一种CF/Fe3O4复合纤维材料的波阻抗影响分析方法

技术领域

本发明涉及材料分析技术领域，具体来说，涉及一种CF/Fe

背景技术

随着信息化时代的来临，为应对信息化时代带来的电磁辐射问题，社会各界对吸波材料展开了广泛的探讨。吸波材料能够吸收并衰减电磁波，其中，碳纤维作为一种电损耗型吸波材料，已在民用建筑及军事装备的电磁波吸收方面显示出其重要的作用和巨大的应用潜力。

提高碳纤维的吸波性能一般有两种途径，一是采用电阻率适中的含碳涂层进行表面改性，二是采用磁性涂层复合在碳纤维表面。这两种涂层均能提升碳纤维的波阻抗，进而提高其吸波性能，显示出卓越的协同吸波效果。在这方面，一种具有良好电磁吸收性能的新型材料，CF/Fe

然而，这种CF/Fe

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种CF/Fe

为此，本发明采用的具体技术方案如下：

一种CF/Fe

S1、确定CF/Fe

S2、测量CF/Fe

S3、利用传输线理论结合测量的电磁参数计算CF/Fe

S4、分析电磁参数与波阻抗之间的关系，寻找影响CF/Fe

S5、调整关键影响参数，并再次计算CF/Fe

S6、利用预先构建的基于蚁群算法优化的BP神经网络模型输出与调整后的关键影响参数相对应的预测波阻抗；

S7、重复执行S5和S6得到关键影响参数、预测波阻抗及实测波阻抗的综合数据，并利用预测波阻抗数据对实测波阻抗数据进行异常标记；

S8、根据异常标记结果对综合数据进行异常处理，并根据处理后的综合数据分析电磁参数对波阻抗的影响规律。

进一步的，所述采用原位还原法制备CF/Fe

将0.2g多巴胺加入到100ml去离子水中，快速搅拌五分钟，缓慢加入1.2g三羟甲基氨基甲烷同时搅拌，直到PH值为8.5，得到A溶液；

将0.2g表面不含浆料的碳纤维置入配置好的A溶液中并超声20min以使得碳纤维分散均匀，得到B溶液；

将装有B溶液的烧杯敞口放置于振荡器中室温下震荡24h，震荡频率为120次/min；

将B溶液从多巴胺溶液中取出后用去离子水洗涤，后放入鼓风干燥箱中60℃条件下烘至干燥，制得PDA复合碳纤维；

将PDA复合碳纤维浸渍于100ml的FeCl

在氮气氛围下于马弗炉中分别在600℃、650℃、700℃、750℃和800℃的温度下煅烧2h，得到CF/Fe

进一步的，所述测量CF/Fe

样品制备：将制备的CF/Fe

复介电常数和复磁导率测量：将同轴样品置于网络分析仪的测量槽内，在1-18GHz频率范围内测量其反射率或透射率，并根据传输线理论计算得到复介电常数和复磁导率；

电导率测量：使用四探针法法在室温下测量CF/Fe

最低反射损耗和有效带宽测：扫描1-18GHz频率范围内同轴样品的反射率，记录最低反射损耗对应的频率f1和反射率达到-10dB对应的最高和最低频率f2及f3，有效带宽为f2-f3。

进一步的，所述CF/Fe

式中，Z表示CF/Fe

Z

Zin表示空气的输入阻抗，取值为377Ω；

a和b分别表示同轴样品的内外导体半径；

εeff表示同轴样品的有效复介电常数；

εr为同轴样品的复介电常数；

F表示法拉第常数；

m表示质量。

进一步的，所述关键影响参数包括复介电常数、复磁导率、电导率、Fe

进一步的，所述利用预先构建的基于蚁群算法优化的BP神经网络模型输出与调整后的关键影响参数相对应的预测波阻抗包括以下步骤：

S61、获取已经计算得到的关键影响参数与波阻抗的数据作为训练样本，并利用训练样本构建基于蚁群算法优化的BP神经网络模型并进行训练；

S62、调整关键影响参数，并将调整后的关键影响参数输入训练后的基于蚁群算法优化的BP神经网络模型，得到与调整后的关键影响参数相对应的预测波阻抗。

进一步的，所述获取已经计算得到的关键影响参数与波阻抗的数据作为训练样本，并利用训练样本构建基于蚁群算法优化的BP神经网络模型并进行训练包括以下步骤：

S611、获取已经计算得到的关键影响参数和波阻抗的数据，进行归一化处理，并按照预设比例分别为训练样本和测试样本；

S612、根据样本数据的特征设计BP神经网络的网络结构，确定输入层节点数、隐藏层节点数和输出层节点数；

S613、初始化蚁群算法的参数，并利用蚁群算法生成初始解，得到BP网络连接权值和阈值的组合，计算每个蚂蚁遍历的路径得到初始BP网络；

S614、基于训练样本计算每个BP网络对应的误差，作为蚁群算法中蚂蚁路径的信息素；

S615、根据路径的信息素实现蚁群算法的迭代优化，修改连接权值得到优化的BP网络；

S616、保存优化得到的BP网络参数，并在测试样本上利用优化的BP网络进行预测，计算网络误差；

S617、判断误差是否小于预设误差阈值，若否，则返回S614，若是，则BP网络训练完成，得到基于蚁群算法优化的BP神经网络模型并进行训练。

进一步的，所述重复执行S5和S6得到关键影响参数、预测波阻抗及实测波阻抗的综合数据，并利用预测波阻抗数据对实测波阻抗数据进行异常标记包括以下步骤：

S71、重复执行S5，调整关键影响参数的取值得到若干组不同的关键影响参数，并计算CF/Fe

S72、重复执行S6，利用基于蚁群算法优化的BP神经网络模型输出与各关键影响参数相对应的预测波阻抗；

S73、汇总关键影响参数、预测波阻抗及对应的实测波阻抗，得到综合数据；

S74、计算相同关键影响参数下的预测波阻抗与实测波阻抗的标准差，并判断标准差是否超出预设标准差阈值，若是，则该实测波阻抗为标记数据，若否，该实测波阻抗为正常数据。

进一步的，所述根据异常标记结果对综合数据进行异常处理，并根据处理后的综合数据分析电磁参数对波阻抗的影响规律包括以下步骤：

S81、根据异常标记结果对综合数据中的该实测波阻抗数据进行重新测量计算，并分析重新测量计算后的实测波阻抗与标记的实测波阻抗是否相同，若是，则保存该实测波阻抗，若否，则采用重新测量计算后的实测波阻抗数据替换标记的实测波阻抗数据，得到处理后的综合数据；

S82、使用回归分析统计法分析处理后的综合数据中各关键影响参数与波阻抗之间的定量关系，并绘制关键影响参数与波阻抗之间的统计图表，直观显示参数对波阻抗的影响趋势；

S83、基于关键影响参数的重要性排序结果，并结合S82中的相关性分析和回归分析结果，以及实验数据的分布情况总结出关键影响参数与波阻抗之间的数学关系模型；

S84、利用关键影响参数与波阻抗之间的数学关系模型分析电磁参数对波阻抗的影响规律。

进一步的，所述根据异常标记结果对综合数据进行异常处理，并根据处理后的综合数据分析电磁参数对波阻抗的影响规律还包括：利用综合数据中各关键影响参数及其对应的实测波阻抗数据对基于蚁群算法优化的BP神经网络模型进行再训练，提高其预测精度。

本发明的有益效果为：

1)本发明通过实验测试、神经网络预测及回归分析统计法可以定量分析参数与波阻抗之间的关系，并建立数学模型，从而可以深入揭示材料性能与结构之间的内在规律，能够系统全面地测试和分析CF/Fe

2)本发明采用基于蚁群算法优化的BP神经网络模型进行预测，并与实测结果进行对比校验，从而可以发现异常数据，提高分析结果的可靠性，还可以通过实验数据再训练神经网络模型来持续优化模型，提高其预测精度和泛化能力，当预测精度和泛化能力达到预期要求时，则可以通过输入不同的参数直接得到相应的预测波阻抗，从而可以有效的避免重复实验，提高研究效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的一种CF/Fe

具体实施方式

为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

根据本发明的实施例，提供了一种CF/Fe

现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的CF/Fe

S1、确定CF/Fe

其中，CF/Fe

所述采用原位还原法制备CF/Fe

将0.2g多巴胺加入到100ml去离子水中，快速搅拌五分钟，缓慢加入1.2g三羟甲基氨基甲烷同时搅拌，直到PH值为8.5，得到A溶液；

将0.2g表面不含浆料的碳纤维置入配置好的A溶液中并超声20min以使得碳纤维分散均匀，得到B溶液；

将装有B溶液的烧杯敞口放置于振荡器中室温下震荡24h，震荡频率为120次/min；

将B溶液从多巴胺溶液中取出后用去离子水洗涤，后放入鼓风干燥箱中60℃条件下烘至干燥，制得PDA复合碳纤维；

将PDA复合碳纤维浸渍于100ml的FeCl

在氮气氛围下于马弗炉中分别在600℃、650℃、700℃、750℃和800℃的温度下煅烧2h，得到CF/Fe

S2、测量CF/Fe

其中，所述测量CF/Fe

样品制备：将制备的CF/Fe

复介电常数和复磁导率测量：将同轴样品置于网络分析仪的测量槽内，在1-18GHz频率范围内测量其反射率或透射率，并根据传输线理论计算得到复介电常数和复磁导率；

电导率测量：使用四探针法法在室温下测量CF/Fe

最低反射损耗和有效带宽测：扫描1-18GHz频率范围内同轴样品的反射率，记录最低反射损耗对应的频率f1和反射率达到-10dB对应的最高和最低频率f2及f3，有效带宽为f2-f3。

S3、利用传输线理论结合测量的电磁参数计算CF/Fe

其中，所述利用传输线理论结合测量的电磁参数计算CF/Fe

S31、测量电磁参数：使用网络分析仪等设备，测量CF/Fe

S32、选择传输线模型：根据样品的形状，选择合适的传输线模型。对于同轴样品，选择同轴线模型，对于平板状样品，选择微带线模型或平行板模型。

S33、计算特征阻抗：根据选定的传输线模型，利用εr、μr和σ计算出模型的特征阻抗Z

S34、波阻抗计算：当电磁波从空气进入复合纤维材料时，波阻抗Z由Z

式中，Z表示CF/Fe

S35、结果分析：得到的波阻抗Z值越小，说明复合纤维材料对电磁波的阻挡越小，吸收效果越好。Z值过大，会引起电磁波在界面严重反射，吸波性能变差。

S36、不确定度评估：根据εr、μr和σ的测量不确定度，评估得到的Z

S37、重复计算：对不同频率范围内的电磁参数进行测量和计算，得到频率依赖的波阻抗，为研究材料的频率响应特性提供数据。

综上，根据测得的电磁参数，选择合适的传输线模型，可以系统地计算出CF/Fe

S4、分析电磁参数与波阻抗之间的关系，寻找影响CF/Fe

其中，所述分析电磁参数与波阻抗之间的关系，寻找影响CF/Fe

S41、分析εr、μr和σ与波阻抗Z之间的关系。一般来说，εr和μr较大，σ适中，有利于降低波阻抗，提高吸波性能。这说明εr、μr和σ是影响波阻抗的关键因素。

S42、分析Fe

S43、综合上述分析，εr、μr、σ、Fe

S5、调整关键影响参数，并再次计算CF/Fe

其中，所述调整电磁关键参数，并再次计算CF/Fe3O4复合纤维材料的波阻抗，得到实测波阻抗的具体步骤如下：

S51、根据S4的分析结果，选择影响波阻抗的电磁关键参数，如εr、μr或σ等。在一定范围内调整这些参数的值，如提高εr或σ，降低μr等。其相当于设计新的复合纤维材料结构。

S52、根据调整后的电磁参数，重新制备CF/Fe3O4复合纤维材料。采用化学合成方法，制备出与电磁参数相匹配的新结构复合纤维材料。

S53、对新制备的复合纤维材料进行电磁参数的测量。使用网络分析仪等设备，测量其复介电常数εr、复磁导率μr和电导率σ。

S54、根据测得的新电磁参数，利用传输线理论重新计算波阻抗。与原有结构的波阻抗进行比较，判断新结构是否能够使波阻抗达到更低，吸波性能更优。

S55、对新的结构复合纤维材料，除电磁参数测试外，还需要进行波阻抗的直接测量。这可以避免计算方法产生的误差，获得更加准确的波阻抗值。

S56、将计算所得的波阻抗与测量所得的波阻抗进行对比。如果二者吻合，则证明计算方法是准确的，如果存在较大偏差，则需要检查计算过程，对计算方法进行修正，以提高准确度。

综上，通过调整电磁关键参数，设计新的结构，并对其电磁参数与波阻抗进行测量和计算，可以找到更优的复合纤维材料结构，降低其波阻抗，提高吸波性能。

S6、利用预先构建的基于蚁群算法优化的BP神经网络模型输出与调整后的关键影响参数相对应的预测波阻抗；

其中，所述利用预先构建的基于蚁群算法优化的BP神经网络模型输出与调整后的关键影响参数相对应的预测波阻抗包括以下步骤：

S61、获取已经计算得到的关键影响参数与波阻抗的数据作为训练样本，并利用训练样本构建基于蚁群算法优化的BP神经网络模型并进行训练；

具体的，所述获取已经计算得到的关键影响参数与波阻抗的数据作为训练样本，并利用训练样本构建基于蚁群算法优化的BP神经网络模型并进行训练包括以下步骤：

S611、获取已经计算得到的关键影响参数和波阻抗的数据，进行归一化处理，并按照预设比例分别为训练样本和测试样本；

S612、根据样本数据的特征设计BP神经网络的网络结构，确定输入层节点数、隐藏层节点数和输出层节点数；

S613、初始化蚁群算法的参数，并利用蚁群算法生成初始解，得到BP网络连接权值和阈值的组合，计算每个蚂蚁遍历的路径得到初始BP网络；

S614、基于训练样本计算每个BP网络对应的误差，作为蚁群算法中蚂蚁路径的信息素；

S615、根据路径的信息素实现蚁群算法的迭代优化，修改连接权值得到优化的BP网络；

S616、保存优化得到的BP网络参数，并在测试样本上利用优化的BP网络进行预测，计算网络误差；

S617、判断误差是否小于预设误差阈值，若否，则返回S614，若是，则BP网络训练完成，得到基于蚁群算法优化的BP神经网络模型并进行训练。

S62、调整关键影响参数，并将调整后的关键影响参数输入训练后的基于蚁群算法优化的BP神经网络模型，得到与调整后的关键影响参数相对应的预测波阻抗。

S7、重复执行S5和S6得到关键影响参数、预测波阻抗及实测波阻抗的综合数据，并利用预测波阻抗数据对实测波阻抗数据进行异常标记；

其中，所述重复执行S5和S6得到关键影响参数、预测波阻抗及实测波阻抗的综合数据，并利用预测波阻抗数据对实测波阻抗数据进行异常标记包括以下步骤：

S71、重复执行S5，调整关键影响参数的取值得到若干组不同的关键影响参数，并计算CF/Fe

S72、重复执行S6，利用基于蚁群算法优化的BP神经网络模型输出与各关键影响参数相对应的预测波阻抗；

S73、汇总关键影响参数、预测波阻抗及对应的实测波阻抗，得到综合数据；

S74、计算相同关键影响参数下的预测波阻抗与实测波阻抗的标准差，并判断标准差是否超出预设标准差阈值，若是，则该实测波阻抗为标记数据，若否，该实测波阻抗为正常数据。

S8、根据异常标记结果对综合数据进行异常处理，并根据处理后的综合数据分析电磁参数对波阻抗的影响规律。

其中，所述根据异常标记结果对综合数据进行异常处理，并根据处理后的综合数据分析电磁参数对波阻抗的影响规律包括以下步骤：

S81、根据异常标记结果对综合数据中的该实测波阻抗数据进行重新测量计算，并分析重新测量计算后的实测波阻抗与标记的实测波阻抗是否相同，若是，则保存该实测波阻抗，若否，则采用重新测量计算后的实测波阻抗数据替换标记的实测波阻抗数据，得到处理后的综合数据；

S82、使用回归分析统计法分析处理后的综合数据中各关键影响参数与波阻抗之间的定量关系，并绘制关键影响参数与波阻抗之间的统计图表，直观显示参数对波阻抗的影响趋势；

S83、基于关键影响参数的重要性排序结果，并结合S82中的相关性分析和回归分析结果，以及实验数据的分布情况总结出关键影响参数与波阻抗之间的数学关系模型；

S84、利用关键影响参数与波阻抗之间的数学关系模型分析电磁参数对波阻抗的影响规律。

此外，所述根据异常标记结果对综合数据进行异常处理，并根据处理后的综合数据分析电磁参数对波阻抗的影响规律还包括：利用综合数据中各关键影响参数及其对应的实测波阻抗数据对基于蚁群算法优化的BP神经网络模型进行再训练，提高其预测精度。

综上所述，借助于本发明的上述技术方案，本发明通过实验测试、神经网络预测及回归分析统计法可以定量分析参数与波阻抗之间的关系，并建立数学模型，从而可以深入揭示材料性能与结构之间的内在规律，能够系统全面地测试和分析CF/Fe

此外，本发明采用基于蚁群算法优化的BP神经网络模型进行预测，并与实测结果进行对比校验，从而可以发现异常数据，提高分析结果的可靠性，还可以通过实验数据再训练神经网络模型来持续优化模型，提高其预测精度和泛化能力，当预测精度和泛化能力达到预期要求时，则可以通过输入不同的参数直接得到相应的预测波阻抗，从而可以有效的避免重复实验，提高研究效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。