Prediction of 2A70 aluminum alloy flow stress based on BP artificial neural network

Recently ,withtherapiddevelopmentofthecompu tationtechnique ,thefiniteelementmethodisappliedmoreandmoretothenumericalsimulationofthemetalformingprocess .Therelationshipbetweenflowstressanddeformationconditionssuchasstrain ,strainratesandtemperatures,whichembodiestheresponseofamaterialtothedeformationparameters ,isveryimportantforthenumericalsimulationbyfiniteelementmethod .Butduringthehotdeformationprocess ,therearemanyfactorsthatinfluencetheflowstressofthemetal .Theeffectsofthesefactorsonthef…     

2A70铝合金本构关系的新模型

为了研究2A70铝合金高温变形时的流动规律,在Gleeble-1500热模拟试验机上进行了一系列等温压缩试验.在此基础上,对传统的BP算法进行了改进,建立了2A70铝合金本构关系的人工神经网络模型.在该模型中,等效应变、等效应变速率和变形温度是模型的输入向量,输出向量是材料的流动应力.模型的计算结果表明:对于样本数据,该模型的相对误差不超过±3%;对于非样本数据,模型的相对误差不超过±6%,说明此模型能准确的反映2A70铝合金热变形时的流动规律.     

The Rapidly Solidified Aging Copper Alloy by BP Neural Network

1　IntroductionTheCu Cr Zralloysarewidelyusedinavarietyofproductsrequiringacombinationofhighmechanicalprop ertiesandgoodelectricalconductivity .Examplesincludeelectronicconnectors ,integratedcircuitleadframesandweldingelectrodetips[1-4] .Howeveritisdifficulttofur therimprovetheirelectricalandmechanicalpropertiesun derconventionalsolutionheat treatment (CSHT)sincethedegreeofprecipitationhardeninguponagingisre strictedbythelimitedsolubilityofchromiumandzirconi umincopper.Inanefforttoimproveth…     

Effects of Ag on microstructure and mechanical properties of 2519 aluminum alloy

The effects of Ag on the microstructure and mechanical properties of 2519 aluminum alloy were investigated by means of tensile test, micro-hardness test, transmission electron microscope and scanning electron microscope. The results show that the addition of 0.3 % （mass fraction） Ag accelerates 2519 aluminum alloy＇s age-hardening, increases its peak hardness and reduces 4 h of peak aged time at 180 ℃. The addition of 0. 3% （mass fraction） Ag increses the tensile strength at room temperature and elevated temperature. This increment at room temperature and 200 ℃ is 24 MPa and 78 MPa, respectively. In contrast, the elongation of 2519 aluminum alloy is decreased with Ag addition. The increase of tensile strength of 2519 aluminum alloy with Ag addition is attributed to the high volume fraction of Ω phase.     

Sub-pixel mapping method based on BP neural network

A new sub-pixel mapping method based on BP neural network is proposed in order to determine the spatial distribution of class components in each mixed pixel.The network was used to train a model that describes the relationship between spatial distribution of target components in mixed pixel and its neighboring information.Then the sub-pixel scaled target could be predicted by the trained model.In order to improve the performance of BP network,BP learning algorithm with momentum was employed.The experiments were conducted both on synthetic images and on hyperspectral imagery(HSI).The results prove that this method is capable of estimating land covers fairly accurately and has a great superiority over some other sub-pixel mapping methods in terms of computational complexity.     

基于BP神经网络的两阶段疾病预测模型

为了理论解决BP神经网络在进行多目标预测中出现的识别率和可信度不高的问题,提出了一种基于DS证据理论优化的BP神经网络预测模型用于疾病预测,实验中,对心脏病数据进行处理,结果表明,在预测准确度和算法鲁棒性方面,都具有较好的效果。     

基于弹性梯度下降算法的BP神经网络降雨径流预报模型

运用反向传播(back propagation, BP)的改进算法弹性梯度下降算法,选择崇阳溪上游流域1997—2014年的14场降雨径流过程,以流域内洋庄、吴边、大安、坑口、岭阳、岚谷6个雨量站的实测降雨量和武夷山水文站的前期流量资料为输入,武夷山水文站相应流量为输出,建立弹性梯度下降算法的BP神经网络降雨径流预报模型,采用7场降雨径流过程对模型进行检验。结果表明,与传统的反向传播算法相比,该模型所需的参数较少,运算速度显著提高,模型的预报精度满足要求,可以为防汛部门预测洪水提供依据。     

基于NN的一类非线性系统模型研究

针对惯导平台系统漂移误差高阶非线性动态系统的特点,利用神经网络任意逼近能力和自适应抽取系统动态信息的能力,提出基于神经网络(NN)的建模.首先建立惯导平台漂移误差模型,然后通过BP算法训练网络模型,系统获得了较为满意的模型辩识结果.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于BP神经网络的教学质量评价模型

采用了BP神经网络的原理用于教学质量评价,建立了教学质量评价模型.构建了神经网络评价模型的结构,通过仿真和实例表明了评价模型的有效性,为全面、公正、科学地评价教学工作提供了一种新方法.     

基于BP神经网络的转炉炼钢终点预报

转炉内的温度极高，对终点温度和碳的含量很难及时、准确地测量，因此建立精确的温度和碳的预报模型十分重要.但转炉炼钢是一个非常复杂的很难用数学方程精确描述的高温冶金反应过程，传统的静态模型控制精度不高，命中率不很理想.为此提出了基于BP神经网络的转炉炼钢终点温度及碳含量的预报模型，以Levenberg Marquardt(LM)算法来训练网络，其算法是梯度法与高斯牛顿法的结合.仿真结果表明，预报精度高于传统的机理模型.     

基于BP神经网络的钱塘江水质指标的预测

为掌握钱塘江水质未来的变化情况以及预防污染事件的发生，建立了一个水质指标预测模型.利用钱塘江某行政交界断面的水质指标实测数据作为学习样本，选取了总磷、总氮、化学需氧量等9项指标作为预测参数，运用Levenberg-Marguardt优化算法对学习样本进行优化，建立了反向传播（BP）神经网络模型，并运用该模型对钱塘江水质指标进行了预测.结果表明，BP神经网络模型的预测精度较高，预测速度快，对大部分水质指标能够得到较好的预测值，相对误差的绝对值小于6％.此BP神经网络能够有效地应用于水质指标的预测和水质趋势的预警预报系统中.     

BP网络的城市时用水量预测组合模型

为建立起城市用水量与其影响因素间的预测模型,以预测的城市用水量趋于合理,针对城市时用水量的特点及影响因素,在考虑充分利用各因素历史观测数据的基础上,利用BP神经网络建立了城市时用水量的时间序列预测与解释性预测组合模型,并对南京市的时用水量进行了预测.预测结果与实际情况具有很好的一致性,预测误差小,能满足供水系统调度的实际需要.可见,本预测组合模型是合理的,为城市时用水量预测提供了一种可行方法.     

基于BP神经网络的工业视觉检查系统研究

研制了一套能在生产线上自动检查产品形状、尺寸及缺陷的工业视觉检查系统．在模式识别阶段采用BP神经网络,并针对BP算法的局限性,给出了一种改进的BP算法．采用有导师学习方式,并选取一种新的误差函数,根据训练过程中的样本情况,动态、系统地调整其参数．实验结果表明,该系统可正确识别工业生产线上的零件,有效地提高生产率和保证产品的质量．     

基于BP神经网络马尔科夫模型的径流量预测

讨论了马尔科夫链状态划分的黄金分割率法和"马氏性"检验法,并针对BP神经网络预测和马尔科夫预测的优缺点,提出了BP神经网络与马尔科夫相耦合的BP神经网络马尔科夫模型,以石泉水库年入库径流量为例,验证了该方法的可行性.     

基于BP神经网络的锅炉控制系统

神经网络的自学习、白适应和并行处理等特性，使得它们在现代控制系统中得到了广泛的应用。在锅炉控制系统中，对温度的控制非常重要，文中结合温度的时变、滞后和非线性的特性，提出了一种基于人工神经网络的控制算法，并经计算机仿真表明，该算法具有响应速度快、精度高和鲁棒性的特点。     

基于BP网络模型的青弋江水质预测研究

以水质因子CODCr为例,构建并训练BP神经网络预测模型,分别从空间和时间上对青弋江芜湖市区段水质进行预测,并用实际监测值检验预测精度.预测结果说明BP网络模型在青弋江水质的预测方面是一种简单有效的方法.     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

基于BP神经网络的阴极射线管显示器标定模型

为了精确标定阴极射线管（CRT）显示器，应用分光光谱辐射计1980B采集计算机控制的CRT显示器色度数据，建立了经过三通道输出整合优化的前馈BP神经网络CRT显示器标定模型.该模型是CRT显示器的红、绿、蓝3个通道的亮度等级值和颜色三刺激值之间的非线性映射.神经网络的预测颜色三刺激值与测量颜色三刺激值之间的决定系数均大于0.999 9，两者之间的CIE色差均值为0.409 7，标准差为0.332 3，远小于最小颜色可觉差.该模型的标定色差显著小于CIE伽马校正标定模型的标定色差（CIE色差均值为4.695 5，标准差为3.533 0）.