一种基于LSTM神经网络的涂料降解智能预测方法

本发明公开了一种基于LSTM神经网络的涂料降解智能预测方法，涉及涂料技术领域，该方法包括：步骤S1：收集初始光谱数据，使用初始分峰方法生成初始含量值；步骤S2：采集动态特征数据，构建基于LSTM的神经网络模型；步骤S3：对初始含量值进行预测迭代，生成预测含量值；步骤S4：设置误差冗余值范围，当预测含量值在误差冗余值范围内时将预测含量值标注为检测金属含量真实值。本发明与现有技术相比，使用LSTM神经网络并将金属元素氧化降解的动态特征作为输入条件，在LSTM神经网络的训练过程中不断学习不同降解环境下的变化规律，对模型的输出能够进行实时评估，具有提高涂料中金属含量预测精度的优点和降低涂层防护能力评估误差风险的有益效果。