人工神经网络专家系统注塑工艺参数在线调控系统

依据专家系统控制原理提出注塑工艺参数智能调控系统的结构,具体说明了人工神经网络与专家系统相结合的方法,描述了用BP神经网络产生专家控制系统规则的过程。     

基于人工神经网络的注塑发泡实验参数分析与预测

采用正交设计方法设计并进行了以惰性气体为发泡剂的注塑发泡工艺实验,以实验数据为样本建立了BP人工神经网络实验模型。在此基础上就工艺参数对制品减重百分数的影响做了预测,对实验与预测结果进行了分析。分析表明:在所设定的工艺参数范围内,预测结果与注塑实验结果的变化趋势基本相符。以实验数据为基础建立的注塑发泡过程人工神经网络实验模型较好地反映了实验因素与减重之间的关系。     

人工神经网络及其在化工领域中的应用

人工神经网络所具有的自学习、高容错和高度非线性描述能力等优点,使得其在人工领域中得到广泛的应用,这些应用包括定量结构-活性/性质相关性分析、谱图分析、化合物结构解析、化工过程控制和蛋白质结构预测等。     

人工神经网络在污水处理中的应用

文章对污水处理系统的特点进行了分析,并针对时变性、非线性、复杂性和不确定性的特点,提出应用人工智能技术对其进行智能控制是实现城市污水处理系统自动控制的重要方法。对人工神经网络控制特点进行了介绍,综述了国内外人工神经网络在污水处理不同领域中的应用研究,并结合国内外研究动态,简要分析了人工神经网络污水处理今后的发展方向。     

小波神经网络在致密砂岩储层参数预测中的应用

储层参数预测一直是地震勘探的关键和难点问题。本文介绍了小波神经网络的原理,设计了一种采用熵函数作为BP小波网络的能量函数的BP小波神经网络算法。(在此基础上)并利用多种测井数据和取芯资料作为小波网络的学习样本,最后把这种模型用于致密砂岩储层参数的预测。实验结果表明该模型具有较好的逼近能力,预测效果良好。     

注塑参数优化研究方法

对参数优化方法在注塑研究中的应用进行了综述，阐述了各方法的基本原理和主要特点，着重讨论了优化方法所适用的优化问题的类型和其对注塑翘曲、收缩、熔接缝及强度的预测能力以及模拟软件的应用，探讨了不同优化方法相结合对搜索效率和优化结果的影响。     

模腔压力曲线在注塑工艺参数优化中的应用

以具体实例阐述了通过监测模腔压力变化曲线实现对制品成型工艺参数的优化。利用模腔压力曲线可以准确快速获得最佳的工艺参数,使得获取最优工艺参数的途径由"经验"依据走向"科学"依据。在不同性能的注塑机上生产时,以该曲线为标准设置工艺参数,可大大节省调试时间。     

人工神经网络在蛋白质结构预测和QSAR中的应用

人工神经网络（ANN）作为一种新型的信息处理系统和计算系统,近年来被广泛的应用于蛋白质结构预测、谱图分析、药物分子药效预测、定量构效关系（QSAR）研究等方面。文章论述了人工神经网络的的工作原理和基本特点,列举了国内研究者运用人工神经网络在蛋白质结构预测和QSAR中的主要应用,并对以后的应用进行了展望。     

塑料制品注塑工艺参数的合理配置

介绍了塑料注塑工艺中影响制品质量的主要工艺参数及选用原则,并阐述了采用流动模拟技术对模具结构设计和工艺参数优化装置的指导作用。     

人工神经网络在混凝土强度预测中的应用

人工神经网络技术综合考虑了高强度、高性能混凝土强度的各种影响因素,可用于预测混凝土强度。本文选取混凝土配料中7个因素作为输入值,混凝土28d强度作为输出值,建立起混凝土强度预测BP网络模型,进而对混凝土配合比强度实验数据进行分析预测,结果效果良好。表明该方法用于高性能混凝土强度预测方面是可行的。     

神经网络方法在储层孔隙度预测中的应用

储层参数预测对油田勘探具有重要意义。文章采用主成分变换优化法对海拉尔盆地某油田的11种地震属性进行标准化、主成分变换,计算结果说明,只需其中4种主成分用于储层预测。利用神经网络方法对储层孔隙度进行预测,预测结果与测井资料十分吻合,取得了较好的预测效果。     

基于神经网络的注塑成型工艺优化

介绍了一种基于CAE把Taguchi实验设计方法和神经网络结合使用的注塑成型工艺优化方法，并通过一个简单的实例对该方法的可行性进行了验证。结果表明：神经网络结合Taguchi实验设计方法的优化算法，可以对注射成型过程中的注射压力最大值进行优化和预测；在进行最少次实验的结果上给出最佳实验因素水平组合，确定出最佳实验条件，并将实验因素对实验目标的影响大小排序，由此获得较重要的实验因素，从而进行注塑成型工艺优化及控制。     

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。     

基于BP人工神经网络的异形透盖注塑件翘曲变形分析

首先采用CAE软件Moldflow MPI 6.0和正交试验,对异形透盖塑件在不同注射成型工艺参数下的翘曲变形量进行了模拟,然后利用BP人工神经网络建立了主要工艺参数和塑件翘曲变形量之间的数学模型,并通过模型对塑件翘曲变形量进行了预测,结果表明,所建立的模型具有较高的预测精度。     

基于BP神经网络在储层预测中研究及应用

利用人工神经网络模式识别技术可以在现有油层下面寻找新的油气储层,也可以预测储层类型。将用于预测的网络提供的浅层地震反演参数集作为输入,经BP网络学习后,对深层或无井储层进行预测。最后利用垦71地区实际参数,对BP神经网络进行检验。     

Artificial Neural Network modeling of solubility of supercritical carbon dioxide in 24 commonly used ionic liquids

Application of supercritical CO₂ for separation of ionic liquids from their organic solvents or extraction of various solutes from ionic liquid solvents have found great interest during recent years. Knowledge of phase behaviors of the mixtures of supercritical CO₂+ionic liquids is therefore drastic in order to efficiently design such separation processes. In this communication, Artificial Neural Network procedure has been applied to represent the solubility of supercritical CO₂ in 24 mostly used ionic liquids. An optimized Three-Layer Feed Forward Neural Network using critical properties of ionic liquids and operational temperature and pressure has been developed. Application of this model for 1128 data points of 24 ionic liquids show squared correlation coefficients of 0.993 and average absolute deviation of 3.6% from experimental values for calculated/estimated solubilities. The aforementioned deviations show the prediction capability of the presented model.     

基于神经网络的工艺参数对翘曲变形和收缩的影响研究

以拉伸和冲击试样(无缺口和有缺口)三种塑料零件的注射成型为例,以翘曲变形和收缩为评价指标,采用Taguchi方法及极差和方差分析方法,优化了模具温度、熔体温度、注塑压力、注塑时间、保压压力、保压时间和冷却时间,获得了最优的工艺参数组合。建立了神经网络模型,利用神经网络的预测功能,预测出变动单个工艺参数下的翘曲变形量和收缩率,研究了单个工艺参数对翘曲变形和收缩的影响,以指导生产实践。     

基于神经网络的注塑制品表面缺陷自动识别方法的研究

将基于误差反向传播算法(BP)的神经网络引入到注塑制品表面缺陷的自动识别.介绍了如何选择合适的BP神经网络,包括网络层数的选取、学习算法的选取等.最后分别利用90组样本对BP神经网络进行训练和仿真,得到制品表面缺陷的平均识别率达84.44％,说明利用BP神经网络对于注塑制品表面缺陷进行识别是可行的.     

Modeling and Optimization of Anode‐Supported Solid Oxide Fuel Cells on Cell Parameters via Artificial Neural Network and Genetic Algorithm

An artificial neural network (ANN) and a genetic algorithm (GA) are employed to model and optimize cell parameters to improve the performance of singular, intermediate‐temperature, solid oxide fuel cells (IT‐SOFCs). The ANN model uses a feed‐forward neural network with an error back‐propagation algorithm. The ANN is trained using experimental data as a black‐box without using physical models. The developed model is able to predict the performance of the SOFC. An optimization algorithm is utilized to select the optimal SOFC parameters. The optimal values of four cell parameters (anode support thickness, anode support porosity, electrolyte thickness, and functional layer cathode thickness) are determined by using the GA under different conditions. The results show that these optimum cell parameters deliver the highest maximum power density under different constraints on the anode support thickness, porosity, and electrolyte thickness.     

An Artificial Neural Network approximation based decomposition approach for parameter estimation of system of ordinary differential equations

In this work a new approach for parameter estimation which is based upon decomposing the problem into two subproblems is proposed, the first subproblem generates an Artificial Neural Network (ANN) model from the given data and then the second subproblem uses the ANN model to obtain an estimate of the parameters. The analytical derivates from the ANN model obtained from the first subproblem are used for obtaining the differential terms in the formulation of the second subproblem. This greatly simplifies the parameter estimation problem. The key advantage of the proposed approach is that solution of a large optimization problem requiring high computational resources is avoided and instead two smaller problems are solved. This approach is particularly useful for large and noisy data sets and nonlinear models where ANN models are known to perform quite well and therefore plays an important role in the solution of the overall parameter estimation problem.