剂的沥青为规格325目的球状沥青；以及，所述作为结合剂的酚醛树脂为热固性酚醛树脂或者有机硅改型树脂。2.根据权利要求1所述的不烧滑板的制备方法，其中，所述添加剂包括石墨，且所述石墨为规格-100目的鳞片石墨98。3.根据权利要求2所述的不烧滑板的制备方法，其中，所述鳞片石墨98的最优配方比例为1.5％。4.根据权利要求3所述的不烧滑板的制备方法，其中，所述添加剂还包括软化点为235℃的carbores p。5.根据权利要求4所述的不烧滑板的制备方法，其中，所述carbores p的最佳配方比例为1％。6.根据权利要求5所述的不烧滑板的制备方法，其中，所述添加剂还包括规格为325目的金属硅。7.根据权利要求6所述的不烧滑板的制备方法，其中，所述金属硅的最佳配方比例为2％。8.根据权利要求7所述的不烧滑板的制备方法，其中，所述添加剂还包括规格为325目的金属铝粉，所述金属铝粉的最佳配方比例为5％。9.根据权利要求1所述的不烧滑板的制备方法，其中，所述规格8-14目的板状刚玉的配方比例为28％-32％，且所述规格8-14目的板状刚玉的最优配方比例为30％。10.一种不烧滑板，其特征在于，所述不烧滑板由如权利要求1至9任一所述的不烧滑板的制备方法制得。

技术总结
本申请涉及智能制造领域，更具体地涉及一种不烧滑板及其制备方法，所述制备方法先将作为基质部分的刚玉及烧成后滑板废料与作为结合剂的沥青及酚醛树脂混合均匀以得到粗粉料，以使得所述结合剂在所述粗粉料的粗颗粒表面形成一层薄膜，进一步加入作为细粉料的添加剂并在混合均匀后加压成型为不烧滑板中间物，再将所述不烧滑板中间物经过低温热处理以获得所述不烧滑板。特别地，在本申请的技术方案中，采用基于人工智能技术来确定所述不烧滑板中各个组分的配方参数。各个组分的配方参数。各个组分的配方参数。


技术研发人员：王丽娜 宋婉嫕 毛亚平 孟凡冰 曹锋 金阳 黄粟
受保护的技术使用者：鞍山浦项特种耐火材料有限公司
技术研发日：2021.12.10
技术公布日：2022/3/8