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。     

人工神经网络在橡胶工业中的应用进展

简要介绍了人工神经网络的原理、特点、结构、发展历史及现状,着重总结了该方法在橡胶工业的机械设计、性能预测、配方优化等方面的应用情况,指出了前人研究成果的创新之处及现阶段存在的问题,并对人工神经网络在橡胶工业领域的发展趋势做了预测。     

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炸药性能研究

为了解人工神经网络方法在炸药性能预测的应用及发展,分析总结了BP神经网络在炸药性能预测方面的应用。选取合适的参考量作为输入,建立BP网络学习样本、训练样本,构建网络,训练并优化网络,调整隐含层节点数和迭代次数,使得预测误差处于可接受范围。通过对炸药的装药密度、爆热、爆速以及撞击感度等性能的研究,认为人工神经网络会对炸药更多的性能进行精确的预测,有重要参考价值。     

橡胶配方与性能预测智能系统的研制

以BP神经网络和大量橡胶性能实验数据为基础,利用MATLAB专用软件编程,进行学习、训练和模拟,确定橡胶配方和性能的对应关系．从而实现了橡胶性能和配方的理论预测。采用VB编程手段。利用其界面与控制功能。实施了界面、数据库储存、导入、导出、MATLAB软件预测的交互操作,设计了橡胶配方与性能预测智能系统。该系统界面友好,功能较强。操作简便。     

人工神经网络在玻璃纤维弹性模量预测中的应用

传统玻璃成分设计方法不仅计算繁琐、工作量大,效率低,而且精度较低,生产者迫切希望能改进玻璃成分设计方法.计算机辅助建模大大缩短了新材料、新工艺和新设计从实验室转移到生产现场所需的时间,为玻璃成分设计提供了强有力的技术支持.人工神经网络是用工程技术手段模拟生物神经网络结构特征的一类人工系统.它具有很强的自学习能力,能够从已有的实验数据中获取有关材料的组分、工艺和性能之间的规律,并达到预测的目的.本文主要研究了人工神经网络在玻璃成分设计中,尤其是在预测玻璃性能方面的应用.     

基于极限学习机的橡胶配方性能预测

以三元乙丙橡胶(EPDM)胶料配方和天然橡胶(NR)胶料配方为例,将配方中各组分的用量作为输入,硫化橡胶的基本物理机械性能作为输出,建立了基于极限学习机(ELM,extreme learning machine)神经网络的配方性能预测模型,并给出两种配方的预测结果和相对误差。结果表明,ELM神经网络模型能够准确预测出EPDM配方和NR配方硫化橡胶的基本物理机械性能,且平均相对误差在7%以内,具有较高的预测精度。     

环氧树脂灌封胶的性能预测及配方优化

支持向量机(SVM)是一种新型的机器学习方法,以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将SVM应用于双组分环氧树脂灌封胶的研制。通过对双组分环氧树脂灌封胶配方的学习,建立SVM推理模型,并结合穷举法对配方进行优化,结果表明所建SVM推理模型具有一定的预测能力,展示了其优越性和推广前景,可应用于胶粘剂配方的研制,对配方优化起到一定的指导作用。     

基于BP神经网络算法的橡胶配方性能预测软件

利用Matlab神经网络工具箱、图形用户界面环境以及BP神经网络开发出橡胶配方性能预测软件。该软件具有友好的图形用户界面,便于输入参数及查看分析结果,并编译成可脱离Matlab环境运行的应用程序。该软件具备新神经网络的训练和保存功能,可在使用中不断升级完善。通过实例对软件的预测结果进行验证,证实了预测结果的准确性。该软件有很强的可移植性,使用方便,具有很好的工程应用价值。     

人工神经网络在GMT材料设计中的应用研究

本文在试验数据的基础上,利用人工神经网络建立了湿法成型GMT材料中纤维含量及助剂用量与其力学性能对应关系的模型,得出了具有较高力学性能的材料组分数据,提高了试验工作效率.     

PTC材料性能识别的人工神经网络模型

本文运用人工神经网络的一典型模型——“反向传播”模型,探讨了PTC材料性能的识别、预测,并选取一组标样进行了具体研究,识别成功率达100%,结果表明,该方法性能良好,可望成为材料设计的有效的辅助手段.     

基于人工神经网络方法预测水性聚氨酯粒径

以聚醚多元醇、异氰酸酯以及二羟甲基丙酸(DMPA)为原料合成了一系列水性聚氨酯,并以正交试验的结果,进行了人工神经网络的研究,据此考察了DMPA含量、中和度、R值、官能度和分散速度对水性聚氨酯乳液粒径的影响,在给定的误差范围内,预测了乳液的平均粒径。实验结果表明:神经网络与正交试验方法相结合,能够预测实验的结果,减少实验的次数。     

高聚物流变性能预测与研究

根据影响高聚物流变性能的各因素之间的关系,运用Matlab软件建立一个人工神经网络。对5种高聚物材料进行实验;用实验数据对网络进行训练,并对高聚物流变性能进行预测;将预测和实测的结果进行分析对比。结果表明,用人工神经网络的方法预测高聚物的流变性能是可行的,预测精度较高,平均误差小于5%。     

用人工神经网络识别钢锭模涂料配方

简述了用三维Ｔ．Ｋｏｈｏｎｅｎ人工神经网络识别钢锭模涂料配方，识别成功率１００％。试验结果表明，该方法具有容错能力强、识别速度快等特点，可望成为识别各种涂料配方的有效辅助手段。     

地下水水位预测的人工神经网络模型研究

地下水系统是一个复杂的随机系统,本文根据地下水水位与其影响因素之间存在的相关关系,建立了一个基于神经网络的地下水水位预测模型,并将其用于研究区地下水水位的预测,结果表明该方法具有较高的预测精度。     

酶制剂与洗涤剂配方的优化

对利用酶制剂优化洗涤剂配方,提高产品性能／价格比,以技术创新转化成市场利润作了研讨。介绍了用酶制剂优化洗涤剂配方的思路和实验方案,以及ＬＡＳ与酶制剂的添加量对配方投资回报曲线的影响。实验所得的结论是：使用酶制剂有助于洗涤剂配方的优化;洗涤剂性能需要综合,采用多种污布和在接近实际湖南省条件下测试,才能得到真实,全面的结果。     

基于人工神经网络的BaTiO3陶瓷配方研究

人工神经网络具有巨量并行、结构可变、变度非线性等特点，其建立数学模型并不需要预先知道太多有关问题背景的知识，这尤其适用于陶瓷配方研究中某些机理尚未完全清楚、传统数学方法无法分析的情况，本工作将人工神经网络技术用于介电陶瓷的配方性能分析，以BaTiO3为研究对象选取了几种掺杂剂，在均匀实验设计的基础上，用BP人工神经网络对所得实验结果进行了分析，并且用图形化方式直观地表达了出来，根据实验结果，并与多重非线性回归模型相比发现，人工神经网络模型比多重非线性回归模型更加准确且能给出配方组成与性能更丰富的信息，这对于研究各组分作用规律并获得介电陶瓷多性能指标的优化配方具有重要的指导作用。     

人工智能系统在非晶态材料性能预测中的应用

人工智能系统在非晶态材料性能预测中的应用周忠益，姜中宏，唐永兴（中科院上海光机所２０１８００）ＡｐｐｌｉｃａｔｉｏｎｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅＳｙｓｔｅｍｔｏＰｒｅｄｉｃｔｉｎｇＰｒｏｐｅｒｔｉｅｓｏｆＮｏｎ－Ｃｒｙｓｔａｌｌｉ...     

塑料老化性能及使用寿命预测的新方法

提出了利用人工神经网络方法对塑料自然老化性能时间序列进行预测的方法，并建立了计算模型，在此基础上本方法也可对塑料使用寿命进行预测。实例计算证实了这种方法具有良好的精度。     

粒子群算法优化的人工神经网络预测Ni-Fe合金镀层的性能

建立了粒子群算法优化的人工神经网络预测模型。以工艺参数为输入变量,以单因素试验得到的Ni-Fe合金镀层的性能指标为输出变量,将粒子群算法优化的人工神经网络预测模型的预测结果与传统BP神经网络预测模型的预测结果进行了比较。结果表明:粒子群算法优化的人工神经网络预测模型具有更高的预测精度。通过建立模型得到了各个工艺参数对Ni-Fe合金镀层性能指标的评价指标权重。当电流密度为1.0～1.5A/dm2、镀液温度为45℃、搅拌速率为1 000～1 200r/min时,Ni-Fe合金镀层的表面粗糙度和腐蚀速率均处于较低水平。