基于人工神经网络的高聚物流变性能预测系统

针对影响高聚物流变性能因素的复杂性,利用VB与MATLAB混合编程将人工神经网络技术移植于应用软件,实现人工神经网络技术的各项功能,通过对采集的样本数据进行网络训练,开发了高聚物流变性能参数预测系统。经验证,系统可将预测精度误差,控制在5％以内。     

基于人工神经网络的HDPE流变性能预测与研究

针对影响高密度聚乙烯(HDPE)流变性能各因素之间的非线性关系建立了一个优化后的BP网络,然后通过实验取得样本数据,进而对网络进行训练,用训练合格后的人工神经网络对高密度聚乙烯在不同温度或不同剪切速率下的剪切应力进行预测,并绘制出预测的流动、流变曲线,最后对预测和实际测得的流动、流变曲线进行了比较分析。     

用塑性绘迹仪研究国产高密度聚乙烯熔体流变性能

<正> 塑料的成型加工大都在熔融状态下进行的,如何控制熔体流动与形变的关系,将是塑料成型加工成败的关键。因而人们极为重视熔体的流变性能,需要各种流变参数。近些年来,在国内采用毛细管式流变仪对一些高聚物的流变性能进行了有成效的实验研究[2],采用转矩式流变仪进行研究也有所报导。     

聚丙烯树脂流变性能

用聚丙烯树脂进行的流变实验表明,聚丙烯和绝大多数高聚物一样属于非牛顿流体中的假塑性流体,其非牛顿指数 n<1。聚丙烯树脂对剪切和温度均很敏感。实验结果对聚丙烯加工工艺有一定指导意义。     

在挤出机上用狭缝口模测试高聚物流变性能的研究

与一般常用的流变仪相比,在挤出机上用狭缝或毛细管口模测试高聚物的流变性能有很多优点,例如可同时适合于测定材料的粘性和弹性、测试装置简单,并且测试过程与实际生产过程比较一致。本文作者自行设计加工了几套狭缝毛细管和流变口模,以LDPE为原料,在不同螺杆转速下用狭缝口模初步进行了流变性能测试,实验证明这种方法简单、可行,适合于在实际生产控制中应用。     

人工神经网络预测镁基储氢合金电极的循环放电性能

利用人工神经网络(ANN)预测了镁基储氢合金电极的循环放电性能.以合金电极1～5次的循环放电容量作为网络输入来预测后续的循环放电容量.采用LM算法,用Mg0.8Ti0.1M0.1Ni(M=Al,Cr,Cu,Fe,Si,V,Zn,Zr,B,Mn)合金电极的循环放电实验数据对网络进行训练.结果表明,建立的网络模型能准确预测合金电极的6～20次的循环放电容量.采用循环寿命为45～80次的Mg0.9-xTi0.1PdxNi(x=0.04,0.06,0.08,0.1)合金电极的实验数据对网络的泛化性能进行测试,测试结果和实验结果基本一致.表明所建立的人工神经网络模型具有较好的泛化性能,能够准确预测镁基储氢合金电极的循环放电性能.     

双组分熔体流变性能的研究

<正> 许多科学工作者对单一组分高聚物熔体流变性能开展了大量的科学实验。然而,两种不相容的高聚物熔体在毛细管里流动会有那些特征?至今国内尚未见报道,国外学者所进行的研究工作也还不多。近年来,在我     

管壳式换热器ANN静态预测最优结构分析

采用人工神经网络技术(ANN)对连续螺旋折流板换热器的沿程压降进行了辨识及预测,开发了4-3-1型人工神经网络结构及计算程序,人工神经网络的预测结果与实验数据良好.通过固定网络结构,讨论了训练与预测样本比例对网络性能的影响;在网络结构及训练与预测样本比例不变的情况下,讨论隐含层节点对网络性能的影响,对人工神经网络进行了优化计算和分析.计算结果表明:随着学习样本数据的增多,预测精度变高,但是同时由于预测样本变少,神经网络模型的泛化能力变弱;ANN选取的隐含层节点数不能过多,否则会导致训练过度,节点数也不能太少,否则精度会降低.     

浅谈PVC物料的流变特征

通过分析PVC高聚物的流变性能,讨论了PVC物料在挤出机中和转矩流变仪中的流变特征,阐述了两种流变特征的相互关系及应用。     

基于人工神经网络的充填浮选柱捕集区气含率特性研究

论述了用人工神经网络的方法对影响充填浮选柱捕集区气含率工艺参数(捕集区高径比、气体加入量和起泡剂用量)进行模拟、训练和预测的过程.结合实验结果讨论了各个影响因素对气含率的作用规律,并用基于实验数据建立的人工神经网络对气含率进行预测分析.所建立的神经网络模型的输出值与实验测量值误差在±5％以内,显示神经网络方法预测分析气含率具有较高的适用性,为充填浮选柱的放大研究提供可行的方法.     

BP神经网络在橡胶配方优化设计中的应用

在实验数据的基础上,利用BP神经网络建立了表示NBR胶料配方成分与硫化胶硬度、300%定伸应力、伸长率对应关系的数学模型,并用该数学模型对不同配方硫化胶的硬度、300%定伸应力、伸长率进行了预测。预测结果与试验值的偏差小。结果表明,所建立的数学模型可靠,训练好的BP神经网络能够比较准确地预测硫化胶的有关性能,BP神经网络方法的精度较高。     

ANN方法分析预测聚丙烯材料的力学性能

利用Ｂ－Ｐ人工神经网络（ＡＪＮＮ）对聚丙烯（ＰＰ）的力学性能进行了分析和预测。首先将ＰＰ材料接纯ＰＰ、共混和增韧及填充和增强ＰＰ等进行分类,并根据这些数据的特点建立Ｂ－Ｐ网络,然后用各类ＰＰ材料的组成和力学性能数据对网络进行学习训练,最后用“未知样品”的数据对网络进行验证。结果表明,所建立的网络能反映ＰＰ的力学性能特性,预测有一定的准确性,但不同类别的材料预测准确性不同。     

神经网络在橡胶配方设计中的应用

在实验数据的基础上，利用人工神经网络建立了表示NR胶料配方成分与硫化胶物理性能对应关系的数学模型，并用该数学模型对不同配方硫化胶的物理性能进行了预测，预测结果与实验数值相符，利用这种方法还可定量分析相同硫化胶物理性能条件下各配方成分间的相互作用。     

人工神经网络在材料科学领域的应用

在分析神经网络基本理论的基础上,通过列举神经网络在高分子、金属、合金等材料研究中的应用,分析讨论了其在材料领域中的研究进展情况和存在的问题,展望了人工神经网络在该领域中的发展前景.     

Prediction of the functional properties of ceramic materials from composition using artificial neural networks

We describe the development of artificial neural networks (ANN) for the prediction of the properties of ceramic materials. The ceramics studied here include polycrystalline, inorganic, non-metallic materials and are investigated on the basis of their dielectric and ionic properties. Dielectric materials are of interest in telecommunication applications, where they are used in tuning and filtering equipment. Ionic and mixed conductors are the subjects of a concerted effort in the search for new materials that can be incorporated into efficient, clean electrochemical devices of interest in energy production and greenhouse gas reduction applications. Multi-layer perceptron ANNs are trained using the back-propagation algorithm and utilise data obtained from the literature to learn composition–property relationships between the inputs and outputs of the system. The trained networks use compositional information to predict the relative permittivity and oxygen diffusion properties of ceramic materials. The results show that ANNs are able to produce accurate predictions of the properties of these ceramic materials, which can be used to develop materials suitable for use in telecommunication and energy production applications.     

人工神经网络在混凝土强度预测中的应用

人工神经网络技术综合考虑了高强度、高性能混凝土强度的各种影响因素,可用于预测混凝土强度。本文选取混凝土配料中7个因素作为输入值,混凝土28d强度作为输出值,建立起混凝土强度预测BP网络模型,进而对混凝土配合比强度实验数据进行分析预测,结果效果良好。表明该方法用于高性能混凝土强度预测方面是可行的。     

The effect of molecular weight and weight distribution upon polymer melt rheology

A major objective in polymer rheology is to predict a fluid's response to a general deformation from molecular information. A method has been developed which allows one to predict the viscoelastic properties of polymer melts from a limited amount of rheological and molecular data for the polymer. The input parameters are: (a) zero-shear viscosity; (b) molecular weight distribution; (c) temperature and density; and (d) constants relating Graessley's relaxation time to the Rouse relaxation time. The technique then “simulates” a discrete relaxation spectrum using G′ and G″ data from the Rouse theory and finally requires that a continuum model of polymer viscoelasticity be fit to shear viscosity data predicted by Graessley's theory. Examples of the utility of the procedure are given to illustrate the role of molecular weight and weight distribution in determining rheological behavior.