基于對(duì)新國(guó)標(biāo)GB/T 41743-2022研究，本文重點(diǎn)就非穩(wěn)態(tài)法快速檢測(cè)真空玻璃保溫性能及其衰減的原理進(jìn)行闡述，主要從檢測(cè)方法原理和智能模型原理兩方面來進(jìn)行展開說明，可供參考！

一、檢測(cè)方法原理

基于瞬態(tài)響應(yīng)，真空玻璃一側(cè)（熱端）溫度迅速地階躍上升，同時(shí)精確測(cè)量另一側(cè)（測(cè)量端）較小的較慢的溫升，可獲得真空玻璃非穩(wěn)態(tài)傳熱特性(此溫升過程在特征時(shí)刻的溫度變化率與傳熱系數(shù)正相關(guān))。而此溫度變化率檢測(cè)會(huì)受到環(huán)境溫度與溫差的影響，所以，通過建立以測(cè)量端溫度、環(huán)境溫度與熱端溫度為輸入變量，以傳熱系數(shù)為輸出變量的智能模型，可實(shí)現(xiàn)真空玻璃保溫性能的快速檢測(cè)與評(píng)估。

定期檢測(cè)真空玻璃的保溫性能，傳熱系數(shù)保持不變的時(shí)間為保溫性能保持時(shí)間，從開始衰減的時(shí)間到達(dá)到分級(jí)閾值的時(shí)間為保溫性能衰減時(shí)間，可通過退化冪律模型擬合，以評(píng)估保溫性能衰減趨勢(shì)。

二、智能模型原理

通過對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行回寫采樣，得到的樣本數(shù)與原始數(shù)據(jù)集的樣本數(shù)一致，有些樣本數(shù)是重復(fù)的；或者對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行不帶回寫的抽樣，提取60%的原始樣本構(gòu)成數(shù)據(jù)集，其余作為檢驗(yàn)誤差的檢驗(yàn)集。將提取的樣本作為生成的決策樹，然后將提取的樣本放回原始數(shù)據(jù)集進(jìn)行新一輪的提取。

這樣，依次生成的多個(gè)決策樹就構(gòu)成了一個(gè)隨機(jī)森林。若采用隨機(jī)森林分類，則每棵決策樹的計(jì)算原則為基尼指數(shù)?；嶂笖?shù)是隨機(jī)抽取的樣本被錯(cuò)誤分類的一種概率?；嶂笖?shù)越低，樣品被錯(cuò)誤分類的概率就越低，這意味著樣品的純度越高，樣本集更高。基尼指數(shù)很高，就意味著樣本集的純度很低。

基尼指數(shù)等于樣本被選中的概率乘以樣本被分類錯(cuò)誤的概率，其中，P是樣本屬于k類的概率，(1-P1)是樣本不屬于k類的概率，即分類錯(cuò)誤的概率。對(duì)于回歸問題，原則是最小均方誤差。通過對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)分割，得到均方誤差最小的數(shù)據(jù)集的分割點(diǎn)。

隨機(jī)森林為每組重采樣數(shù)據(jù)集訓(xùn)練一個(gè)較優(yōu)模型，共k個(gè)模型。令X；為隨機(jī)可放回抽樣的子數(shù)據(jù)集的N維變量，根據(jù)可返回采樣并使用相同模型的子數(shù)據(jù)集的相似性，每個(gè)模型具有近似相等的偏差和方差，模型的分布也大致相同，但不是獨(dú)立的（因?yàn)樽訑?shù)據(jù)集之間存在重復(fù)變量）。基于集成學(xué)習(xí)的套袋方法，可從該方法的角度分析隨機(jī)森林的偏差和方差，計(jì)算方法見式（A.3）。

式（A.4)和式（A.5)分別表示模型完全相同和模型完全獨(dú)立的兩種情況。結(jié)論是，套袋方法的子數(shù)據(jù)集既不完全相同，也不完全獨(dú)立，子數(shù)據(jù)集之間存在相似性，方差值介于兩種情況之間，可用公式法分析袋裝模型的方差，見式（A.6）～式（A.9）。

因此，隨機(jī)森林的主要功能是降低模型的復(fù)雜度，解決過擬合問題。

上一篇：聲波透射法的基本原理

下一篇：KO-7DJ土工膜（防滲膜）滲...