基于RBF神经网络的QA110-5-5铝青铜时效处理硬度的预测

用人工神经网络模型分析了时效参数对铝青铜硬度的影响.用“舍一法”训练了模型.模型对训练样本的计算值与实测值在散点图中沿着45°角平分线分布,统计学指标为:均方误差(MSE)为2.1388,相对均方误差(MSRE)为6.59％,拟合分值(VOF)为1.8301.用训练后的网络模型进行预测,得到的散点大致分布于45°角平分线附近,统计学指标为:均方误差为1.9512;相对均方误差为5.62％;拟合分值为1.7783.对时效参数的影响分析表明:时效温度和时效时间对硬度的影响,都存在一个最佳值,在时效温度和时效时间分别为450℃和30 min时,铝青铜的硬度达到最大值.     

FeSi2 Ti相重构对工业硅中杂质酸洗行为的影响

为了强化酸洗提纯多晶硅技术,本工作通过FeSi_2Ti相重构来提高酸洗的除杂能力。研究结果发现,经Si-Fe-Ti合金精炼之后,工业硅中的主要杂质相由原来的Si-Fe-Al、Si-Al-Fe和Si-Ti-Fe相转变成FeSi_2Ti、Si-Ti-Fe(τ5)和Si-Fe-Al相。采用原位刻蚀技术可以发现,去除工业硅和Si-Fe-Ti合金中的杂质相的最佳溶剂皆为HCl+HF混合酸,其中杂质相的酸洗行为和主要杂质的组成紧密相关。工业硅经Si-Fe-Ti合金化后能够提高HCl+HF混合酸的酸洗效果,特别是能够大幅降低Mn、Ni、V和Cu等难溶元素的含量,使得工业硅的纯度从99.74%提高到99.97%。     

用人工神经网络研究钢的硬度的影响因素

 用人工神经网络研究了化学成分及热处理工艺参数对低碳低合金钢的硬度的影响。首先设计了RBF型人工神经网络模型,用“舍一法”改进了模型,使其具有较好的预测性能。然后,用神经网络研究了化学成分和冷速对低碳低合金钢的硬度的定量影响。结果表明,碳的质量分数为0.11%~0.15%时,硬度随碳含量的增加而增大;硅的质量分数为0.24%~0.38%、锰的质量分数为0.94%~1.02%时,硬度值基本不变;铬的质量分数为0~0.6%时,硬度值呈增加趋势;镍的质量分数为0~0.04%时,硬度值基本不变;钼的质量分数为0~0.2%时,硬度值从HV288降至HV282;硼的质量分数为1%~2%时,硬度随含量增加而升高;钛、铌、钒的总质量分数为0.06%~0.14%时,硬度值基本不变;冷速从10℃/m增加至170℃/m,硬度值从HV290增至HV420。