Cu-Cr-Sn-Zn合金时效工艺人工神经网络建模

利用神经网络对Cu-Cr-Sn-Zn合金时效温度和时间与硬度和导电率样本集进行学习,建立了时效强化工艺BP神经网络模型.结果表明该BP神经网络具有良好的泛化能力,可以充分挖掘样本蕴含的领域知识,对材料性能进行有效预测和分析.     

基于人工神经网络的7055铝合金二次时效性能预测

利用人工神经网络对7055铝合金二次时效热处理工艺参数与时效性能样本集进行训练和学习,采用改进的BP网络算法Levenberg-Marquardt算法,建立7055铝合金二次时效热处理工艺BP神经网络模型。针对二次时效工艺特点,研究的工艺参数包括:预时效温度、预时效时间、二次时效温度和二次时效时间。结果表明:神经网络预测值与实验值吻合较好,说明神经网络模型具有较高的精度及良好的泛化能力,可有效地用于预测和分析二次时效工艺参数对7055铝合金时效性能的影响。     

基于神经网络的Cu-Ni-Si-Cr合金时效性能预测研究

利用人工神经网络对Cu-Ni-Si-Cr变形合金时效工艺参数与时效后性能样本集进行学习,建立了合金时效后的性能关于时效温度、时间和变形量等参数的非线性映射模型。模型采用改进的BP算法kvenberg-Marquardt算法。结果表明：所建立的神经网络模型具有较高的精度及良好的泛化能力,可对Cu-Ni-Si-Cr合金时效后的性能进行有效的预测和分析。     

基于人工神经网络的铜合金时效性能预测建模

通过应用人工神经网络技术，用获得的时效实验数据进行训练，建立Cu-0．30 Cr-0．15Zr合金硬度和导电性与时效时间和时效温度的映射模型，从而可预测铜合金在一定时效条件下的硬度和导电性。该神经网络算法采用BP算法，网络结构采用2-3-30-2形式。结果表明，神经网络用于铜合金的时效性能预测是可行的。     

利用神经网络建立快速凝固Cu-Cr-Zr合金时效知识库

根据人工神经网络(ANN)的BP(back propagation)算法，建立了快速凝固Cu-Cr-Zr铜合金时效温度和时间与硬度和导电率的神经网络映射模型。预测值与实际情况吻合良好，硬度和导电率最大误差分别为4．1％和1．9％。通过对样本集的学习，建立了快速凝固时效工艺知识库，对预测和控制该工艺性能非常有益。     

基于人工神经网络的铜合金形变热处理工艺和性能

利用神经网络对Cu-Cr-Zr合金变形量、时效温度和时间与硬度和电导率样本集进行训练和学习，采用改进的BP网络算法-Levenberg—Marquardt算法，建立了形变热处理工艺BP神经网络模型，得出了具有较高综合性能的最佳工艺参数：在80％变形量，450-480℃，2～5h形变热处理条件下，硬度和电导率分别可达HV150～157和74％～77％(IACS)。     

基于人工神经网络的焊缝熔敷金属力学性能预测

基于神经网络预测技术提出了一种新思路。本文利用前向神经网络，使用BP算法对熔融金属的抗拉强度、屈服强度等力学性能指标进行研究。通过对实验数据样本进行训练，建立熔敷金属的抗拉强度、屈服强度与焊缝熔敷金属成分之间的隐性函数，用此神经网络，即可预测熔敷金属的抗拉强度和屈服强度。     

基于RBF神经网络的高强高导铜合金热处理制度模型

在金属材料的热处理过程中,不同的热处理工艺参数会对材料的性能产生影响,然而热处理工艺参数的选择具有很强的经验性;对于高强高导铜合金,热处理工艺参数对其性能的影响更为显著。针对这一问题,采用改进的广义径向基函数(RBF)神经网络算法,对Cu-0.23Cr-0.2Zr-0.1V合金在热处理过程中固溶温度、固溶时间、时效温度和时效时间4组工艺参数下的合金电导率样本集进行训练、学习,建立了Cu-0.23Cr-0.2Zr-0.1V合金经时效处理后的电导率与固溶温度、固溶时间、时效温度和时效时间的映射模型。结果表明：采取广义RBF神经网络建立模型进行铜合金的时效性能预测是可行的,与传统的反向传播(BP)神经网络相比,广义RBF神经网络具有更高的输出精度和更好的泛化能力。     

基于神经网络的Al-Cu-Mg-Ag合金蠕变速率预测

基于BP型神经网络理论和算法,研究了Al-Cu-Mg-Ag合金在高温欠时效态的蠕变速率,建立了影响蠕变速率参数与蠕变速率预测的神经网络模型.结果表明,预测结果能很好地与实验结果相对应,采用BP型神经网络模型是可靠的,为解决预测合金材料蠕变速率问题提供了一种先进、合理的方法.     

基于BP神经网络的镁合金焊缝成形预测

为了研究镁合金的焊缝成形效果,搭建了焊接试验平台和数据采集系统,通过试验采集焊缝的数据样本,作为BP神经网络的学习训练和预测样本。建立了基于BP神经网络的镁合金焊缝成形预测模型,利用神经网络的映射能力和分析能力,采用焊接过程的焊接电流、焊接电压、焊接速度、焊丝干伸长作为预测输入,把焊缝成形中的焊缝熔深、熔宽、余高作为信息输出对神经网络进行训练,从而建立基于BP神经网络的焊接参数和焊缝成形的映射模型,通过BP神经网络的预测试验,预测值与实际值的误差能够控制在5%以内,可以满足设计要求。     

Simulation of aging process of lead frame copper alloy by an artificial neural network

1　INTRODUCTIONThefunctionsofleadframeinelectronicpackingareprovidingchannelsforelectronicsignalsbetweendevicesandcircuits ,andfixingdevicesoncircuitboards.Leadframealloysarerequiredtohavehighstrengthandgoodformabilityaswellashighelectri calandthermalconductivity .Cu basealloysarethemostpopularleadframealloysandareusedinplasticpackagingapplicationduetotheirhighthermalandelectricalconductivityaswellashighstrength[13] .Theaginghardening processinfabricationofleadframecopperalloymakesitpossi…     

Establishing the knowledge repository of rapidly solidified aging Cu-Cr-Zr alloy on the artificial neural-network

The non-linear relationship between parameters of rapidly solidified aging processes and mechancal and electrical properties of Cu-Cr-Zr alloy is available by using a supervised artificial neural network (ANN). A knowledge repository of rapidly solidified aging processes is established via sufficient data learning by the network. The predicted values of the neural network are in accordance with the tested data. So an effective measure for foreseeing and controlling the properties of the processing is provided.     

人工神经网络在钛合金领域的应用

概括了人工神经网络的学习机理以及运用较多的BP神经网络模型的BP算法原理,进一步综述了人工神经网络在钛合金材料高温变形行为研究、力学性能预测和相变规律等方面的应用情况。认为将人工神经网络技术应用于钛合金材料领域中,可以明显地提高工艺设计效率,缩短实验周期,对钛合金材料的研究具有很高的应用价值和深远的指导意义。     

基于BP神经网络的细晶Ti_2AlNb基合金粉末球磨工艺研究

应用BP神经网络算法分析并预测了高能行星式球磨过程中工艺参数和球磨后Ti_2AlNb基合金粉末的形貌特征之间的关系,建立了粉末参数预测模型。BP网络模型的输入参数为球磨转速,球磨时间,球料比;输出参数为球磨后Ti_2AlNb基合金粉末的晶粒尺寸。BP网络模型中间隐含层节点数为9,输入、输出函数分别为tansig、purelin。通过检验样本验证了所建立神经网络模型的准确性。结果表明:该模型在容错性和通用性等方面优点突出,可用于预测球磨法制备细晶Ti_2AlNb基合金粉末的晶粒尺寸,还可以弥补各种球磨过程物理模型应用与表述方面的不足,对于实际的粉末冶金工艺研究具有积极的应用价值和指导意义。     

基于人工神经网络模型的铝合金大气腐蚀的预测

用BP神经网络预测了铝合金大气腐蚀,研究了网络的训练精度和预测精度的关系,建立7-5-1的模型结构,模型相关系数为0.8821,预测结果比较理想.利用单一因素敏感性分析,计算了合金元素和环境因素对于铝合金大气腐蚀速率的影响.     

EFFECT OF COLD WORKING ON THE AGING PROPERTIES OF Cu-Cr-Zr-Mg ALLOY BY ARTIFICIAL NEURAL NETWORK

A developmental research has been carried out to deal with the high performance of Cu-Cr-Zr-Mg lead frame alloy by artificial neural network (ANN). Using the cold working to assist in the aging hardening can improve the the hardness and electrical conductivity properties of Cu-Cr-Zr-Mg lead frame alloy. This paper studies the effect of different extent of cold working on the aging properties by a supervised ANN to model the non-linear relationship between processing parameters and the properties. The back-propagation (BP) training algorithm is improved by Levenberg-Marquardt algorithm. A basic repository on the domain knowledge of cold worked aging processes is established via sufficient data mining by the network. The predicted values of the ANN coincide well with the tested data.So an important foundation has been laid for prediction and optimum controlling the rolling and aging properties of Cu-Cr-Zr-Mg alloy.     

Modeling of mechanical properties of as-cast Mg-Li-Al alloys based on PSO-BP algorithm

Artificial neural networks have been widely used to predict the mechanical properties of alloys in material research.This study aims to investigate the implicit relationship between the compositions an...     

基于人工神经网络的A357合金力学性能预测(英文)

A357铝合金零件一般都需要经过热处理(T6状态)以获得优异的力学性能。这类零件的性能取决于固溶温度、固溶时间、人工时效温度及人工时效时间。在本研究中,建立了基于反向传播(BP)算法的人工神经网络(ANN)模型,对A357合金的力学性能进行预测,研究了热处理工艺对该合金性能的影响。结果表明,所建立的BP模型能够对A357合金的力学性能进行有效且精度高的预测。良好的神经网络预测能力能够直观地反映A357合金的热处理工艺参数对其力学性能的影响。绘制抗拉强度和伸长率的等值线图形有助于清晰地找到抗拉强度和伸长率之间的关系,可为实际生产中热处理工艺参数的选择提供技术支持。     

Optimization of LPDC Process Parameters Using the Combination of Artificial Neural Network and Genetic Algorithm Method

In this article, the low-pressure die-cast (LPDC) process parameters of aluminum alloy thin-walled component with permanent mold are optimized using a combining artificial neural network and genetic algorithm (ANN/GA) method. In this method, an ANN model combining learning vector quantization (LVQ) and back-propagation (BP) algorithm is proposed to map the complex relationship between process conditions and quality indexes of LPDC. The genetic algorithm is employed to optimize the process parameters with the fitness function based on the trained ANN model. Then, by applying the optimized parameters, a thin-walled component with 300 mm in length, 100 mm in width, and 1.5 mm in thickness is successfully prepared and no obvious defects such as shrinkage, gas porosity, distortion, and crack were found in the component. The results indicate that the combining ANN/GA method is an effective tool for the process optimization of LPDC, and they also provide valuable reference on choosing the right process parameters for LPDC thin-walled aluminum alloy casting.