基于改进BP神经网络铆接接头力学性能预测

针对钢铝材料的铆接接头优化设计和结构车身混合材料接头技术问题,使用改进的BP神经网络模型研究钣金材料厚度、硬度、接头底部直径等的接头技术参数与材料自身剪切力与剥离力强度等力学参数的映射关系。ALM算法被用来优化改进的BP神经网络预测模型连接权值,提高了神经网络模型的预测精度和泛化能力。对改进的神经网络的预测结果进行检验的结果表明,训练后的神经网络模型能够准确有效地预测铆接接头力学性能,证实了改进神经网络应用于铆接接头力学性能预测的可行性与可靠性。     

置氢TC21合金超塑性研究

利用CMT4104电子万能试验机研究了置氢TC21合金在不同温度和应变速率下的超塑性.结果表明,随氢含量增加.TC21合金的流动应力先降低后升高,存在一个最佳变形量.置氢后大部分条件下伸长率随氢含量的增加而降低,但氢含量为0.1wt％时,在880℃,1×103s-1条件下变形,获得了1010％的最大伸长率.TEM观察发现,当氢含量较低时,TC21-xH合金主要的超塑变形机制为位错攀移和滑移协调的相界/晶界滑移;当氢含量较高时,由于氢降低了TC21合金的相变点,变形在单相β相区进行,变形机制为由扩散促进位错恢复和攀移的晶界滑动机制.     

置氢TC21合金粉末压制方程研究

为建立置氢TC21钛合金粉末的压制性能评价体系,和置氢TC21合金粉末室温模压成形过程压制方程,测定了置氢TC21合金粉末外加压力、压坯密度及压坯强度与合金粉末置氢量的关系,将试验数据代入推导的置氢TC21钛合金粉末的压制方程之中,采用VB求解超限定方程组,计算出方程中所含的3个参数的值,并最终定量研究了这3个参数与置氢量的关系,确定了占主导地位的成形机制,最终得到了置氢TC21合金粉末压制性能及压制方程,从而为精确控制置氢钛合金粉末模压成形提供了依据。     

基于神经网络的焊接接头力学性能预测平台

基于神经网络建立焊接接头力学性能预测平台,可实现合金钢、钛合金及铝合金焊接接头力学性能预测。预测内容包括抗拉强度、屈服强度、伸长率以及断面收缩率等。同时可以分析参数变化对接头力学性能的影响。算法核心主要是应用遗传算法优化Back-Propagation神经网络连接权,其具有很好的全局搜索特性以及不易陷入局部最优化,同时应用既有高斯-牛顿法的快速收敛特性,也有梯度下降法的局部搜索特性的LM算法,使预测结果具有很好的泛化性能和较高的预测精度。     

基于BP神经网络的AZ31镁合金力学性能预测研究

利用遗传算法优化的BP神经网络对不同变形工艺参数下获得镁合金试样的抗拉强度、屈服强度和伸长率进行预测。经过仿真结果与试验结果的比对发现,采用遗传算法优化的BP网络在预测精度上有较大的提高,可以很好的对AZ31镁合金的力学性能进行预测。     

基于主成分分析与BP神经网络的激光拼焊板力学性能预测

为了预测并控制激光拼焊板的力学性能,本文通过对0.8～1.5mm的St12板及其镀锌板进行差厚、等厚拼焊,在此基础上建立了以焊接工艺参数为输入变量的基于主成分分析的BP神经网络拼焊板力学性能预测模型。通过实例验证表明,本文所建预测模型对拼焊板抗拉强度及伸长率的预测精度均达91%以上。充分表明该模型与试验结果吻合良好,验证了该预测模型的合理性及适用性。     

基于BP神经网络的ZK60镁合金力学性能研究

利用热模拟机对ZK60镁合金进行等温压缩变形实验,建立人工神经网络模型,并通过相关性系数和相对误差评估和验证模型的预测能力。结果表明,所建立的反向传播神经网络模型能够追踪实验值,可以描述ZK60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。     

基于BP神经网络预测药芯焊条耐磨性

应用Matlab语言及其神经网络工具包，通过BP神经网络，对WRS型金属基陶瓷药芯焊条堆焊层耐磨性进行模拟和预测，结果表明，该方法能够较准确地预测该药芯焊条在泥砂磨损中的耐磨性能。     

基于BP神经网络的SiC_P/AZ61复合材料力学性能预测

利用人工神经网络(ANN)的BP(back propagation)算法,建立了复合材料力学性能预测模型。模型由三层神经元组成,分别为输入层、隐含层和输出层。以SiC_P/AZ61复合材料的力学性能与SiC的颗粒体积分数的关系为研究对象,选取了七组试验数据作为学习样本,用建立的网络预测未知,并给出预报曲线和预测程序界面图。与试验结果比较表明,所建立的网络能反映SiC_P/AZ61复合材料中SiC的颗粒体积分数与其力学性能之间的关系,为试验设计提供了一种新的思路。     

基于BP神经网络的CCT曲线预测研究

分析影响钢的CCT(过冷奥氏体连续冷却转变)曲线的主要因素,基于BP神经网络算法及特征,建立CCT曲线的预测模型,并建立与之匹配的训练样本集。通过大量的实验,确定稳定的、具有预测功能的网络结构。预测结果能有效解决在无物理实验条件下,初步预测金属材料的组织、性能,为研制新钢材奠定基础。     

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。     

应用人工神经网络模型预测Ti＋10V-2Fe-3A合金的力学性能

采用人工神经网络方法建立了Ti-10V-2Fe-3Al合金机械性能预测的神经网络模型。模型的输入参数包括变形温度、变形程度、固溶温度、时效温度等热加工工艺参数和热处理制度。模型的输出为钛合金最重要的5个机械性能指标，即抗拉强度、屈服强度、延伸率、断面收缩率和断裂韧性。与传统回归拟合公式相比，该模型具有容错性好、通用性强等优点。该模型可以预测Ti-10V-2Fe-3Al合金在不同热加工工艺参数和热处理制度下的机械性能，也可以用于优化热加工参数和热处理制度。     

应用人工神经网络建立TC11钛合金化学元素与力学性能关系模型

在TC11钛合金大量实验数据的基础上,应用人工神经网络建立TC11钛合金的化学元素与力学性能关系模型。模型的输入参数包括Al、Mo、Zr、Si、Fe、C、O、N和H共9种化学元素;输出为常规力学性能指标(抗拉强度、屈服强度、延伸率和断面收缩率)。运用未知数据样本对已建立神经网络模型的预测能力进行检验,并以Al、Mo、Zr和C元素为研究对象,利用该模型分析TC11钛合金化学元素对力学性能的影响规律。结果表明:网络的预测值与实验值的相对误差均在10%以内,说明所建立的神经网络预测模型具有较精确的预测能力,而且能够清楚地反映出该合金化学元素与力学性能之间的非线性关系。     

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。     

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。     

铸铁力学性能预测的研究

研究了铸铁力学性能预测技术，在华铸CAE(intecast)计算所得数据的基础上，采用人工神经网络模型对抗拉强度和布氏硬度进行预测，从而建立工艺参数、化学成分与力学性能的关系，根据预测结果改善铸造工艺，最终达到优化铸造工艺、缩短实验周期的日的。’     

基于神经网络Ti-6Al-4V合金热循环下力学性能研究

测定了Ti-6Al-4V合金在不同热循环温度下的拉伸强度和拉伸塑性.结果表明:热循环对Ti-6Al-4V合金的拉伸强度有显著的影响,而对其拉伸塑性影响不明显;利用BP神经网络的相关理论和方法,建立了关于Ti-6Al-4V合金在热循环温度下的力学性能的BP神经网络模型,计算结果表明,预测误差均在5％以内,精度很高,可为进一步研究Ti-6Al-4V合金提供科学方法.     

基于神经网络的双辉离子渗碳性能预报

将人工神经网络理论和算法应用于双辉离子渗碳的研究，在对人工神经网络训练的基础上，建立了双辉离子渗碳工艺与渗层性能预报的数学模型。试验结果验证了性能预报神经网络模型的可靠性，为解决双辉离子渗碳性能预报问题提供了一条先进、合理的途径。     

基于神经网络的双辉离子渗碳性能预报

将人工神经网络理论和算法应用于双辉离子渗碳的研究,在对人工神经网络训练的基础上,建立了双辉离子渗碳工艺与渗层性能预报的数学模型。试验结果验证了性能预报神经网络模型的可靠性,为解决双辉离子渗碳性能预报问题提供了一条先进、合理的途径。     

BP神经网络在预测热轧带钢最终力学性能中的应用

应用基于BP算法的神经网络能较好处理非线性问题的特点,建立起能描述工艺参数(化学成分、板材尺寸和相关生产工艺参数)和热轧带钢最终力学性能的映射关系的神经网络模型。该模型均具有较好的预报精度,预测值与实测值之间的相对误差小于±10%。