基于BP神经网络对Ti_2AlC/TiAl复合材料快速热处理工艺性能的预报

利用BP人工神经网络将Ti2AlC/TiAl复合材料的快速热处理工艺参数（热处理温度,B的含量）-性能（显微硬度、弯曲强度）,建立起关系网络模型。并通过BP神经网络,预测了Ti2AlC/TiAl复合材料在加入B元素和未加B元素的情况下的性能变化。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实验条件下Ti2AlC/TiAl复合材料的性能。加入B元素的Ti2AlC/TiAl复合材料的性能明显高于未加入B元素的。     

基于BP神经网络对Ti2AlC/TiAl复合材料快速热处理工艺性能的预报

利用BP人工神经网络将Ti2AlC/TiAl复合材料的快速热处理工艺参数(热处理温度,B的含量)-性能(显微硬度、弯曲强度),建立起关系网络模型.并通过BP神经网络,预测了Ti2AlC/TiAl 复合材料在加入B元素和未加B元素的情况下的性能变化.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实验条件下Ti2AlC/TiAl复合材料的性能.加入B元素的Ti2AlC/TiAl复合材料的性能明显高于未加入B元素的.     

基于蚁群神经网络的电阻点焊工艺参数优化

提出了一种神经网络与蚁群算法相结合的08Al钢板电阻点焊工艺参数优化方法.以试验数据为样本,通过神经网络建立焊接工艺参数与焊接性能关系之间的复杂模型,利用蚁群算法对焊接工艺参数进行优化,充分发挥神经网络的非线性映射能力和蚁群算法全局寻优能力.仿真试验显示了方法的有效性和优越性.     

陶瓷颗粒增强铜基复合材料研究进展

概述了目前研究最为广泛,最具有应用前景的SiC、Al2O3、AIN和Ti3SiC2颗粒增强铜基复合材料在制备及性能特点方面的研究现状,以及陶瓷颗粒增强铜基复合材料常用的制备方法.     

Ti2AlC/TiAl(Nb、B)复合材料工艺-性能的人工神经元预报

将Ti2AlC/TiAl复合材料的工业参数、性能参数数据,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实验条件下Ti2AlC/TiAl复合材料的性能。     

Ti3SiC2陶瓷颗粒表面超声波化学镀铜

钛碳化硅（Ti3SiC2）陶瓷导电材料有许多优异的性能,其摩擦系数甚至比石墨更低,完全可以取代石墨用来制备性能更加优良的铜基电接触复合材料,但是由于其与铜基体之间的浸润性不是很好,研究了利用超声波化学镀覆技术在Ti3SiC2颗粒表面均匀镀上一层连续的铜镀层。通过扫描电子显微镜对铜镀层表面形貌的观察表明：通过严格的镀前预处理工艺的优化设计以增加活化点,对传统镀液配方的调整以降低镀速,能够成功的在Ti3SiC2颗粒表面均匀镀覆一层铜微粒,改善了Ti3SiC2和铜基体间的润湿性,从而增强二者之间的界面结合力。     

原位(TiB2-TiB)/Cu复合材料组织与性能研究

采用机械合金化和热压烧结相结合的方法制备出原位TiB_2颗粒和TiB晶须混杂增强的铜基复合材料,利用XRD、OM、SEM、TEM研究了复合材料的微观组织,分析了热压烧结过程中的原位反应机理及微观组织对复合材料硬度、导电率及致密度的影响规律。结果表明:原位反应过程为Cu和Ti原始粉末在800℃开始反应生成Cu3Ti中间相,在850℃时达到Cu3Ti中间相的熔点并在基体中形成液相微区,然后B原子扩散至该液相微区,在继续加热过程中原位析出硼化钛增强相。TiB晶须含量相对较多的复合材料具有较高的硬度,Ti B2颗粒含量相对较多的复合材料具有较高的导电率,TiB晶须和TiB_2颗粒混杂增强的铜基复合材料则同时兼备了以上2种复合材料的性能优势,其综合性能得到优化。所得烧结态3%(TiB_2-TiB)/Cu混杂增强复合材料的硬度和导电率分别达到86.6 HB和70.4%IACS。     

基于神经网络的颗粒增强铝基复合材料本构关系研究

采用Gleeb-1500D热模拟试验机对TiB2颗粒增强铝基复合材料进行等温压缩试验,获得了该复合材料在不同变形条件下的流变应力数据。结合试验数据,采用改进的BP网络算法—Levenberg-Marquardt算法建立了复合材料3×12×1三层网络结构模型的本构关系,并与Kumar模型计算的本构关系进行了对比分析。结果表明,神经网络模型和Kumar模型的总拟合度分别为2.1%和6.5%,两种模型建立的本构关系具有较高的精度,均能够描述该复合材料的高温变形力学行为,适用于复合材料热加工过程的数值模拟。由于Kumar模型把热变形激活能Q看作与应变变化无关的常数处理,而神经网络模型建模训练时包含了热变形激活能Q随应变改变的动态变化,因此神经网络模型的精度高于Kumar模型。     

碳纤维增强Cu-Ti3SiC2自润滑复合材料的研究

介绍了碳纤维的表面处理及碳纤维增强铜基复合材料的制备工艺与性能的研究进展.三元层状碳化物Ti3SiC2兼具金属和陶瓷的优良性能,更有意义的是它具有很好的自润滑性能和比传统的固体润滑剂石墨、二硫化钼更低的摩擦系数.将Ti3SiC2弥散强化Cu与碳纤维复合强化Cu结合,制备出的复合材料,可望有效提高其自润滑性能,被认为在许多领域有着广泛的应用前景.     

Ti2SnC质量分数对铜基复合材料显微组织及性能的影响

为了制备强度高导电性能优异的铜基复合材料,以三元层状导电陶瓷Ti2SnC作为增强相,通过直热法粉末烧结技术制备Ti2SnC/Cu复合材料。研究了在烧结温度800℃、成型压力45MPa、保温时间30min、真空度50Pa的成型条件下,质量分数分别为0、5%、8%、10%的Ti2SnC增强相对复合材料的显微结构、硬度、抗拉强度、抗冲击韧性和导电率等性能的影响。结果表明:Ti2SnC的质量分数为5%时,综合性能最优,致密度和导电率分别达到94%、39%IACS,抗拉强度248MPa,硬度为88.7HBS,可适用于受电弓滑板。     

弥散强化铜基复合材料的研究现状与展望

弥散强化铜（DSC）合金因为有一系列优良的性能而逐渐成为很多领域中不可替代的结构功能材料，常用的增强相一般有Al2O3,WC和TiB2，最近，又有一种新的Ti3SiC2陶瓷被用来作为增强相。本文对几种复合材料分别做了介绍．分析了研制弥散强化铜基复合材料中的一些问题，还对该材料的应用进行了展望。     

激光焊接偏差识别的神经网络模型试验研究

激光焊接偏差识别是保证激光焊接质量的关键技术,本文研究一种用于识别激光束与焊缝位置偏差的BP神经网络模型。在大功率光纤激光焊接试验条件下,利用高速红外摄像机摄取焊接区域熔池图像,分析激光束与焊缝对中及偏离所对应的红外辐射瞬态特征。通过图像处理增强熔池图像,计算熔池特征参数（熔池匙孔特征参数、匙孔质心值、热堆积效应参数）以及相对应的焊缝与激光束之间的偏差值,将其输入所设计的神经网络进行网络权值参数的训练,建立基于BP神经网络且具有一定环境适应能力的焊缝偏差模型。试验结果表明,该模型能够反映熔池特征参数与焊缝偏差之间的规律,可实现较精确的焊缝偏差识别。     

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。     

导电陶瓷Ti3SiC2颗粒表面无敏化活化的化学镀铜

利用无敏化、活化的化学镀覆技术能成功地在Ti3SiC2颗粒表面均匀地化学镀铜。实验表明：镀前对陶瓷颗粒进行严格的粗化处理,使其表面具有很强的催化中心,通过采用合适的镀液配方和工艺,能成功地在Ti3SiC2颗粒表面镀覆一层铜,从而增强了陶瓷TisSiC2颗粒和铜基体之间的界面结合力,为Ti3SiC2在复合材料领域中的应用开辟了更广阔的前景。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明：相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

Ti_2AlN-La_2O_3/Cu复合材料的界面反应与性能

采用粉末冶金法制备了以Ti2AlN和La2O3为增强相的新型铜基复合材料。研究了Ti2AlN与Cu界面反应及其对复合材料性能的影响。结果表明:Ti2AlN颗粒化学镀铜后改善了铜与Ti2AlN的界面结合情况,形成了宽度为20 nm左右的过渡区。在880~940℃的烧结温度范围内,增强相与基体的界面发生化学反应,生成了Cu(Al)固溶体与TiNx,在显著提高复合材料强度的同时,降低材料的导电性。另外,La2O3纳米颗粒分布在铜基体内,对材料起到弥散强化的作用。     

XD合成Al_2O_3,TiB_2/Al复合材料的热力学分析

从热力学的角度讨论了原位反应生成Al2 O3 和TiB2 陶瓷粒子增强铝基复合材料的合成机理。结果表明 ,在Al TiO2 B体系中 ,以一定的加热速率加热至 10 73K左右时 ,Al与TiO2 之间首先发生铝热反应 ,反应产生出活性钛原子并形成Al Ti B反应系 ;AlB2 和Al3 Ti均系反应中间产物 ,AlB2 在 12 0 0K左右时分解为Al和B ,Al3 Ti被B还原 ,当B的加入量 (摩尔 )是TiO2 的两倍左右时 ,Al3 Ti基本消失 ,最终生成Al2 O3 和TiB2 陶瓷颗粒增强的铝基复合材料。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究（英文）

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明:相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

应用回归和神经网络方法预测热轧带钢性能

针对Q235B热轧带钢性能预测系统，提出一种回归分析和神经网络相结合的方法来预测其力学性能。首先，测量材料最终相的组成与铁素体的晶粒度，应用多重回归分析的方法，建立成分、相体积分数、晶粒尺寸与抗拉强度、屈服强度、延伸率的对应关系，另一方面，采用BP神经网络方法，结合相变动力学模型的计算数据，通过大量数据的自学习训练，完成神经网络模型对抗拉强度、屈服强度、延伸率的预测，预测结果表明，应用神经网络和回归分析方法，具有较高的预测精度。     

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。