Application of BP neural network to semi-solid apparent viscosity simulation

1　INTRODUCTIONSincethethixotropic propertiesofvigorouslystirredtin leadslurrieswerediscoveredbySpenceretal[1] atMIT ,investigationandapplicationofthese mi solidtechnologyhavebeendevelopedquickly .Thestudyontheapparentviscosityisnotonlyoftheoreti calbutalsoofutilizationsignificance .Manyinvesti gatorshavecarriedoutagreatdealofexperimentalresearchandputforwardmanymathematicalmodelsofthesemi solidapparentviscosity .Someofthesemodels ,whicharerelatedto popularexponentialfunctionandaclassica…     

基于BP神经网络的2D70铝合金本构关系模型

利用Thermecmastor-Z型热加工模拟试验机对2D70铝合金进行等温恒应变速率压缩试验,获得了不同变形温度、不同应变速率和不同真应变下的流动应力数据.结合实验数据和神经网络知识,建立了具有BP算法的人工神经网络,训练结束后的神经网络即成为2D70铝合金的一个知识基的本构关系模型.误差分析表明,该神经网络本构关系模型具有较高的精度,可用于指导2D70铝合金热加工工艺的制定,并可用于2D70铝合金热变形过程的有限元模拟.     

挤压态7075铝合金高温流变行为及神经网络本构模型

采用Gleeble1500D热模拟实验机研究挤压态7075铝合金在变形温度为250～450℃、应变速率为0.01～10s-1下单道次压缩过程的高温流变行为。结果表明:材料在350℃及以下变形时,流变应力曲线呈动态回复型;在温度为350℃以上、应变速率为0.1s-1时,流变曲线局部陡降明显;当应变速率为10s-1时,流变曲线发生波动,呈动态再结晶型;挤压态7075铝合金的流变应力曲线峰值应力及稳态应力均高于铸态合金的,且在变形温度较高时,挤压态材料更易于发生动态软化。基于BP神经网络建立挤压态7075铝合金的本构关系模型,预测值与实验值对比表明:所建立的本构模型整体误差在5.35%以内,拟合度为2.48%,该模型可以用于描述7075铝合金的高温变形流变行为,为该合金热变形过程分析和有限元模拟提供基础。     

基于BP神经网络的带钢冷轧摩擦模型

建立了BP神经网络摩擦模型，并用遗传算法优化了BP网络的结构参数和初始值。模拟计算结果表明，BP网络摩擦模型的精度比原回归摩擦模型的精度有显著提高，可以使轧制力预测的平均RMS误差由3．98％降低到2．23％．轧制功率预测的平均RMS误差由4．57％降低到3．23％。     

基于BP神经网络的BSTMUF601高温合金蠕变本构模型

通过对BSTMUF601高温合金在1253 K和1368 K不同载荷下蠕变试验及基于恒应力条件的θ映射法蠕变本构模型,研究马弗炉真实服役环境下的蠕变行为。为了解决蠕变过程试件截面积减小的问题,提出一种直径修正法近似获得试件的真实应力和应变。考虑在恒载条件下,非线性多元拟合方法不能准确标定蠕变本构模型的参数,本文基于上述修正的应力和应变通过误差反向传播(BP)神经网络的学习算法逆向标定θ映射法模型参数。结果表明,预测结果与实验结果吻合良好,最大相对误差小于12 %。此外,模型计算的表观蠕变应力指数和TEM图像表明位错攀爬是蠕变变形主导机制,说明BP神经网络方法对BSTMUF601高温合金蠕变本构模型参数识别和预测方面的优势。     

遗传算法结合神经网络实现拉延筋优化设计

传统的冲压模具设计中,拉延筋设计和布置主要依靠经验,这使得模具设计和制造周期延长.以某汽车侧壁外板的拉深工序为例,讨论了神经网络技术与遗传算法在拉延筋优化设计中的综合应用问题.建立了反映板料成形参数与拉延筋阻力之间非线性映射关系的BP网络模型.利用该训练好的神经网络可以实现拉延筋的优化设计.由于相对于进行工艺试验来说数值仿真比较省时省力,因此,利用Dynaform模拟汽车侧壁外板的拉深成形过程,建立训练样本.在网络的训练方法上利用遗传算法进行了优化,有效地提高了神经网络的模拟精度.     

Neural network modeling for the prediction of texture evolution of hot deformed aluminum alloys

Commercial aluminum rolling mills operate under very restricted thermomechanical conditions determined from experience and plant trials. In this paper we report results for four-stand tandem mill rolling simulations within and beyond the thermomechanical conditions typical of a rolling mill by plane strain compression (PSC) testing to assess the effect of deformed conditions on the texture of the hot deformed aluminum strip after annealing. A neural network modeling study was then initiated to find a predictive relationship between the observed texture and the thermomechanical parameters of strain, strain rate, and temperature. The model suggested that temperature is the prime variable that influences texture. Such models can be used to evaluate optimal strategies for the control of process parameters of a four-stand tandem mill.     

基于BP神经网络的TB8合金高温本构关系模型

利用Gleeble1500热模拟试验机对TB8合金进行等温压缩试验,获得不同变形条件下的流变应力数据,在对数据进行摩擦修正的基础上建立了3×10×1的3层BP神经网络形式的本构关系模型。结果表明,在隐层神经元数为10、学习率为0.05、动量因子为0.4时,网络模型具有优良的性能,能精确反映热变形条件下温度、变形速率、变形程度与流变应力之间的关系,为TB8合金热加工工艺的合理制定和热变形过程的数值模拟提供依据。     

Al-Cu-Mg(2519)合金高温变形本构关系的神经网络模型

2519铝合金是一种新型的装甲材料。变形时,各热力学参数之间存在着非常复杂的非线性关系。本文采用Gleeble 1500热模拟机上圆柱体轴对称高温压缩试验数据建立了该合金本构关系神经网络模型。利用所建立的网络模型对其他一些热力学状态下材料的流变应力进行了预测,发现预测数据与实验数据吻合良好(总拟合度为2．6％),表明该本构关系神经网络模型有较高的预测精度。     

基于神经网络与遗传算法的压铸工艺参数优化

依据A356咖啡机顶盖高压铸造特点,采用FEM仿真软件对铸件成型工艺进行数值模拟,以L16(45)正交试验和6个补充试验作为BP神经网络的训练样本,建立模具热应力与浇注温度、模具预热温度、压射比压、压铸速度4个压铸工艺参数的非线性映射关系;以模具热应力σmax的最小值为优化目标,运用遗传算法进行工艺参数优化。最终得出浇注温度、模具预热温度、压射比压、压铸速度等4个参数最佳的一组组合,使试验指标σmax最小,模具的热疲劳趋势最低,零件的成型质量最佳。试验结果证明,该减少模具热疲劳趋势的优化方案具有可行性,同时对相近结构压铸件的生产也具有一定的指导意义。     

TC21合金超塑性本构关系的BP人工神经网络模型

TC21合金是一种高强、高韧、高损伤容限型两相钛合金,具有极佳超塑成形性能。建立合理的超塑性本构关系,对了解该合金的超塑性变形特征以及超塑性成形工艺优化有着重要的指导作用。本文对TC21合金在Gleeble1500热模拟试验机上进行了超塑性等温压缩变形试验。结果表明,随着温度的升高或应变速率的降低,材料的流变应力显著降低,动态再结晶是其主要的软化机制。根据所获得的实验数据,应用BP人工神经网络建立了TC21合金的超塑性本构关系模型,较好地反映了TC21合金的超塑变形过程中流动应力的变化规律。     

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BP神经网络的机械扩径工艺参数预测方法

文章给出了一种基于BP神经网络建立管筒形零件机械扩径工艺参数与成形精度控制参数间的映射关系,并将其嵌入遗传算法以实现工艺参数优化的机械扩径工艺参数预测方法。所涉及的工艺参数包括扩径率、管坯横断面圆度和模具外径与制品内径之比;成形精度控制参数包括制品外径及其横断面圆度误差。该方法能够很好地预测材质为X52、规格为(406mm～720mm)×9mm的管线钢管机械扩径的工艺参数,并给出一个满足其成形精度要求的最佳工艺参数组合。     

B10铜合金高温流变行为及BP神经网络本构模型

利用Gleeble-1500D热模拟机对B10铜合金进行热压缩实验,研究了该合金在高温塑性变形过程中的流变应力行为.实验温度为800～950℃,应变速率为0.1～15s-1.研究结果表明,B10铜合金的流变应力随着变形温度的增加而减小,随着应变速率的增大而增大.基于BP神经网络建立了该合金的本构关系模型,预测值与实验值对比表明BP神经网络具有很高的预测精度,所建立的本构模型平均相对误差在1％以内.该模型能够客观真实地描述B10铜合金的高温塑性变形行为,为该合金热变形分析提供基础.     

基于遗传算法的间接自校正模糊神经网络控制

针对一般神经网络训练算法训练速度慢和易陷入局部极小点的不足,文章提出了一种基于模糊神经网络的间接自校正控制系统,控制器是以高斯函数为隶属度函数的径向基函数(RBF)神经网络结构,利用改进的遗传算法(GA)对结构和参数进行同步优化.神经网络模型(NNP)利用弹性BP算法进行离线辨识.仿真与传统的模糊PID控制器控制进行比较,结果表明遗传算法大大改善了系统的性能.     

基于BP神经网络的5A06铝合金电子束焊接熔深预测

采用人工神经网络方法对5A06铝合金电子束焊接的熔深进行了预测研究.使用正交试验方法采集训练样本,并对样本进行标准化,通过确定合适的网络模型、网络结构及算法、网络训练次数,建立了从加速电压、束流、焊接速度到熔深的BP网络映射模型.网络训练后的检验精度较高,通过编制的用户界面实现了一定工艺参数范围内的熔深预测.     

电弧焊熔透ICA-BP神经网络识别模型

以氩弧焊熔透状态识别为研究对象,研究一种基于ICA (Imperialist Competitive Algorithm) 的BP(Back Propagation)神经网络识别模型方法. 首先利用ICA全局搜索不易陷入局部极值及搜索速度快的特点对神经网络权值和阈值初始化,再用BP算法对神经网络进行训练. 通过摄取焊接过程中的熔池图像,提取熔池面积、熔宽以及熔池质心位置作为神经网络预测模型的输入量,分析熔池图像三个特征与焊缝熔透状态的映射关系,最终建立熔透状态预测模型. 结果表明,采用ICA-BP神经网络能够有效地预测焊缝的熔透状态.     

基于修正J-C和BP神经网络模型的超细晶纯钛动态本构行为

为研究超细晶纯钛在高温、高应变速率加载下的复杂力学行为,建立能够准确描述其动态力学行为的模型,对超细晶纯钛在温度为300~450 ℃,应变速率为2000~3000 s-1下进行了动态冲击实验,获得真应力-真应变曲线。结果表明：在所研究的条件下,真应力-真应变曲线均表现为明显的“双应力峰”特征,晶界处的位错湮灭、重新排列及后续绝热剪切带的形成是两次应力减小的主要因素,流动应力均表现出正应变速率敏感性和负温度敏感性。综合考虑应变硬化、应变速率硬化和热软化效应,提出一种修正J-C本构模型和BP人工神经网络模型,并对两种模型进行了准确性分析。结果表明BP人工神经网络模型能够更好地预测超细晶纯钛的动态力学行为,相关系数可达0.97065,平均相对误差仅为4.63%。     

无模拉拔过程中金属线材直径的BP神经网络预测模型

利用Matlab软件建立了无模拉拔成形过程中金属线材直径的BP神经网络预测模型,通过实验验证了网络模型的可靠性。网络预测值与实测值之间的平均相对误差为0.52%,最大相对误差为2.42%,具有较高的预测精度。将所建模型用于无模拉拔成形过程中线材尺寸的在线控制,具有明显效果,在较大程度上减小了线材直径沿长度方向的波动。     

基于神经网络的TC21合金本构关系模型(英文)

本构方程是描述材料变形和有限元模拟基本信息必要的数学模型,它反映流动应力与应变、应变率和温度综合作用的高度非线性关系。基于Gleeble-1500热模拟机上进行等温压缩试验获得的实验数据,系统研究TC21钛合金的流变行为,并采用BP人工神经网络建立该合金的本构关系模型。在该模型中,输入变量为应变、应变速率和变形温度,输出变量为流动应力。与传统方法相比,利用BP人工神经网络所建立的本构关系模型能够更好地表征试验数据及描述整个变形过程。