基于深度学习的轮胎花纹噪声预报方法研究

在进行大量不同花纹轮胎通过噪声试验基础上,利用图像识别和深度学习方法建立了轮胎花纹几何结构与轮胎通过噪声试验结果之间的数学模型,并采用该模型对新设计的轮胎花纹进行通过噪声预测。结果表明:以1 dB声压级为预测精度时,模型预测准确度达到83%;利用花纹图像识别和深度学习理论所建立的轮胎噪声预报数学模型方便可靠,而且随着试验数据的不断积累和算法的改进,基于该方法的预报模型精度会进一步提高。     

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。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

基于BP神经网络方法的热管中冷器热工性能分析

基于BP神经网络建立了热管中冷器的传热性能和阻力性能预测模型,采用基于Levenberg Marquardt的trainlm训练算法,对热管中冷器的传热性能和阻力性能进行了预测,经试验数据的验证,预测值与试验值吻合较好,传热性能网络预测最大相对误差为8.0%,平均相对误差为3.5%,阻力性能网络预测最大相对误差为13....     

基于不同神经网络模型的橡胶减振器性能预测的应用研究

利用BP和GRNN神经网络建立胶料性能和减振器性能之间的预测模型,并对预测结果的误差进行对比分析。结果表明,利用BP神经网络建立的预测模型预测平均相对误差在16%以内,利用GRNN神经网络建立的预测模型预测平均相对误差在5%以内,说明使用GRNN神经网络进行减振器性能预测精度更高、效果更好。     

用BP神经网络模型预测密炼机主要性能参数

以转子转速、填充因数、压砣压力和冷却水温度作为输入参数，用BP神经网络模型预测密炼机消耗的最大功率、单位能耗、混炼时间、生产能力和排胶温度等性能参数。实验值与预测值比较表明，BP神经网络模型预测精度能满足定量计算的要求，为分析密炼机复杂的混炼过程提供了一条新途径。     

采用不同模型预测低碳Fe–Ni合金等离子熔覆层的冲击韧性

采用等离子熔覆法在Mn13高锰钢上制备了低碳Fe-Ni合金层。以熔覆电流、喷头移动速率、离子气流量和热处理温度作为输入参数,以冲击韧性作为输出参数,建立了BP(误差反向传播)神经网络模型和粒子群算法优化(PSO)BP神经网络模型,并跟冲击韧性与热处理温度之间的线性回归模型进行对比。结果表明,线性回归模型、BP神经网络模型和PSO-BP模型的平均相对误差分别为7.06%、6.12%和3.03%。PSO-BP模型的预测结果与实测值的误差较小。     

基于PSO-BP神经网络的轮胎负荷测量方法

研究基于粒子群优化（PSO）算法-BP神经网络的轮胎负荷测量方法。将采集的轮胎状态信息与提取到的加速度特征输入到BP神经网络,对轮胎负荷进行回归预测,使用PSO算法优化BP神经网络的权值与阈值,得到轮胎状态信息与轮胎负荷的关系。结果表明,采用PSO-BP神经网络预测轮胎负荷误差为1.865 6 %,PSO-BP神经网络预测精度较高,在转变工况条件下,预测误差为2.496%。     

矿粉-水泥粒径分布与性能关系的人工神经元网络

依据BP神经网络算法对矿粉-水泥体系的胶砂活性指数与其影响因子建立了BP神经网络模型。用非建模数据进行检验,结果预测值与实测值比较接近(相对误差不超过2％)。这说明BP神经网络模型较好地反映了矿渣-水泥颗粒群特征参数与其活性指数的非线性函数映射。     

偏高岭土高性能混凝土抗压强度预测研究

以水胶比、用水量、砂率、水泥强度、水泥用量以及偏高岭土、矿粉和粉煤灰用量为输入向量,采用SPSS回归方程分析和基于Levenberg-Marquart算法的BP神经元网络预测模型对偏高岭土高性能混凝土的抗压强度进行了预测研究,并与试验值进行了对比.结果表明:与SPSS回归方程分析预测结果相比,BP神经元网络预测值与实测值线性拟合度高,拟合值为0.997,两者之比的平均值和标准差分别为0.999和0.010,网络预测最大相对误差不超过2.1%,模型预测精度高,结果可靠,为偏高岭土高性能混凝土的抗压强度预测提供了指导依据.