共查询到18条相似文献,搜索用时 62 毫秒
1.
用人工神经网络模型预测钢的奥氏体形成温度 总被引:1,自引:1,他引:0
根据所收集的试验数据,建立了预测钢的奥氏体形成温度Ac3和Ac1点的反向传播人工神经网络模型。用散点图和均方误差、相对均方误差和拟台分值3种统计学指标评价模型的预测性能。人工神经网络预测Ac3和Ac1的3种统计学指标分别为238℃,14.6℃;2.89%,2.06%和1.8921,1.7011。散点图和统计学指标均表明人工神经网络的预测陛能优于Andrews公式。此外.用人工神经网络分析了C和.Mn的含量对Ac3和Ac1温度的定量影响.计算结果表明。C和Mn含量与Ac3和Ac1点间存在非线性关系。 相似文献
2.
以铸钢奥氏体形成的两个关键温度为研究对象,利用BP人工神经网络成功预测了奥氏体开始转变温度、全部转变结束温度,分析了合金元素对两个温度点的影响。方法弥补了传统经验公式预测的缺陷,是一种可靠的奥氏体形成温度预测方法。 相似文献
3.
以铸钢奥氏体形成的两个关键温度为研究对象,利用BP人工神经网络成功预测了奥氏体开始转变温度、全部转变结束温度,分析了合金元素对两个温度点的影响。方法弥补了传统经验公式预测的缺陷,是一种可靠的奥氏体形成温度预测方法。 相似文献
4.
用反向传播人工神经网络预测低碳低合金钢的马氏体转变开始温度 总被引:1,自引:0,他引:1
根据收集和整理的实验数据,建立了低碳低合金钢的成分与马氏体转变开始温度(M.点)的反向传播(BP)人工神经网络,用这种方法预测了一些钢的M.点,并与用其它经验公式得到的结果进行了比较.结果表明:用人工神经网络能更精确地预测钢的M.点,预测精度明显高于其它线性经验公式.另外用正交实验法设计了几种基准成分的钢,用人工神经网络分析了几种合金元素对M.点的定量影响,计算结果表明,与传统的经验公式表达的信息不同,合金元素的含量与钢的M.点间表现为非线性关系.可以认为,这种非线性关系是由合金元素间复杂的交互作用引起的. 相似文献
5.
6.
7.
8.
9.
10.
11.
12.
13.
组合人工神经网络模型预测海水腐蚀速度的研究 总被引:1,自引:0,他引:1
针对误差反传(BP)人工神经网络在海水腐蚀预测建模中的样本数量有限和隐含层单元数难以确定的问题,提出了结合使用自组织特征映射(SOM)网络和径向基函数(RBF)人工神经网络方法预测海水腐蚀速度.首先采用SOM对样本进行分类,再使用RBF进行样本训练和建模,并对A3钢和16Mn钢的海水腐蚀速度进行了预测.结果表明,该方法能够增强了网络局部泛化能力,提高了预测精度和计算速度. 相似文献
14.
15.
16.
基于人工神经网络的Nd-Fe-Co-Zr-B系永磁合金磁性的预测模型 总被引:2,自引:0,他引:2
为了优化合金成分以提高纳米复相Nd-Fe-Co-Zr-B系永磁合金磁性,采用均匀设计方法设计了Nd,Co,Zr和B的4因素6水平U18(6^4)实验方案,建立了合金成分与磁性之间的人工神经网络(ANN)预测模型.利用该预测模型对Nd-Fe-B合金的成分进行了优化.同时,利用所建立的人工神经网络预测模型研究了单个元素对Nd-Fe-B合金磁性的影响规律,以及多元素间的交互作用与合金磁性间的关系.结果表明:预测结果与实测结果吻合良好,预测结果的相对误差很小,Br的相对误差在1.66%以内,(BH)m的相对误差在1.94%以内,Hcj的相对误差在7.7%以内。 相似文献
17.