基于BP网络的Al-Pb-钢背轴瓦材料连铸工艺系统模拟

对一套连铸工艺系统,输入一组工艺参数可得出相应性能的轴瓦材料,但如何在不同工艺参数中确定一组值,使得材料性能实现最优化,则需建立输入(工艺参数)与输出(材料性能)的对应关系,而通过人工神经网络则能反映输入转化成输出的数学表达式.通过对连铸工艺系统的人工神经网络模拟,建立了可供工艺优化计算的数学模型.     

基于人工神经网络优化的半固态制浆工艺

研究了机械搅拌制备半固态浆料的工艺因素,获得制备半固态组织的影响规律.在正交试验基础上.利用人工神经网络理论,以半固态组织的固相率和固相尺寸为人工神经网络输入层的2个输入参数,以搅拌速度、搅拌时间、静置时间和浇注温度4个因素为输出层的4个输出参数,建立由半固态组织特点优化机械搅拌工艺的优化模型.研究结果表明,应用本模型优化结果与试验结果一致,可以实现由半固态组织选择半固态制浆工艺,并且只要改变相应的参数,本模型就可以适用于各种半固态制浆工艺过程.     

基于改进BP神经网络的TA15钛合金近β锻造组织预测模型

文章以训练结果的误差均方差与误差和降低为目标,通过循环和判断语句改进了MATLAB人工神经网络(ANN)工具箱的BP算法,实现BP网络多结构、多次循环训练,建立了TA15钛合金近β锻造变形参数(变形温度、应变速率和变形量)和变形水冷(WQ)及后续热处理(再结晶退火或高低温强韧化处理)后的组织特征参数(等轴α相的含量、平均晶粒直径和轴比,条状α相的含量和厚度)之间关系的BP人工神经网络模型。结果表明,针对近β锻造组织预报输入参数多,输入-输出参数高度非线性,该模型可以有效避免传统BP模型容易陷入局部极小值点的缺点,可较准确的得到各工艺参数组合下的组织特征参数;模型预测结果可以用于近β锻造不同工艺参数组合下组织特征参数的预报,及其演化规律的分析。     

基于人工神经网络预测半固态组织

试验研究了机械搅拌制备镁合金半固态浆料获得半固态组织的影响因素,在正交实验基础上,利用人工神经网络理论,以搅拌速度,搅拌时间,静置时间,浇注温度四个因素为人工神经网络输入层的四个输入参数,以半固态组织的固相率和固相尺寸为输出层的两个输出参数,建立机械搅拌制备半固态浆料获得半固态组织的预测模型。研究结果表明,应用本模型预测结果与试验结果一致,可对半固态组织的制备进行预测,并且只要改变相应的输入参数,本模型就可以适用于各种半固态制浆工艺过程。     

基于神经网络的搅拌摩擦焊接头质量预测系统研究

通过正交试验在不同的试验参数下对铜-铜进行搅拌摩擦焊接得到覆盖面较广的试验数据．形成神经网络质量预测体系的训练样本。以搅拌摩擦焊的工艺参数(旋转速度、横向速度、压力)作为神经网络的输入，以焊接接头的拉仲强度或接头优异性(1接头质量合格、O为接头质量不合格)为神经网络的输出，用剔除畸变样本后的试验样本对人工神经网络进行训练，然后用训练好的网络对搅拌摩擦焊接头质量进行预测。利用MATLAB语言编制用户界面，并建立了搅拌摩擦焊的人工神经网络预测系统，实现了对工艺参数的优化。     

基于神经网络的液固挤压工艺参数灵敏性分析

将人工神经网络引入液固挤压工艺参数的灵敏性分析中，对难以建立精确数学模型的液固挤压工艺进行建模，通过非线性网络泛化映射，求解输出变量对输入变量的偏导数，得到了工艺参数在每个样本点处的灵敏度值，从而定量地确定了多个非确定性参数共同作用下的灵敏度指标。结果表明，影响液固挤压工艺的参数中，作用最大的为浸渗时间，其次为浇注温度与模具温度，最小为浸渗压力，这与实际情况相符。     

神经网络与正交试验法结合优化注射工艺参数

结合人工神经网络所表现出来的良好特性,利用正交试验获得的数据作为神经网络的训练样本,建立输入为工艺参数、输出为翘曲变形量的神经网络模型,并通过样本检验了ANN模型的准确性,从而缩短设定工艺参数的时间,在工艺参数取值范围内,采用ANN模型代替CAE软件模拟试验,结合正交试验法,对工艺参数进一步优化。结果表明:将神经网络与正交试验、数值模拟三者结合用于注射过程参数优化可以缩短优化工艺参数的时间,提高工艺设计效率,并能获得比单纯使用正交试验和数值模拟方法更为优化的结果。     

神经网络与正交试验法结合优化板料成形工艺

结合人工神经网络所表现出来的良好特性,利用正交试验获得的数据作为神经网络的训练样本,建立输入为工艺参数、输出为回弹量△Z的神经网络模型.通过样本检验了ANN模型的准确性,从而缩短设定工艺参数的时间,在工艺参数取值范围内,采用ANN模型代替CAE软件模拟试验,结合正交试验法,对工艺参数进一步优化.结果表明,将神经网络与正交试验、数值模拟三者结合用于板料成形参数优化,可以缩短优化工艺参数的时间,提高工艺设计效率.     

离心法制备梯度功能材料中内生颗粒的分布

采用人工神经网络研究了在不同型温、浇温和转速条件下以离心法制备Al-16%SiFGM时初晶硅的分布规律,并通过实验进行了验证,在建立神经网络模型时,以型温、浇温、转速等工艺参数作为人工神经网络的输入,以内生初晶硅分布的相对厚度作为输出,实验表明,预测结果与实际测定结果比较吻合,说明采用神经网络预测离心法制备梯度功能材料中内生颗粒的分布是可行的。     

基于ANN的ZA35合金热处理后阻尼性能的预测

基于人工神经网络(ANN),建立了ZA35合金热处理工艺对阻尼性能影响的人工神经网络模型,预测了固溶时效处理后ZA35合金的阻尼性能。模型输入参数为固溶时间、固溶温度、时效时间和时效温度,输出参数为ZA35合金的内耗值。结果表明:该模型可以预测ZA35合金在不同热处理工艺参数下的阻尼性能,也可以优化热处理工艺参数。预测的最大相对误差为13.54%,拟合率为0.982,最终确定ZA35合金阻尼性能最佳的工艺参数是340℃×5 h固溶+150℃×8 h时效处理。     

用人工神经网络构建碳钢、低合金钢大气腐蚀模型

采用人工神经网络技术建立了碳钢、低合金钢大气腐蚀预测模型,神经网络拓朴结构为13-19-1,神经网络模型预测结果和实验数据紧密相符,而且通过单一因素敏感性分析方法,研究了合金元素和环境因素对于大气腐蚀速率的影响,表明该方法的有效性.     

Prediction of time to failure in stress corrosion cracking of 304 stainless steel in aqueous chloride solution by artificial neural network

Despite the numerous researches in Stress Corrosion Cracking (SCC) risk of austenitic stainless steels in aqueous chloride solution, no formulation or reliable method for prediction of time to failure as a result of SCC has yet been defined. In this paper, the capability of artificial neural network for estimation of the time to failure for SCC of 304 stainless steel in aqueous chloride solution together with sensitivity analysis has been expressed. The output results showed that artificial neural network can predict the time to failure for about 74% of the variance of SCC experimental data. Furthermore, the sensitivity analysis also demonstrated the effects of input parameters (Temperature, Applied stress and Cr concentration) on SCC of 304 stainless steel in aqueous chloride solutions.     

基于BP神经网络的油气长输管道失效概率预测

油气长输管道风险评价是保障油气管道安全的重要技术之一,而油气长输管道风险评价的核心内容是定量确定管道的失效概率,因此,油气管道失效概率值的准确性会极大地影响到定量风险评价结果的合理性和适用性。目前,国内外均没有建立管道失效概率计算的数学模型,其预测多是依靠现代数学分析中的预测方法如：层次分析法、故障树分析方法和概率统计方法等。人工神经网络是以大量的具有相同结构的简单单元的连接来模拟人类大脑的结构和思维方式的一种可实现的物理系统或计算机模拟系统。本文将神经网络技术中常用的BP神经网络技术运用到油气长输管道失效概率预测中,依靠其强大的非线性映射关系,在输入、输出关系完全未知的情况下映射出输入、输出的非线性关系,从而建立基于故障树失效因素作为输入而管道失效概率作为输出的预测模型。     

人工神经网络在金属热处理中的应用

人工神经网络是一种能获得输入和输出之间相互关系的信息处理技术。在金属热处理中，人工神经网络已用于预测钢的ＴＴＴ曲线、ＣＣＴ曲线、Ｍｓ点、淬透性曲线等方面。     

应用人工神经网络理论建立热粘塑性材料的本构关系

本文将人工神经网络（ＡＮＮ）用于建立热粘塑性材料的本构关系，意在探索出一种描述材料变形力学行为的新方法。文中给出了应用人工神经网络建立热粘塑性材料本构关系的ＢＰ模型和学习算法过程，并应用于４５号钢在高温和高速变形条件下的流动应力计算。计算结果与实测结果比较表明，二者吻合良好。因此，应用人工神经网络建立热粘塑性材料的本构关系具有重要的工程应用价值。     

BP神经网络在焊缝位置识别中的应用

研究了一种焊缝位置识别新方法,在一定工艺条件下,使用视觉传感器采集焊接熔池图像,选取图像中熔池前端部分进行处理,先对其进行中值滤波与灰度变换,在此基础上,获取每一幅熔池图像的质心值、质心位移、质心速度及电弧与焊缝的偏差值作为训练样本数据.以质心值、质心位移和质心速度为输入量,以偏差值为输出量,利用BP神经网络建立其数学模型,最后对该模型进行检验.检验结果表明,该模型能够较准确地描述熔池图像质心与焊缝偏差之间的关系,为进一步实现精确的焊缝跟踪提供了理论和试验依据.     

Artificial neural network modeling of weld joint strength prediction of a pulsed metal inert gas welding process using arc signals

This paper addresses the weld joint strength monitoring in pulsed metal inert gas welding (PMIGW) process. Response surface methodology is applied to perform welding experiments. A multilayer neural network model has been developed to predict the ultimate tensile stress (UTS) of welded plates. Six process parameters, namely pulse voltage, back-ground voltage, pulse duration, pulse frequency, wire feed rate and the welding speed, and the two measurements, namely root mean square (RMS) values of welding current and voltage, are used as input variables of the model and the UTS of the welded plate is considered as the output variable. Furthermore, output obtained through multiple regression analysis is used to compare with the developed artificial neural network (ANN) model output. It was found that the welding strength predicted by the developed ANN model is better than that based on multiple regression analysis.     

Coding the Output of a Feedforward Neural Net

In any feedforward neural net, there are many choices for coding, or labeling, the input data. Error-correcting codes have been proposed to encode the neural net output. This representation adds extra distance between the labels of the different classes, thus it helps to combat classification errors encountered in feedforward nets. This claim is verified theoretically and some useful bounds are derived to characterize the error-correcting code for such applications. The overhead of coding is to require more output nodes, i.e. a more complex network. It is known that, in general a more complex network has more capacity. Thus, we investigate the capacity and separation ability of the coded network and compare the effect of coding the output with that of using a specific two-layered net. This comparison is carried out from a deterministic and then from a probabilistic view point. The issues of finding a neural net decoder is also addressed and analyzed. This leads to a new look at the multi-layer neural net which helps in finding an upper bound on the complexity of the multi-layer neural net.