基于动测法的隐框玻璃幕墙硅酮结构胶粘结强度检测方法

隐框玻璃幕墙硅酮结构胶粘结强度是评价幕墙可靠性的重要指标,该文提出了基于动测法的隐框玻璃幕墙结构胶粘结强度检测方法.以结构胶的固化过程模拟幕墙玻璃面板的约束变化,发现玻璃面板的一阶和二阶自振频率随结构胶约束的增强而线性增大,采用多元线性回归方法建立了隐框玻璃幕墙结构胶拉伸粘结强度与面板前二阶自振频率的定量关系,指出可以...     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

负风压下结构密封胶对隐框幕墙力学行为的影响

采用负风压加载的方式,研究了均布荷载下隐框幕墙玻璃面板应力和挠度随载荷变化的规律,隐框幕墙玻璃面板为1000mill×1000mm,厚度为6mm的单片钢化玻璃,结构密封胶几何尺寸为9mm x8mm、12mm×8mm和15mm×8mm.实验结果表明:核心结构玻璃面板-结构密封胶-铝合金副框决定了隐框幕墙在承受负风雎时承载能力和抗弯能力的下降;结构密封胶的粘接宽度不能影响隐框玻璃幕墙在负风压条件下的根本力学行为,但是支承条件的不同决定了隐框玻璃幕墙承载能力和抗弯能力不同;负风压下隐框玻璃幕墙的力学性能同结构密封胶粘接宽度之间的关系并非简单的线性关系,粘接宽度存在一个最优值.     

用BP神经网络模型预测纳米二氧化钛光催化降解硝基甲苯类废水

基于光催化降解硝基甲苯类废水的实验数据,采用反向传播(BP)神经网络训练并建立了硝基甲苯类废水处理过程的神经网络模型.用训练好的神经网络模型模拟光催化降解硝基甲苯废水过程,模型硝基甲苯浓度的模拟输出与实验数据的相关度为0.998.用神经网络模型对此光催化降解硝基甲苯废水过程进行预测,得到硝基甲苯浓度的预测数据与实验数据...     

基于双层GRU神经网络的油田注水预测方法研究

为达到精细注水的注采要求,利用两种不同隐层门控循环单元(GRU)神经网络模型的注水流量预测方法,同时借助国内某油田注水井的历史数据对两种不同隐层模型的预测结果进行了对比.结果表明:与传统的循环神经网络(RNN)和长短期记忆(LSTM)神经网络相比,GRU不仅拥有较好的预测性能,模型训练效率也更高;且双隐层结构较单隐层在...     

注塑制品翘曲变形的数值模拟优化与预测

以电池后盖板为CAE模拟分析模型,利用正交试验设计方法,将减小制品翘曲变形量作为优化目标,得到各工艺参数对制品翘曲变形量的影响程度及最优化工艺参数组合。利用径向基函数RBF神经网络对制品翘曲量进行预测,建立了各工艺参数与制品翘曲变形之间非线性映射关系模型,并与BP神经网络进行了对比。结果表明:RBF神经网络模型,可以较准备地预测制品的翘曲变形,并且在精度、训练速度等方面优于BP网络。     

基于BP神经网络的双色塑件翘曲变形量预测

以某遥控器前壳双色塑件注塑成型为例,以该塑件在注塑成型过程中的翘曲变形量为研究目标,提出了一种结合AMI数值模拟、正交试验和BP神经网络的双色塑件翘曲变形量快速、准确的预测方法。首先建立了基于AMI数值模拟的CAE模流分析模型,并对注塑成型工艺参数及翘曲变形量进行数值模拟分析;之后结合正交试验设计法使AMI软件数值模拟结果在指定的工艺参数范围内实现了离散分布;最后以正交试验数据为基础建立BP神经网络预测模型,通过Matlab训练网络使其满足误差精度要求,从而达到准确预测新工艺参数下翘曲变形量的目的。结果表明:训练出的BP神经网络模型具有很高的预测精度,能够满足对该双色塑件翘曲变形量准确、快速的预测要求。     

基于BP神经网络的汽车音响塑件模具成型工艺优化研究

通过对某汽车音响塑件模具进行工艺方案设计,采用Moldflow软件对正交试验中各工艺方案组合进行模流分析,获得体积收缩率、充填时间、总翘曲量等目标函数值。将获得的数据作为样本进行BP神经网络训练,使BP神经网络预测值与Moldflow模拟值之间的吻合程度提高,即欲提高BP神经网络模型的预测精度,可以通过样本训练的多输入和多输出来实现。同时采用训练好的BP神经网络预测最优工艺参数,从而获得最佳工艺参数组合为:注射速率45 cm~3/s,模具温度57℃,保压压力121 MPa,保压时间17 s。通过试模,获得合格的汽车音响塑件模具。     

基于因果分析的烧结生产状态预测模型

烧结是高炉炼铁系统中的重要生产单元,其生产水平高低直接关系炼铁企业的生产效益。烧结过程具有时滞性和非线性特征,为了实现对烧结生产状态的准确预测,本文综合自相关分析、收敛交叉映射和误差反向传播神经网络等方法,融合因果性机理和黑箱模型,建立了基于因果分析的烧结生产状态预测模型。该模型通过因果分析层选取解释变量集、自相关窗口和因果性窗口,并通过神经网络层实现对6个烧结生产状态关键变量的准确预测。经过工业数据测试,该模型预测平均误差控制在0.5%～3.1%之间,能够有效辅助工厂进行烧结状态调整。     

神经网络对固体推进剂力学性能的预测

针对误差反向传播算法(BP)神经网络在寻优过程中容易陷入局部最优的缺陷,将遗传算法(GA)与BP神经网络相结合,构建了一种基于遗传算法反向传播(GABP)神经网络模型。建模所用网络训练数据是推进剂配方中的工艺助剂及键合剂含量、固化参数、不同粒度的高氯酸铵含量、不同粒度的铝粉含量、端羟基聚丁二烯(HTPB)的羟值等对应的不同温度下测试的抗拉强度和断裂伸长率共12组数据,对它们进行预测和实测。结果表明,预测值与实验值整体具有较好的吻合性,抗拉强度及断裂伸长率的最小误差分别为0.71%、4.67%,即所建模型具有指导配方性能预示的意义。     

基于BP神经网络的汽车内置储物盒注塑成型优化

以某汽车内置储物盒为研究对象,结合聚合物流变学的基本理论,采用Moldflow软件对汽车内置储物盒注塑成型进行模流分析。建立多输入-多输出的BP神经网络拓扑模型,以模流分析得到的充填时间、体积收缩率和总翘曲量等作为BP神经网络的训练样本,采用拟牛顿算法对网络模型进行训练。通过预测值和模拟值的对比,发现训练后BP神经网络模型的相对误差较小,并具有很好的预测能力。以此网络模型对其它各工艺参数组合进行预测,得到了较优的工艺参数匹配关系。并进行试模加工,得到了合格的汽车内置储物盒制件。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

高温变换催化剂制备条件的神经网络优化

将影响低汽气比条件下LB型节能高温变换催化剂活性的主要因素作为人工神经网络的特征输入向量,将全部实验数据分为训练集和预测集,运用Matlab神经网络工具箱,按改进的Bayes自动归一化算法建立反向传播神经网络模型,不仅可防止网络陷入局部最小,而且提高了网络训练精度和泛化能力。适当拓宽正交实验各因素的水平范围,经过不同因素、不同水平间的组合模拟,预测出LB型节能高温变换催化剂的最佳制备条件为氧化铈质量分数0.76%、氧化铜质量分数5.8%、氧化铬质量分数8.6%、氧化镧质量分数1.0%、铁液浓度92 g/L、中和过程最终pH值9.5。在最佳条件下试制催化剂在低汽气比下的平均活性达77.6%。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

高温换催化剂制备条件的神经网络优化

将影响低汽气比条件下LB型节能高温变换催化剂活性的主要因素作为人工神经网络的特征输入向量,将全部实验数据分为训练集和预测集,运用Matlab神经网络工具箱,按改进的Bayes自动归一化算法建立反向传播神经网络模型,不仅可防止网络陷入局部最小,而且提高了网络训练精度和泛化能力.适当拓宽正交实验各因素的水平范围,经过不同因素、不同水平间的组合模拟,预测出LB型节能高温变换催化剂的最佳制备条件为氧化铈质量分数0.76%、氧化铜质量分数5.8%、氧化铬质量分数8.6%、氧化镧质量分数1.0%、铁液浓度92 g/L、中和过程最终pH值9.5.在最佳条件下试制催化剂在低汽气比下的平均活性达77.6%.     

一类化工过程多变量系统的自适应非线性预测控制

针对化工过程的一类多变量非线性系统,提出了一种自适应非线性预测控制(ANMPC)算法。在采用递归最小二乘法进行预测模型参数在线辨识的基础上,将系统的静态非线性关系用一个反向传播(BP)神经网络稳态模型来表示,通过稳态模型求得的动态增益来进一步校正预测模型的参数。详述了ANMPC控制器设计步骤,通过在一个多变量pH中和过程中的仿真验证了本算法的可行性和有效性。     

高压玻璃钢管道芯模温度预测研究

采用RBF神经网络对固化工艺中缠绕速率、芯模温度和管道外表面温度之间的关系建立模型。采用有限元数值模拟方法对模型进行训练，将训练好的模型用于不同缠绕速率和期望外表面温度下的芯模温度预测。结果表明，采用该方法设计的加温历程可使玻璃钢管道外表面温度控制在期望的范围内。本研究不仅为降低实验成本、提高生产效率提供有效方法，而且为基于理论分析的工艺参数确定和优化提供依据。     

腐蚀海洋立管剩余强度预测

利用人工神经网络具有的高度非线性映射功能,对在役腐蚀海洋立管的剩余强度进行预测。综合分析了管径、壁厚、腐蚀缺陷长度、腐蚀缺陷深度和管材极限抗拉强度对腐蚀海洋立管剩余强度的影响,建立了反向传播(BP)神经网络预测模型。利用遗传算法(GA)优化BP神经网络的权值和阈值,构建了GA-BP神经网络预测模型。采用DNV-RP-F101标准计算出来的样本数据分别对以上两种网络模型进行训练和预测。预测结果表明:利用人工神经网络对腐蚀海洋立管剩余强度进行预测是可行的,且GA-BP神经网络能够有效地提高网络的收敛性和预测精度。     

紫苏油在超临界CO_2中溶解度的神经网络模型建立

测定了紫苏油在超临界CO2 (SC CO2 )中的溶解度 ,利用误差逆传播 (BP)神经网络对溶解度数据进行了拟合。通过对萃取参数与溶解度的关系进行训练 ,实现网络结构的优化 ,建立了紫苏油在SC CO2 溶解度的网络模型 ,并将该模型用于一定范围内未知萃取参数下溶解度的预测 ,得到了较高的预测精度。结果表明 ,该方法可作为预测物质在SC CO2 溶解度的一种有效手段。     

基于RBF神经网络的轮胎滚动阻力建模研究

建立径向基函数(RBF)神经网络轮胎滚动阻力模型,充分利用RBF神经网络模型逼近精度高、训练速度快、无局部极小等优点,对轮胎滚动阻力进行全面、准确的预测。结果表明,轮胎滚动阻力RBF与反向传播算法(BP)神经网络模型预测值的平均相对误差分别为2%和6%左右,RBF神经网络模型在训练和预测结果上均有更大优势,能够有效预测轮胎滚动阻力。