基于神经网络模型对复合固体推进剂性能研究

针对推进剂中细高氯酸铵含量及粒度对推进剂力学性能、燃速的影响,分别建立广义回归神经网络(GRNN)与遗传算法反向传播(GABP)神经网络模型。建模所用网络训练数据是推进剂配方中不同粒度的高氯酸铵含量对应的不同温度下测试的推进剂的抗拉强度、断裂伸长率及燃速共8组数据,而用第9组数据的细高氯酸铵的粒度及含量作为模型输入,对不同温度下测试的推进剂的抗拉强度、断裂伸长率及燃速进行预测。结果表明,2种神经网络模型的预测值与实验值均具有较好的吻合性,其最小相对误差分别为0.19%、0.45%。所建模型对配方中细高氯酸铵的级配调整具有指导意义。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

BP神经网络模型在橡胶配方优化中的应用

利用神经网络中的误差逆传播校正算法(BP模型)建立起橡胶配合剂与性能之间的非线性多目标模型，用遗传算法对BP神经网络模型的算法进行了改进，以试验数据为基础进行神经网络的训练，得到可预测橡胶配方性能的BP神经网络模型。以胶粉在全钢子午线轮胎胎侧胶中研究为例，对BP神经网络模型进行了验证。同时，与回归分析方法进行了比较，结果令人满意。     

基于BP神经网络模型的可控降解地膜研究

介绍了农用地膜的光降解技术,阐述了实现地膜可控降解的原理。在此基础上,结合实际应用,采用反向传播(BP)神经网络模型指导可控降解地膜的配方设计,建立了基于光敏剂用量和气候条件关系的BP神经网络预测模型。结果表明:BP网络很快就达到设定的精度要求而收敛,且预测值与真实值之间的平均误差为9.6%,对可控降解地膜配方的设计具有重要的指导意义。     

基于BP神经网络模型优化Fe1-xO基氨合成催化剂

运用BP神经网络建立了助催化剂含量与催化剂活性之间的预测模型,对Fe_1-xO基氨合成催化剂的助催化剂进行优化。首先将前期实验数据整理归纳为含有3、4、5、6和7个助催化剂等5类催化剂,以助催化剂含量(体积分数)为输入变量,以425℃反应器出口氨浓度(活性)为输出变量,对助催化剂进行优化。结果表明,BP神经网络预测模型拟合值均方误差最高为0.2784,预测值均方误差最高为0.1592,构建的BP神经网络模型准确度较高。在该模型的基础上,运用多种群遗传算法进行极值寻优,求解最优的催化剂配方,并进行实验验证。结果表明,根据优化结果制备5个样品的实验测定值与预测值的相对误差最高为2.88%,优化结果较为准确;含有7个助催化剂的催化剂活性最高为18.83%,比原样本的统计平均活性值(17.52%)高1.31%,相对提高7.48%,助催化剂含量优化取得满意的结果。     

遗传算法耦合BP神经网络在注塑成型工艺中的应用

建立了一种遗传算法耦合反向传播(BP)神经网络的非线性计算模型,并将该计算模型用于以塑料收纳盒盖板为对象的注塑成型工艺参数的分析与控制。首先通过Taguchi正交试验法设计了一系列工艺参数数据组合,然后利用Moldflow软件得到相关工艺参数对应的翘曲变形结果,再将数据分别导入BP网络模型及遗传算法优化过的BP网络模型。结果表明:与普通BP神经网络计算模型相比,优化后的计算模型具有更好的稳定性和更高的计算精度,能够更好地应用于注塑成型工艺参数分析与控制。     

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。     

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。     

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。     

采油螺杆泵定子橡胶配方优化设计的遗传神经网络预测

考察了采油螺杆泵(PCP)定子橡胶需要具备的力学性能,并在此基础上,采用遗传神经网络方法,在Matlab软件中编程实现基于遗传算法优化的误差反向传播神经网络算法,建立了PCP定子橡胶配方组分与力学性能之间的优化模型。采用遗传神经网络模型对PCP定子橡胶的力学性能进行预测,并与实测值进行对比。结果表明,PCP定子橡胶配方组分与力学性能之间的优化模型的参数设置为:权值初始化范围为[-1,1],种群大小为50,最大进化代数为100,选择率为0.09,交叉率为0.6,变异率为0.05。当NBR用量为197份、硫黄用量为4份、促进剂CZ用量为1.5份、炭黑用量为20份时,PCP定子橡胶的拉伸强度可达27.5 MPa,扯断伸长率为710%,撕裂强度为158 k N/m。应用遗传神经网络对PCP定子橡胶配方的优化设计取得了较好的效果。PCP定子橡胶的力学性能的实测值与遗传神经网络模型的预测值相对误差控制在±5%以内。     

腐蚀海洋立管剩余强度预测

利用人工神经网络具有的高度非线性映射功能,对在役腐蚀海洋立管的剩余强度进行预测。综合分析了管径、壁厚、腐蚀缺陷长度、腐蚀缺陷深度和管材极限抗拉强度对腐蚀海洋立管剩余强度的影响,建立了反向传播(BP)神经网络预测模型。利用遗传算法(GA)优化BP神经网络的权值和阈值,构建了GA-BP神经网络预测模型。采用DNV-RP-F101标准计算出来的样本数据分别对以上两种网络模型进行训练和预测。预测结果表明:利用人工神经网络对腐蚀海洋立管剩余强度进行预测是可行的,且GA-BP神经网络能够有效地提高网络的收敛性和预测精度。     

不同神经网络在橡胶配方性能预测中的应用研究

选取EPDM配方中的物料的用量作为输入,以硫化胶的基本性能作为输出,通过正交实验取得的16组实验数据作为样本数据,并以其中1~13组数据为训练集,14~16组数据为测试集,建立四种人工神经网络预测模型。通过对比不同模型预测的均方误差、最大误差、最小误差和平均误差来判断神经网络的表现。结果表明:BP神经网络表现最好,对拉伸强度、拉断伸长率和撕裂强度的预测精度都较高,其次是ELMAN和RBF神经网络,对拉断伸长率和撕裂强度有很高的预测精度,而GRNN神经网络容易发生过拟合,不适用于胶料配方性能的预测。     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

基于神经网络-遗传算法优化生物柴油制备工艺

根据生物柴油制备的实验数据,用人工神经网络(ANN)的反向传播(BP)算法建立了生物柴油转化率神经网络预测模型,提出了适宜的人工神经网络拓扑结构,讨论了BP算法中学习速率、动量系数及过拟合现象对网络的影响。实验数据检验表明,ANN方法能准确地关联生物柴油制备工艺条件与转化率的关系,转化率预测平均相对误差为1.917%,复相关系数R为0.9996;该神经网络预测模型用遗传算法优化,得到了最佳生物柴油制备条件。     

基于BP神经网络的油气长输管道土壤腐蚀性预测

基于BP神经网络原理,综合考虑六类土壤腐蚀指标(土壤电阻率、土壤含水量、氧化还原电位、氯离子含量、硫酸根离子含量和p H值),建立了一种土壤腐蚀速率的预测方法。基于这种方法,依据某油田的现场土壤数据,借助MATLAB神经网络工具箱建立了这一地区的土壤腐蚀性预测的BP神经网络模型。训练和预测结果表明:训练的腐蚀速率最大误差为-1.5%,预测的腐蚀速率最大误差为8%。由此可见,基于BP神经网络的土壤腐蚀性预测方法具有较好的预测精度,对油气管道的安全运行具有重要的意义。     

用BP神经网络模型预测纳米二氧化钛光催化降解硝基甲苯类废水

基于光催化降解硝基甲苯类废水的实验数据,采用反向传播(BP)神经网络训练并建立了硝基甲苯类废水处理过程的神经网络模型.用训练好的神经网络模型模拟光催化降解硝基甲苯废水过程,模型硝基甲苯浓度的模拟输出与实验数据的相关度为0.998.用神经网络模型对此光催化降解硝基甲苯废水过程进行预测,得到硝基甲苯浓度的预测数据与实验数据...     

煤矸石-水泥颗粒群匹配与性能关系的人工神经元网络

建立煤矸石水泥胶砂强度与影响煤矸石水泥胶砂强度的主要因素(如：水泥细度、煤矸石细度以及煤矸石与水泥的细度匹配)间的量化预测模型。采用以反向传播学习算法．即神经网络算法(back propagation arithmetic．BP)调整网络中各权值,对煤矸石-水泥体系的胶砂强度与其影响因子建立了BP神经网络模型。用另一套非建模数据进行检验。结果表明：预测值与实测值比较接近,相对误差不超过2%。这说明BP神经网络模型在本研究系统的建立足成功的,它从一些杂乱无章的数据中找出了隐含其中的规律,较好地反映了煤矸石-水泥颗粒群特征参数与其胶砂强度的非线性函数映射,为有效激发煤矸石水泥强度提供了颗粒群匹配的方法。     

响应曲面法优化植物复配胶软胶囊囊皮配方

以羧甲基淀粉-海藻酸钠-卡拉胶作为胶液的主要成分,探索成分的不同配比对软胶囊囊皮的透光率,抗拉强度,断裂伸长率等性能指标的影响,确定软胶囊囊皮的最佳配方。在单因素实验的基础上,通过响应曲面法对软胶囊囊皮的配方进行优化,并得到了最佳制备工艺:羧甲基淀粉钠含量1. 517%,卡拉胶含量2. 75%,甘油含量3. 238%,钾离子含量0. 2%,此时的拉伸强度,断裂伸长率,透光率分别为(14. 463±1. 4107 MPa),(64. 271%±2. 5434%),(86. 500%±0. 8762%)。     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法 (GA)和模糊神经网络控制器的结构进行了说明。为了克服反向传播算法 (BP)的缺点 ,通过遗传算法对模糊神经网络控制器的参数进行优化 ,亦即对模糊神经网络进行训练。用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象 ,仿真结果证实了其性能较常规模糊控制器优越。