基于神经网络的前混合磨料射流切割深度的研究

前混合磨料射流理论的不完善性及切割深度与影响因素间存在复杂的非线性关系，难以用传统的数学方法建立切割深度模型。在实验室试验数据的基础上，应用神经网络方法建立了切割深度的预测模型，模型训练平均误差达到0.01。应用结果表明，方法可行，模型可靠，相对误差小于7.47%，具有较大的实用价值。扩大了神经网络方法的应用范围，探索出了建立切割深度模型的有效途径，进一步充实了前混合磨料射流基础理论。     

不同切割压力下后混合磨料射流切割深度和速度关系的实验研究

通过对后混合磨料射流产生过程的动力和能量分析,以及磨料水射流切割过程的能量转化分析。得出了后混合磨料射流切割过程中切割深度和速度的乘积与切割压力的关系。并通过对304不锈钢的切割实验验证了上述理论。同时通过实验确定了后混合磨料射流切割304不锈钢时切割深度和速度与切割压力的关系的定量关系,建立了切割压力、切割速度和切割深度的关系模型。     

磨料射流切割结构陶瓷材料的研究

基于材料冲蚀磨损原理探讨了磨料射流切割结构陶瓷材料机理 ,提出了磨粒单次加载、循环加载及高压水辅助作用下裂纹的萌生、扩展和交汇使陶瓷材料破坏剥落的观点。应用自制的前混合磨料射流切割装置对Al2 O3 结构陶瓷材料进行了单因素切割试验 ,获得了切割性能曲线。     

前混合磨料射流水下切割混凝土的试验研究

试验制备了混凝土试件,利用前混合磨料射流切割装置,试验研究了影响前混合磨料射流水下切割诸参数（压力、靶距、磨料浓度和横移速度）与切割深度的关系。试验结果表明：前混合磨料射流水下切割混凝土与水下切割钢板规律基本一致。     

前混合磨料射流切割的几个问题探讨

从磨料射流切割模型出发，通过实验探讨了前混合磨料射流切割钢板时射流参数（驱动压力、磨料浓度、横移速度和靶距）对切割深度和切割比能耗的影响，指出了现行系统存在的不足和今后应重点解决的问题。     

前混合磨料射流切割混凝土的试验研究

叙述了试验装置及为该实验专门制备的混凝土试件等情况，介绍了利用前混合磨料射流切割装置试验研究前混合磨射流切割诸参数（压力、靶距、磨料浓度和横移速度）与切割深度的关系。     

前混合原理用于井下便携式水射流切割机设计中的特点分析

通过对前混合和后混合磨料射流能量传递过程和切割过程的分析,得出了前混合和后混合磨料射流切割能力的数学关系。通过前混合和后混合磨料射流切割的实验验证了其方程结果。得出了在相同输入条件下前混合磨料射流的切割能力是后混合的10倍以上的结果。     

磨料水射流表面波模型

对磨料水射流切割过程的特征进行了描述 ,并对射流切割形成的表面波纹建立了模型 ,该模型建立了表面波纹度Ry 与射流切割深度h间的关系 ,同时 ,模型建立过程中还考虑到了切割宽度变化对表面波纹的影响 ,从而进一步增强了模型的准确性 ,该模型为进行切口质量分析提供了条件。     

前混合磨料射流切割汉白玉的试验研究

本文简要介绍了前混合式房料射流试验系统及纯水射流和磨料射流切割过程的对比，并由切割汉白玉的一系列试验中得出一些主要结论和切割深度与工作参数之间的关系。试验表明，前混合磨料射流具有明显的优越性。当泵压为３８ＭＰａ，横移速度为１５０ｍｍ／ｍｉｎ时，对汉白玉可完成１２０ｍｍ厚的切深。     

磨料水射流切割深度的神经网络模型

在磨料水射流切割混凝土实验基础上,应用BP人工神经网络理论,建立了基于射流压力、靶距、磨料粒径、磨料流量、磨料喷嘴直径、磨料喷嘴长度及横移速度等射流参数的磨料水射流切割深度模型,通过模型预测结果与实验结果的比较,验证模型具有一定的精度,为实际的运用和进一步研究提供了参考。     

基于灰色神经网络预测青东矿10煤层底板破坏深度

传统的预测底板破坏深度方法主要有力学及数理统计、定性比较分析等,然而这些方法的预测值往往达不到预期的效果或与实际值差距较大。通过对比检验样本的预测误差可得出基于灰色理论的神经网络预测模型的精度高于BP神经网络的预测结果。故此次选用灰色理论与神经网络相结合的方法建立模型预测青东矿104采区10煤底板破坏深度,预测结果为16.86m。     

BP神经网络在射流冲击压力预测中的应用

紊流射流冲击压力的影响因素很多,且存在着复杂的非线性关系,因此难以用传统的数学方法建立冲击压力的理论模型。基于BP神经网络理论,结合射流冲击压力的实验结果,建立了冲击压力的神经网络预测模型。经验证,对于给定的泵压、围压、喷距和径向距离等输入量,该模型能够准确地预测水射流的冲击压力。     

基于模糊神经网络卡车路段行程时间实时动态预测

提出了一种基于模糊神经网络卡车路段行程时间实时预测模型，阐述了自适应神经网络模糊系统(Adaptive Network-based Fuzzy Inference System, ANFIS)网络原理和方法对行程时间预测的可行性和可靠性，采用最小二乘法和误差反传算法结合的混合学习算法，减少了搜索空间的维数，而采用的减法聚类方法减少了模糊推理规则.混合学习算法和减法聚类方法的应用提高了网络参数的辨识和收敛速度.实例仿真论证了该模型预测速度更快、准确性更高，实时性好，获得了比单纯使用神经网络或模糊理论更精确的预测结果.     

矿块品位计算的神经网络方法

针对露天生产矿山分层矿块品位的计算，运用误差反向传播算法的人工神经网络方法建立了矿块品位计算的B—P神经网络模型，应用该模型对某露天矿1080m水平的矿块品位进行了计算，结果表明B—P网络模型用于矿块品位计算具有客观性和实用性。     

基于BP神经网络的底板破坏深度预测

在总结采场底板破坏深度预测方法和理论的基础上,结合大量实际资料分析,归纳出开采深度、煤层倾角、开采厚度、工作面长度、底板抗破坏能力和有无切穿型断层或破碎带6个方面是影响底板破坏深度的主要因素.根据全国典型突水案例,构建基于BP神经网络的底板破坏深度的预测模型,确定建立BP神经网络所需的输入样本和检验样本,运用Matlab软件对网络进行训练,得出了优化的网络模型,并根据建立的网络模型预测肥城煤田曹庄井田8812和9604工作面的底板破坏深度.通过与实测结果对比,证明该网络模型的计算结果比相关规程提供的底板破坏深度经验公式计算的结果更接近实际.     

数控切削加工表面粗糙度RBF神经网络预测模型

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.