铝青铜力学性能人工神经网络模型的建立和应用

采用MATLAB的BP人工神经网络,以铝青铜的化学成分作为输入参数,其抗拉强度σb、屈服强度σ0.2和伸长率δ作为输出,建立了高强度船用螺旋桨铝青铜的力学性能预测模型。计算结果表明,三项输出的预测值与实测数据接近,其相对误差基本在±2%～±7%,因此,该模型对高强度船用螺旋桨铝青铜的生产具有一定的指导意义。     

Ti-17合金本构关系的人工神经网络模型

开发了一个基于神经网络的Ｔｉ１７ 合金的本构关系模型。首先利用ＴｈｅｒｍｅｃｍａｓｔｏｒＺ 型热模拟机等温压缩Ｔｉ１７ 合金, 研究在不同变形温度、变形程度和应变速率等工艺参数条件下流动应力的变化情况。然后用实验所得的热变形工艺参数与性能间的数据训练人工神经网络。训练结束后的神经网络变成为一个知识基的本构关系模型。利用该模型预测的流动应力的值与实验结果间的误差较小。     

基于人工神经网络的凝固组织晶粒尺寸预测

通过分析强脉冲电磁场作用下铝合金凝固组织晶粒尺寸实验数据,并结合人工神经网络,建立了强脉冲电磁场作用下铝合金凝固组织晶粒尺寸的人工神经网络BP算法模型。研究结果表明,用该神经网络模型进行了模拟得到的计算结果和实验数据吻合得较好,因此这一方法可用来对强脉冲电磁场作用下的凝固组织晶粒尺寸进行预测和控制,为优化实验设计提供了简便、实用的方法和手段。     

基于数值模拟的定向连续铸造固液界面位置人工神经网络模型的研究

基于人工神经网络原理及数值模拟技术，对定向凝固连续铸造过程中控制参数的选取进行了研究。利用自行设计的上引式定向凝固连铸机，结合数值模拟，提取了引晶速率、熔体温度、结晶器温度、冷却水温度、冷却水流量、冷却距离等控制参数值及相应目标参数值的固液界面位置。通过归一化处理所得数据，采用BP算法训练网络，对定向凝固连铸控制参数与固液界面位置之间的映射关系进行了函数逼近，建立了固液界面位置神经网络模型，依据该模型，可定量预测定向凝固连铸过程的工艺状态，并可为将来的定向凝固连铸神经网络控制提供可行的控制模型。     

超高强Al-Zn-Mg-Cu-Zr-Ag合金时效性能预测的人工神经网络模型

通过对实验Al—Zn—Mg—Cu—Zr-Ag合金不同温度下(90℃～150℃)时效得到的硬度和导电率数据进行了神经网络建模，发现在目标函数为0．3，隐层节点数为5，学习率为0．15时，系统误差较小。利用所建立的网络模型预测不同时效状态下材料的硬度和导电率值，发现预测数据与实验数据吻合良好(总误差3．5％)，为铝合金时效性能预测和控制提供了1条新途径。     

利用人工神经网络预测板带力学性能的软件开发

本文开发了利用人工神经网络预测力学性能的软件。本软件的特点是直观、方便、稳定。软件共分三大部分:数据处理部分、人工神经网络训练部分、运用成熟网络预报部分。数据应从稳定生产的现场取得,人工神经网络训练部分是用BP网络建立原始化学成分和热轧生产的主要工艺参数与产品力学性能之间的关系。经过反复训练满意后即可运用成熟网络进行性能预报。作者用此软件对SS400钢的性能进行预报,经过10万次训练后,产品力学性能的预报值与实际值拟合良好,预报结果的相对误差很小。     

基于规则的人工神经网络FMS动态调度

本文在确定FMS动态调度的优化目标和策略的前提下，提出了基于规则的反向传播学习算法（BP）的神经网络FMS动态调度的方法，FMS的生产状态参数作为神经网络的输入，动态调度策略作为网络的输出，通过实例验证本文提出FMS动态调度的方法简单性，灵活性和实时性等特点。     

电火花线切割加工过程的人工神经网络模型

电火花线切割加工的随机性和复杂性强,很难对加工过程建立精确的数理模型。本文在工艺试验的基础上,用人工神经网络对线切割加工过程建立了经验模型,具有较高的预测精度,并可实现加工参数的优化选取,可以作为计算机仿真和智能化系统研究的参考模型。     

电火花线切割加工过程的人工神经网络模型

电火花线切割加工的随机性和复杂性强 ,很难对加工过程建立精确的数理模型。本文在工艺试验的基础上 ,用人工神经网络对线切割加工过程建立了经验模型 ,具有较高的预测精度 ,并可实现加工参数的优化选取 ,可以作为计算机仿真和智能化系统研究的参考模型     

基于人工神经网络的传感器非线性辨识研究

介绍了用人工神经网络分析传感器及其适用环境的非线性因素的原理和方法，提出了基于改进BP网络的传感器非线性辨识的算法、模型、方案与实现技术。对电容传感器进行了实验，通过计算机仿真与应用，证明传感器性能得以提高，同时具有很强的环境适应能力和抗干扰性。     

基于BP神经网络的TC11钛合金工艺-性能模型预测

材料工艺与性能的关系具有复杂、非线性交互等特点。本文根据TC11钛合金力学性能与其影响因素之间的映射关系,以大量的试验数据为基础,建立了BP神经网络模型。模型的输入包括锻造温度、锻后冷却方式等热加工工艺参数;输出为常用的力学性能指标,即抗拉强度、屈服强度、延伸率和断面收缩率。运用该模型对TC11钛合金力学性能进行了预测,并通过试验数据对模型的预测精度进行了可靠性验证。同时,运用已建立的神经网络模型对TC11钛合金工艺参数与力学性能的关系进行了分析。结果表明,所建立的力学性能预测模型具有良好的外推能力,并且可以很好地反映出该合金的工艺-性能之间的复杂关系。     

2519铝合金高温变形流变应力的人工神经网络模型

采用Gleeble1500热模拟机对2519铝合金圆柱体轴对称高温压缩变形试验数据(变形温度300~C~500~C，应变速率0．05s^-1～5s^-1）进行了流变应力的人工神经网络建模。在目标函数为0．2、隐层节点数为5、学习率为0．1时，利用所建立的网络模型预测不同热力学状态下材料的流变应力，发现预测数据与试验数据吻合良好，系统误差较小(拟合度为3．3％)，表明已形成了一个知识基的本构关系模型。     

基于BP神经网络Ti600合金本构关系模型的建立

运用Gleeble-1500热模拟机对Ti600合金的圆柱试样进行等温压缩变形试验,以试验所得数据（变形温度800~1100 ℃,应变速率0.01~10 s-1）为基础,基于BP神经网络方法建立了该合金的高温本构关系模型。结果表明：BP神经网络本构关系模型具有很高的预测精度,可以很好地描述Ti600合金在高温变形时各热力学参数之间高度非线性的复杂关系,为本构关系模型的建立提供了一种更加准确有效的方法。     

人工神经网络在管理信息系统中的应用

提出了在管理信息系统（ＭＩＳ）中集成基于反向传输（ＢＰ）人工神经网络的专家系统,用以解决复杂的非线性预测问题和提高ＭＩＳ智能化水平。并以电力生产成本预测的实际问题为例,讨论了系统构成、网络选型、参数确定和相应的算法及算法改进等问题。     

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人工神经网络模型的激光焊缝宽度预测方法

激光焊缝宽度是考核激光拼焊板质量的重要指标之一,直接影响到拼焊板的成形性能.因此,通过对激光焊缝宽度进行预测可以达到焊接工艺参数优化的目的,以提高拼焊板的焊接质量与成形性能.本文利用BP人工神经网络技术建立了焊缝宽度预测模型,该模型可以实现对焊缝宽度的有效预测,预测精度达到96%以上,具有较好的工业实用价值.     

基于人工神经网络预测Ni-W合金镀层的硬度和耐腐蚀性能

目的预测Ni-W合金镀层的硬度和耐腐蚀性能,优化Ni-W合金镀层的电沉积工艺。方法在柠檬酸-硫酸盐溶液体系中直接沉积制备Ni-W合金镀层,并将实验所得镀层数据作为学习样品,利用BP神经网络对建立了Ni-W合金电沉积过程参数对镀层硬度和腐蚀电流密度之间的映射关系。结果低碳钢表面所沉积的Ni-W合金镀层表面均匀致密,与基体结合良好,能够有效地对基体起到保护作用。第二隐层的加入使得3-7-15-2四层网络达到网络收敛的训练次数(1 215 365次)远小于3-7-2三层网络的训练次数(239 950 000次)。四层网络预测所得镀层的硬度和腐蚀电流密度与实验值十分相近,其相对误差≤5.03%。结论 BP神经网络能够准确建立电沉积Ni-W合金镀层的工艺条件和目标性能之间的映射关系,在本文所用的沉积体系和参数范围内,Ni-W合金镀层的显微硬度在296~982HV之间,其硬度最大时所对应的电沉积工艺条件为:p H=7.2,电流密度8 A/dm2,WO42+浓度为0.46 mol/L。Ni-W合金镀层的腐蚀电流密度在7.3~100μA/cm2范围内。镀层耐蚀性能最好时,即镀层腐蚀电流密度最小时的电沉积工艺条件为:p H=6.4,电流密度0.36 A/dm2,WO42+浓度为0.34 mol/L。     

Modeling Constitutive Relationship of Ti-555211 Alloy by Artificial Neural Network during High-Temperature Deformation

利用Gleeble-3800热模拟实验机,在应变速率0.001~1 s-1以及变形温度750~950 ℃范围内对Ti-555211合金进行等温恒应变速率压缩实验。基于人工神经网络的方法建立了Ti-555211合金热变形本构模型。模型的可靠性用平均相对误差和相关系数来确定。结果表明,所建立的本构模型与实验值的平均相对误差为1.60%,相关系数为0.99938,表明该模型能很好地预测该合金的本构关系。用神经网络来确定本构关系比传统的数学方程更加具有优势。热模拟实验结果表明,随着变形温度的升高和应变速率的减小,该材料的峰值应力有所减小,不连续屈服现象随着变形温度升高和应变速率的增大变得更加明显。流变曲线在不同的变形参数条件下表现形式也不同。