基于BP人工神经网络的TC17钛合金显微组织-力学性能关系预测

钛合金的性能对其组织状态十分敏感,与组织的多种显微特征呈现非线性的交互关系。本研究在定量分析钛合金显微组织的基础上,采用BP人工神经网络方法建立了TC17钛合金组织与力学性能的关系模型。该模型输入的显微组织特征参数包括：α相体积分数、α相厚度和不同形态α相的体积分数,输出的力学性能包括抗拉强度、屈服强度、延伸率和断面收缩率。结果表明,该模型具有很好的预测精度和泛化能力。应用贝叶斯正则化和动量梯度下降学习法较好地解决了传统BP人工神经网络训练高精度和预测低精度的过拟合现象。此模型的建立对构建TC17合金利用组织预报力学性能的专家知识库具有重要作用,而且对钛合金专家系统的整体开发具有重要指导意义。     

基于BP人工神经网络的TC17钛合金显微组织-力学性能关系预测

钛合金的性能对其组织状态十分敏感，与组织的多种显微特征呈现非线性的交互关系。本研究在定量分析钛合金显微组织的基础上，采用BP人工神经网络方法建立了TC17钛合金组织与力学性能的关系模型。该模型输入的显微组织特征参数包括：α相体积分数、α相厚度和不同形态α相的体积分数，输出的力学性能包括抗拉强度、屈服强度、延伸率和断面收缩率。结果表明，该模型具有很好的预测精度和泛化能力。应用贝叶斯正则化和动量梯度下降学习法较好地解决了传统BP人工神经网络训练高精度和预测低精度的过拟合现象。此模型的建立对构建TC17合金利用组织预报力学性能的专家知识库具有重要作用，而且对钛合金专家系统的整体开发具有重要指导意义。     

人工神经网络在钛合金研究中的应用

综述了神经网络在钛合金材料性能、工艺参数优化、相变规律、微观组织研究等领域的应用情况;分析了人工神经网络研究与应用中的不足之处,最后指出其今后的研究方向.     

基于BP神经网络的TA15钛合金热变形工艺-性能预报

将经过热约束变形的TA15钛合金进行力学性能测试,获得了工艺(温度、应变、应变速率及冷却方式)、性能(抗拉强度、延伸率)参数数据,利用BP人工神经网络建立起其间的关系网络模型.研究表明:所建立的网络可以很好地反映出本材料的工艺-性能之间的关系并且具有一定的精度,网络模型可以用来预测不同变形条件下TA15钛合金的性能.     

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。     

TC4 ELI钛合金的热变形行为及本构关系研究

利用Gleeble-3500热模拟试验机对TC4 ELI钛合金在两相区温度为750~950℃、应变速率为0.001~70s-1条件下进行等温恒应变速率压缩试验,分析了该合金的热变形行为,并采用Arrhenius方程和BP人工神经网络模型建立了该合金的本构关系模型。结果表明,应变速率与变形温度对TC4 ELI钛合金流变应力影响显著,流变应力随变形温度升高和应变速率降低而降低;在两相区热变形时,原始组织α相发生了不同程度的球化/动态再结晶,并且低应变速率会促进球化/动态再结晶的发生;采用Arrhenius方程和BP人工神经网络模型建立的本构方程平均误差分别为17.51%和1.36%,BP人工神经网络模型具有更高的精度,更适合用于TC4 ELI钛合金的流动应力预测。     

细晶TC4钛合金两种本构模型的对比

采用Gleeble3500热模拟试验机,对经过连续变断面循环挤压制备的细晶TC4钛合金进行热模拟压缩,采用的变形温度为750~950℃,应变速率为0.001~10 s-1,变形程度为60%。根据实验所得应力—应变曲线采用Arrhenius方程和BP人工神经网络分别建立了经连续变断面循环挤压制备的细晶TC4钛合金的本构方程,并计算了两种本构方程的预测值与实验值的相关度和相对误差。结果表明,BP人工神经网络模型预测值更加精确,比较适合经连续变断面循环挤压制备的细晶TC4钛合金流动应力的数值模拟。     

基于BP神经网络的TB17钛合金热变形行为研究

利用Gleeble-3500热模拟试验机,在变形温度为800～1 000℃,应变速率为0.001～10s-1条件下对TB17钛合金进行等温恒应变速率压缩试验,获得不同参数下合金的流动应力数据。通过金相组织观察,研究了热变形过程中的合金组织的变化规律。建立了具有BP算法的人工神经网络,利用所建立的BP网络模型对TB17钛合金的流动应力进行预测,发现预测值与试验值符合较好,验证了该BP网络本构关系模型的准确性。     

TA15钛合金热变形工艺-组织的人工神经元预报

TA15钛合金经过不同条件的热约束变形之后进行金相观察,获得了工艺(温度、应变、应变速率、冷却方式)和组织(初生α相含量、初生α相尺寸、初生α相长径比)参数数据,分别以这些数据作为输入和输出,建立了结构为4×6×8×3的BP人工神经网络.研究结果表明:所建立的网络可以很好地反映出材料的工艺-组织之间的关系并且具有一定的精度,网络模型可以用来预测不同变形条件下TA15钛合金的组织,且对于TA15钛合金的实际生产具有有效的指导作用.     

面向材料基因工程的人工神经网络研究

介绍了人工神经网络的基本原理,概述了三种典型人工神经网络模型的特点及其在材料基因工程领域中的应用范围。当实验数据充足,可选择RBF人工神经网络;当需要提供较强的理论依据以及实验数据少的情况下,BP神经网络是比较优先的选择;当遇到分类与识别问题时可应用自组织竞争神经网络。     

基于BP神经网络的TA15钛合金流动应力预测

利用Gleeble 1500热模拟机进行了TA15钛合金不同变形温度、变形程度和应变速率条件下的热压缩试验.在试验数据基础上,应用BP神经网络建立TA15钛合金高温变形本构关系.研究结果表明,通过BP神经网络得到的流动应力具有较高的精度,能够客观地反映TA15钛合金在塑性加工过程中的动态行为,具有重要的工程应用价值.     

基于ANN的TA15钛合金TIG焊接头拉伸性能模型建立

近α型钛合金TAI5具有较好的综合力学性能,在飞机结构中有广阔的应用前景。针对TAI5钛合金进行了系统的TIG焊试验,并进行了焊接接头拉伸性能测试。在此基础上,基于人工神经网络（ANN）原理对影响TAI5钛合金TIG焊接头拉伸性能的主要参数进行了选取,确定ANN的输入和输出参数,建立了TAI5钛合金TIG焊接头拉伸性能ANN模型并对模型进行了优化及误差分析。结果表明,最终建立的拉伸性能模型能很好地适用于TAI5钛合金TIG焊接头拉伸性能的模拟,优于传统回归方法。     

基于人工神经网络的铜合金时效性能研究

利用神经网络对Cu-Cr-Zr合金时效温度、时间与硬度和电导率样本集进行学习，采用改进的BP网络算法—Levenberg-Marquardt算法，建立了时效强化工艺BP神经网络模型。预测结果表明：该BP神经网络可以充分挖掘样本蕴含的领域知识，可以对材料性能进行有效预测和分析。     

Prediction of Tensile Property of Hydrogenated Ti600 Titanium Alloy Using Artificial Neural Network

An artificial neural network (ANN) model has been developed to analyze and predict the correlation between tensile property and hydrogenation temperature and hydrogen content of hydrogenated Ti600 titanium alloy. The input parameters of the neural network model are hydrogenation temperature and hydrogen content. The output is ultimate tensile strength. The accuracy of ANN model was tested by the testing data samples. The prediction capability of ANN model was compared with the multiple linear regression approach and response surface method. The combined influence of inputs on the tensile property is also simulated using ANN model. It is found that excellent performance of the ANN model was achieved, and the results showed good agreement with experimental data. Moreover, the developed ANN model can be used as a tool to control the tensile property of titanium alloys.     

神经网络在制备氮化硅多孔陶瓷中的应用

以凝胶注模法制备多孔氮化硅陶瓷正交试验结果作为样本,建立3层Back Propagation(BP)神经网络,并进行训练以预测陶瓷性能。通过附加试验值对建立的神经网络预测能力进行验证,证明该BP神经网络模型是有效的,能准确预测多孔氮化硅陶瓷性能。通过BP神经网络模型研究多孔氮化硅陶瓷性能的结果表明,随着固含量的增加,气孔率单调下降;固含量存在一优化值,此时陶瓷抗弯强度最大;单体含量越大,气孔率越大,而抗弯强度降低。     

基于人工神经网络模型的铝合金大气腐蚀的预测

用BP神经网络预测了铝合金大气腐蚀,研究了网络的训练精度和预测精度的关系,建立7-5-1的模型结构,模型相关系数为0.8821,预测结果比较理想.利用单一因素敏感性分析,计算了合金元素和环境因素对于铝合金大气腐蚀速率的影响.     

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。     

用BP算法建立ANN模型时学习率的选取

对于用BP算法学习的神经元网络,不同层中神经元进入饱和状态后对网络学习过程的危害程度是不同的。以3-3-1结构的网络及其用BP算法修正连接权值的过程,对比分析了输出层和隐含层神经元进入饱和后对网络学习过程的影响。并对实验证明了不同层采用不同学习率可以改善网络学习收敛速度。     

基于BP神经网络的细晶Ti_2AlNb基合金粉末球磨工艺研究

应用BP神经网络算法分析并预测了高能行星式球磨过程中工艺参数和球磨后Ti_2AlNb基合金粉末的形貌特征之间的关系,建立了粉末参数预测模型。BP网络模型的输入参数为球磨转速,球磨时间,球料比;输出参数为球磨后Ti_2AlNb基合金粉末的晶粒尺寸。BP网络模型中间隐含层节点数为9,输入、输出函数分别为tansig、purelin。通过检验样本验证了所建立神经网络模型的准确性。结果表明:该模型在容错性和通用性等方面优点突出,可用于预测球磨法制备细晶Ti_2AlNb基合金粉末的晶粒尺寸,还可以弥补各种球磨过程物理模型应用与表述方面的不足,对于实际的粉末冶金工艺研究具有积极的应用价值和指导意义。     

人工神经网络在塑性成形领域中的应用研究

在概述人工神经网络发展及应用的基础上,综述了国内外神经网络在塑性成形领域中应用的现状,着重介绍了板材成形和模具设计与制造方面应用神经网络的现状。利用人工神经网络实现了板材拉深成形智能化控制过程中摩擦系数的实时识别,并对其进行了实验证,结果表明,神经网络模型能够很好地解决板材拉深成形智能化控制过程中摩擦系数的实时识别问题,实现整个拉深化过程的智能化控制。最后指出了当前人工神经网络研究与应用中的不足之处及今后的研究方向。