利用人工神经网络模型和Z-A模型对无氧Cu本构关系的对比研究

利用Split-Hopkinson bar装置上所得变形数据,研究并比较了冲击预变形铜的神经网络本构关系模型以及Zerrilli-Armstrong本构关系模型.在此基础上比较研究了两种模型对冲击预变形铜在不同热力学状态下流变应力的预测精度.本研究中神经网络模型的总的拟合度为0.9%,而Zerrilli-Armstrong模型的拟合度为8%.研究发现:Zerrilli-Armstrong模型相对于神经网络模型有较低精度的原因是由于物理模型把材料内部某些动态变量作为常数处理,而神经网络模型建模训练时已经包含了这些动态变化的因素.研究认为通过增加神经网络输入节点数可以扩大神经网络模型的应用范围.图2,表1,参12.     

中密砂的弹塑性神经网络本构模型

基于建立岩土本构模型的数值方法和建模的4个基本步骤，建立了中密砂的弹塑性神经网络本构模型，绘出了屈服面轨迹，并通过试样分析验证了此模型的可行性与有效性．研究结果表明：一方面，该模型排除了确定塑性势函数的困扰；另一方面，用神经网络替代模型解析表达式，既提高了精度。又简化了确定参数的过程；同时，能够反映出应力路径对本构关系的影响。从而为工程实践中对不同应力路径进行数值模拟提供了可能．     

Ti-5Al-2Sn-2Zr-4Mo-4Cr合金本构关系的新模型

本构关系是联系材料塑性变形行为与工艺参数的桥梁,也是用有限元法模拟金属成形过程的前提条件．开发了一个基于神经网络的Ｔｉ－５Ａｌ－２Ｓｎ－２Ｚｒ－４Ｍｏ－４Ｃｒ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－５Ａｌ－２Ｓｎ－２Ｚｒ－４Ｍｏ－４Ｃｒ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来训练具有ＢＰ算法的人工神经网络．训练结束后的神经网络即成为一个知识基的本构关系模型．预测结果和实验结果对比表明神经网络模型具有较高的精度和推广能力．     

工程材料本构模型辨识及参数反演新方法

概述了采矿、岩土、土木等工程材料本构模型辨识及物理力学参数的反 分析等研究;针对具体工程材料最佳本构模型的选择（模型辨识）及基物理力学参数确定问题,视工程对象（岩土体）为一复杂系统,施工中实测获得的工程对象随时间的响应（如载荷、变形位移等宏观信息数据）隐式地蕴含着工程材料的本构信息,即工程对象的应力－应变本构关系和模型的物理力学参数。作为系统识别模拟的理想工具,神经网络能够学习模拟到工程材料的本构关系,这样即工程对象体的本构模型和参数识别为一“黑箱”,给定某一应变向量就可得到期望的输出应力向量,而无需写出显式参数的数学表达式,此即基于神经网络的隐式材料本构模型－智能本构模型。     

混凝土三轴循环本构关系的神经网络模拟

利用BP神经网络的模拟能力代替传统的力学方法，对混凝土材料的循环本构关系进行了模拟研究．首先回顾了此类模型的研究进展和构造方法。然后直接从试验数据出发，建立了混凝土三轴受压循环比例加栽条件下的本构模型．试验结果和模拟结果的比较说明，该模型具有较高的精度和良好的泛化能力．本研究结果进一步说明神经网络模型适合于描述多影响因素的非线性复杂因果规律，为研究材料本构特性提供了一条新的途径．     

饱和粘土本构关系的神经网络模型

基于不同应力中径下饱和粘土的三轴试验和反问题理论，提出了用改进BP神经网络和径向基函数（RBF）神经网络这两种方法来建立粘土的本构模型。实例分析表明，两种模型对具体本构关系都能够很好逼近和预测，比较起来，径向基函数神经网络模型的稳定性好，且逼近速度快，而改进BP神经网络稳定性好，但逼近速度过慢。     

BP神经网络的灌芯砌体的本构模型研究

利用反向传播神经网络（BP神经网络）的模拟能力来代替传统的方法，建立灌芯砌体的本构模型，对比模拟结果，并与传统方法进行比较．从模型的预测值和试验值可以看出，训练后的模型具有较高的学习精度和较好的泛化能力，可以保证在结构问题中的应用。     

填石路堤中的非线性本构模型

填石路堤的沉降分析是随着我国交通建设的发展而提出的新的工程问题。在填石路堤的变形计算时，除了根据已有经验数据进行预测以外，多是通过对其本构模型进行研究，并在此基础上运用有限元等方法进行分析，得到其应力应变及沉降值，从而指导设计与施工。因此，本构模型的研究是填石路堤变形研究的基础。系统介绍了目前填石路堤有关的本构模型及其研究方法，重点介绍了邓肯一张模型及其在填石路堤沉降分析中的应用前景。     

含损伤的冻土动态本构模型研究

为研究冻土动态本构关系,基于损伤理论研究冻土的变形过程,用唯象模型将冻土看成黏性体和损伤体的并联组合体,并且利用强度理论以及复合材料等效夹杂原理获得冻土在冲击载荷作用下的动态本构模型及其参数的确定方法. 利用分离式霍普金森压杆(SHPB)对冻土进行冲击加载实验,获得冻土在不同应变率冲击载荷作用下的应力-应变曲线,实验结果表明冻土具有明显的应变率相关性. 对比实验曲线和理论曲线可以看出模型计算与实验结果吻合良好,说明了建立模型的方法是可行的,且该模型能够很好地反映冻土动态加载过程的主要特征.     

混凝土非线弹性正交异性本构模型

通过对混凝土多轴应力下强度、变形和破坏形态的大量试验研究，建立了非线弹性正交异性本构模型。根据试验规律，建议了拉应力指标α以划分混凝土的破坏形态，并分别给定适宜的等效单轴应力—应变关系；定义了合理的应力水平指标β；给定拉、压应力状态泊松比值的不同变化规律和公式。本构模型与试验曲线比较，无论是应力—应变曲线的形状和绝对值，以及不同应力比下的峰值应变变化规律都符合良好     

Prediction Model of Sewing Technical Condition by Grey Neural Network

The grey system theory and the artificial neural network technology were applied to predict the sewing technical condition. The representative parameters, such as needle, stitch, were selected. Prediction model was established based on the different fabrics' mechanical properties that measured by KES instrument. Grey relevant degree analysis was applied to choose the input parameters of the neural network. The result showed that prediction model has good precision. The average relative error was 4.08% for needle and 4.25% for stitch.     

铜合金时效性能的神经网络预测模型

运用BP神经网络算法，对时效试验数据进行训练，建立了Cu-0．30Cr-0．15Zr合金时效后硬度和导电性与时效时间和时效温度的映射模型，从而可预测铜合金在一定时效条件下的硬度和导电性，预测结果与实测值吻合较好，表明神经网络用于铜合金的时效性能预测是可行的，预测的准确性取决于用于训练网络的铜合金时效试验数据的数量和质量。     

神经网络智能算法在砂砾石本构模型中的应用研究

通过人工神经网络方法构建砂砾石材料的非线性本构模型,结合工程实例进行了有限元分析计算,提出了对有一定高度的同性材料按不同围压进行分区,并结合神经网络本构模型进行计算的方法;研究结论对神经网络在本构模型上应用的特点提出了基本的研究思路.     

基坑变形灰色人工神经网络预测模型及其应用

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比GM(1,1)预测模型小;与BP预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与BP预测相结合的方法进行预测。     

关于Hopfield人工神经网络中几个问题的进一步研究

本文对广泛应用的Hopfield人工神经网络模型的建立过程、能量公式、稳定性及两个重要的设计公式作了较详细的推导与物理解释,将有助于人们对Hopfield模型的进一步理解。     

基于小波神经网络矿山安全的评价模型

煤矿是一个多工序、多环节、生产过程复杂、时空变化大、环境恶劣的生产企业,其安全系统是一典型的非线性系统,对矿山进行安全评价是当前安全管理中的一个重要环节.采用由伸缩和平移因子决定的小波基函数代替Sigmoid等传递函数,选用23项指标作为输入节点,建立矿山安全的小波神经网评价模型,该模型可自动确定网络参数,避免了传统神经网络需要人为干预网络结构参数的不足.实例分析表明,提出的WNN网络的评价绝对误差平均为0.425%,而BP网络评价绝对误差平均为3.1%.这说明,WNN网络泛化能力远好于BP网络,该模型具有重要的应用价值.     

结合人工神经网络的冷凝器稳态分布参数模型

为了克服由于实际装置的复杂性及生产工艺的差异对冷凝器稳态仿真精度的影响 ,提高冷凝器仿真模型的通用性和准确性 ,提出了冷凝器基本模型结合人工神经网络的仿真思路 .以相区划分和制冷剂出口焓值迭代为基础 ,提出了一种稳定的逆流型冷凝器仿真分布参数模型和算法 ,建立了冷凝器仿真的基本模型 .其计算结果与实验数据的变化趋势一致 ,能够在定性上反映实际物理过程的基本特性 .通过对部分实验数据的学习 ,进一步建立了与基本模型相结合的人工神经网络 .利用其非线性映射能力进行模型修正 ,显著提高了冷凝器的仿真精度 ,从而为同时提高冷凝器仿真的通用性和准确性提供了一种有效的工程应用方法     

基于改进小波神经网络的大气质量评价模型

为了缩短人工神经网络的训练时间、减少迭代次数和提高输出结果的准确率,将小波基函数应用于人工神经网络,并用专家评分后归一化处理的方法对输入层的权值初始值进行优化,建立了优化的小波神经网络模型。将该模型对井冈山区域2012年大气监测数据进行评价,实验结果表明:经过优化的小波神经网络模型的评价精度较高。最后与将该模型与其它评价方法相比,该模型还具有计算快速、评价客观、可靠性强、效率更高的特点。     

人工神经网络在《电工学》教学评价体系中的应用

利用人工神经网络方法建立《电工学》教学质量评价模型，并在MATLAB系统内得以实现。结果表明，人工神经网络用于《电工学》教学质量评价中，得到了满意的结果，具有广泛的适用性。     

基于改进人工蜂群算法的大青杨晚材率预测

为了更加准确地预测人工林大青杨(Populus ussuriensis)晚材率,通过对标准人工蜂群算法(artificial bee colony, ABC)的蜜源更新公式进行改进,提出了分段式蜜源搜索半径公式,并用改进的人工蜂群算法(AABC)对径向基(radial basis function, RBF)神经网络的初始参数进行优化,提出一种基于改进的人工蜂群算法和径向基神经网络算法结合的预测模型,并与粒子群(partical swarm optimization, PSO)优化的RBF神经网络预测结果进行对比。结果表明:传统的RBF预测模型不仅收敛速度慢,而且预测精度不高。基于改进的ABC算法优化RBF神经网络预测模型整体比PSO优化的效果相对较好,收敛速度从42步提升至28步,预测的平均相对误差从2.54%降低到0.95%。可见对ABC算法的改进是可行的,而且提高了晚材率预测的精度。