基于人工神经网络与遗传算法的Al-Mg-Si系合金抗拉强度预测模型

为了研究Al-Mg-Si系合金热处理制度和合金成分对力学性能的影响规律,采用人工神经网络（artificial neural network, ANN）和遗传算法（genetic algorithm, GA）相结合的方法,构建了Al-Mg-Si系合金强度预测模型（ANN-GA模型）。通过单因素和双因素分析,研究了合金元素含量和热处理工艺参数对铝合金抗拉强度的影响规律。结果表明,随着Si含量的增加,铝合金的抗拉强度呈现先降低后升高的趋势;随着Mg含量的增加、Cu含量的增加或者Fe含量的减少,铝合金的抗拉强度整体上呈现升高的趋势。双因素分析更能反映输入参数对铝合金抗拉强度的影响。Mg/Si比、Mg+Si总量和时效时间对Al-Mg-Si系合金力学性能的影响显著。铝合金的硬度随时间的变化趋势与ANN-GA模型的计算结果一致,峰值时效时间为29 h,相对误差为11.86%。     

基于级联双管反激拓扑的HVDC供电电路研究

高压直流（HVDC）输电系统常采用高压变换器进行高电位就近控制取电。然而模块内的高母线电压及其大范围波动对取电电源的高可靠性设计形成挑战。针对该问题，基于串联双管反激拓扑电路提出了一种高压模块取电系统。该系统以多输入、单输出形式的直流变压器为变压载体，并利用在同步控制信号下的各级联单元的自均压特征实现了输入各串联电路的动态自均压控制，主动降低了各模块中半导体开关的电压应力；另外，该方法具有漏感能量回馈效率高、开关管最大电压应力钳位到输入电压优点。最后，借助系统仿真与半实物仿真平台实验验证了所提自供电电路系统的可行性以及理论分析的正确性。