基于BP网络的水泥强度预测

运用改进的BP算法,建立了水泥强度预测模型.模型1用于预测水泥抗压强度,网络输入为水泥3 d抗压强度,网络输出为水泥28 d抗压强度;模型2用于预测水泥抗折强度,网络输入为水泥3 d抗折强度,网络输出为水泥28 d抗折强度.网络的改进主要采用附加冲量和自适应学习率等方法,网络运行良好.模型1的相对误差平均值为1.665 5%;模型2的相对误差平均值为3.834 1%,预测结果较为理想.     

聚丙烯单丝增强石膏基复合材料力学性能的研究

采用较粗的聚丙烯(PP)单丝作为石膏材料的增强材料,通过抗折和抗压实验研究了单丝长度、掺量对PP单丝/石膏复合材料抗折和抗压强度的影响.抗折实验结果表明:PP单丝的掺入有利于提高复合材料的抗折强度,当掺量小于1%时,复合材料抗折强度随掺量增加而变大,当掺量为2%时复合材料抗折强度呈下降趋势;掺量相同的情况下,单丝长度越长增强效果越好,15 mm的PP单丝掺量为1%的试样抗折强度最高较空白样提高了26%;折断后试样断口中PP单丝呈拔出状,表明PP单丝与石膏材料的结合较弱.抗压实验结果表明:PP单丝的掺入降低了复合材料的抗压强度,抗压强度随掺入量增加而减小,15 mm的PP单丝掺量为2%的试样抗压强度最小较空白样减少了9.6%.     

低温钢纤维混凝土强度试验与预测

以不同温度(0℃、-5℃、-10℃、-15℃、-20℃)、不同钢纤维掺量及不同水灰比的钢纤维混凝土的抗压、抗拉、抗折与抗剪强度试验结果,建立以温度、钢纤维掺量以及水灰比作为输入矢量,混凝土预测强度作为输出矢量的网络模型。用人工神经网络分别为抗压强度、抗折强度、抗拉强度及抗剪强度建立了合适的网络模型,输入层和隐含层均采用双曲线正切S型传递函数,输出层采用线性传递函数。网络采用Levenberg-Marquardt算法进行训练,对低温钢纤维混凝土的强度进行了预测,预测的相对误差在0~0.05的范围内波动,各训练总标准差与仿真总标准差均在0.3的范围内,取得了满意的结果,这对低温条件下钢纤维混凝土强度预测有一定实用价值。     

基于混沌神经网络的压电陶瓷迟滞模型

为解决压电陶瓷迟滞建模问题,提出一种新型的G-S混沌神经网络模型. 该网络由输入层、隐层和输出层构成,在输入层中引入延迟环节,从而使得历史输入能够对当前输入的响应产生影响. 网络的学习过程是一种混沌优化算法,可有效避免普通神经网络的局部极值和假饱和现象的发生. 将该网络应用于纳米定位系统压电陶瓷执行器迟滞建模中,可以降低建模误差,实验结果验证了该方法的有效性.     

高炉铁水含硅量神经网络预测模型

按现代控制理论,将高炉视作多输入-单输出系统.引入人工神经网络(ANN)方法,选定若干参数作为硅含量的相关变量,建立标准的三层BP网络铁水硅预报模型.用该模型对津西5#高炉的生产数据进行离线预报,允许误差为±0.1%时命中率达到81%.     

超高速纳米陶瓷结合剂CBN砂轮制备与实验

将纳米复合材料技术应用于超高速陶瓷结合剂CBN砂轮试验研究,制备出力学性能和热学性能有明显改观的纳米陶瓷结合剂.与普通陶瓷CBN砂轮结合剂的实验结果相比,纳米陶瓷结合剂在耐火度、线膨胀系数、浸润性以及抗折强度上都有着显著优势,其砂轮贴片样条抗折强度达到了8823MPa,耐火度约为795℃.以此制备出的超高速纳米陶瓷结合剂CBN砂轮,不但安全性高,而且在对不锈钢、钛合金、高速钢几种难磨金属的干磨实验测试中也表现出了良好磨削性能.     

热压烧结C-SiC-B4C复合材料组织与性能(Ⅰ)

以Cfg,SiC,B4C,TiO2为原料,热压工艺为1750~1 900℃×30 min,25 MPa,制备了C-SiC-B4C复合材料,并研究了材料的组织与性能.结果表明随热压温度升高,复合材料的体积密度、抗折强度、断裂韧性均升高;相同热压温度下随Cfg含量增加,其抗折强度降低、断裂韧性升高.在1 900℃热压,原料质量配比(质量分数,%)为Cfg20,SiC 61.7,B4C 12.3和TiO26时,复合材料的综合力学性能最佳,抗折强度为142.5MPa,断裂韧性为4.8 MPa.m21.复合材料的主晶相为层状结构的Cfg,在Cfg层间为SiC,B4C和原位生成的TiB2颗粒.复合材料的增韧机制主要为Cfg与陶瓷相的热膨胀不匹配产生的热应力导致的弱界面分层诱导韧化作用.     

纳米粒子和聚乙烯醇纤维增强水泥基复合材料抗折性能

通过抗折试验和抗折试验后小立方体抗压强度试验,探讨了纳米粒子掺量、聚乙烯醇(PVA)纤维掺量和石英砂粒径对水泥基复合材料抗折性能的影响。结果表明,纳米粒子掺量、PVA纤维体积掺量和石英砂粒径对水泥基复合材料抗折强度和抗折试验后小立方体抗压强度有较大影响。PVA纤维水泥基复合材料的抗折强度和小立方体抗压强度随着纳米Si O_2掺量增加呈先增大后减小的趋势,当纳米Si O_2掺量达到1.5%和1.0%时,抗折强度和抗压强度分别达到最大值;随着纤维体积掺量的增大,掺纳米Si O_2水泥基复合材料抗折强度和小立方体抗压强度逐渐增大,但当PVA纤维体积掺量超过0.6%时,小立方体抗压强度有逐渐降低的趋势;随着石英砂粒径的减小,抗折强度和小立方体抗压强度逐渐降低,采用粒径a石英砂配制的水泥基复合材料具有更高的抗折强度和小立方体抗压强度。     

基于神经网络冷再生层最大剪应力预测

目的针对乳化沥青冷再生路面内部剪应力过大易导致路面产生车辙等路面破坏问题,对其内部剪应力进行预测,减少此类病害,更好地选择路面结构参数,提高冷再生层内部抗剪强度.方法以乳化沥青冷再生层的厚度、模量,水泥稳定碎石的厚度、模量以及土基模量为输入参数,以冷再生层最大剪应力为输出参数,运用遗传算法对初始参数进行优化,运用灰色神经网络理论构建冷再生层最大剪应力预估模型;构建多元线性回归模型预测最大剪应力,对二者的预测能力进行分析.结果笔者建立的神经网络模型预测值与实测值拟合效果良好,最大误差仅为4.119 2%,能够进行准确预测.多元线性回归和灰色神经网络预测模型,都可用于冷再生层最大剪应力的预测,但灰色神经网络模型对冷再生层最大剪应力数据的预测结果较优.结论把灰色神经网络预测模型与沥青路面结构的设计联系起来,可以更好地控制乳化沥青冷再生路面的剪切破坏.     

粉煤灰秸秆复合材料的试验及回归分析

采用均匀设计法对粉煤灰秸秆复合材料的配合比进行了试验研究，并对材料的抗劈裂和抗折试验数据进行二元非线性回归分析。研究表明，粉煤灰秸秆复合材料的抗劈裂破坏峰值随着粉煤灰和秸秆含量参数的增加而逐渐减小，说明应该添加适当的外加剂，增强材料内部的粘结能力；材料的抗折强度随着秸秆含量参数的增加而降低，因此必须把秸秆含量参数控制在一定范围之内，使材料的试验性能达到良好状态。当粉煤灰、秸秆配比为45％和6％时，材料达到最大抗劈裂破坏峰值；当粉煤灰、秸秆配比为60％和6％时，材料达到最大抗折强度。     

基于改进BP神经网络的路基材料性能预测

结合人工神经网络原理，分析了路基材料性能的影响因素，采用GSL变换改进后的BP神经网络来预测路基材料的有关性能，通过直接对实验数据的神经网络学习，发现各力学参数之间的关系，从而建造了路基材料性能的人工神经网络模型，对路基材料的无侧限抗压强度和回弹模量进行了预测，结果表明，该模型收敛速度及预测精度均得到改善，可以很好地拟合输入参数与输出参数之间的非线性关系，有较好的实际应用价值。     

普通混凝土强度预测的BP神经网络模型

在分析普通混凝土强度影响因素基础上 ,选取混凝土配料中 7个因素作为输入值 ,混凝土2 8d强度作为输出值建立了混凝土强度预测的 BP网络模型。讨论了模型的学习样本、网络参数对预测精度的影响 ,选出最佳网络参数配置。实例证明模型预测精度高。     

基于RBF-BP复合神经网络的企业创新能力评价模型

为更加精准地测量企业创新能力,利用熵值法和相关性分析,从创新投入、创新产出、创新支撑3个维度建立企业创新能力评价指标体系,构建企业创新能力评价的RBF BP复合神经网络模型。该模型由1个输入层、1个RBF隐含层、1个BP隐含层以及1个输出层组成,其特点是将RBF隐含层的输出作为BP隐含层的输入。十折交叉验证与随机二次抽样2种方法检验表明,与单一RBF神经网络、单一BP神经网络相比,RBF BP复合神经网络模型的平均均方误差与平均绝对误差分别下降2821%、1519%和1251%、1255%,表明RBF BP复合神经网络模型具有最优的数据拟合能力,更适合于企业创新能力评价。     

BP神经网络在材料领域中的应用(综述)

成分一结构一性能之间的关系始终是材料科学研究的主题，传统的试错法等经验或半经验的材料研究方法造成了资源、人力和时间上的极大浪费，因此需要从理论上解决材料设计、评价、预报等方面问题．人工神经网络是具有在线学习、记忆和分析推理功能能力的数学方法，它能够获得输入与输出之间的相互关系．其中BP神经网络结构简单、理论研究比较成熟．在材料研究领域中，BP神经网络已用于材料性能的研究与预测，复合材料工艺参数优化和预报，以及对金属的腐蚀研究等方面．     

BP神经网络预测混凝土抗渗性能的研究

综合考虑了双掺矿物、掺合料混凝土抗渗性能的各种影响因素，选取了双掺矿粉、粉煤灰混凝土配料中7个主要因素作为输入量，混凝土28d抗渗系数为输出量，建立了混凝土抗渗性能预测的BP网络模型，进而对双掺矿粉、粉煤灰混凝土配合比抗渗性能试验数据进行分析．结果表明此模型的可靠度高，可用于混凝土渗透性的虚拟化设计．     

BP neural network based flexural strength prediction of open-porous Cu-Sn- Ti composites

Open-porous Cu-Sn-Ti composites are fabricated by the space holder sintering technique using carbamide particles as space-holder material. Generally, the mechanical properties of open-porous sintered composites, especially the flexural strength affect the machine tools wear significantly. In this paper, a back-propagation (BP) artificial neural network with genetic algorithm (GA) and particle swarm optimization algorithm (PSOA) was then employed to relate the composition parameters (pore size, porosity and concentration of molybdenum disulfide particles) to the flexural strength. Furthermore, a comparison of predicted and experimental results using GA-BP and PSOA-BP models was conducted and good prediction accuracy was obtained. The study showed that PSOA-BP models could achieve better prediction results in aspects of the higher convergence velocity, lower relative errors of the flexure strength utilizing GA-BP models. Finally, the high porosity and desired flexural strength were achieved by optimizing the input parameters of open-porous Cu-Sn-Ti composites.     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

Prediction of Sintering Strength for Selective Laser Sintering of Polystyrene Using Artificial Neural Network

In the present work,a study is made to investigate the effects of process parameters,namely,laser power,scanning speed,hatch spacing, layer thickness and powder temperature, on the tensile strength for selective laser sintering( SLS) of polystyrene( PS). Artificial neural network( ANN) methodology is employed to develop mathematical relationships between the process parameters and the output variable of the sintering strength. Experimental data are used to train and test the network. The present neural network model is applied to predicting the experimental outcome as a function of input parameters within a specified range. Predicted sintering strength using the trained back propagation( BP) network model showed quite a good agreement with measured ones. The results showed that the networks had high processing speed,the abilities of error-correcting and self-organizing. ANN models had favorable performance and proved to be an applicable tool for predicting sintering strength SLS of PS.     

复合材料设计专家系统及其功能模块的实现

复合材料设计专家系统主要一系列材料设计知识库,一个通用的推理机和各种能够进行一定设计的功能模块。主要的功能模块有：复合材料设计模块,复合材料层合板设计模块,复合材料典型构件设计模块以及一些辅助功能模块。     

基于MIVM神经网络模型对合金组元活度的预测

为了使用分子相互作用体积模型(molecular interaction volume model,MIVM)准确便捷预测出合金溶液中组元的活度,建立了活度预测的BP(back propagation)神经网络模型和算法,模型的输入层为合金溶液中组元的实验活度系数,输出层为分子对位能相互作用参数,隐含层设定为一层。采用遗传算法优化BP神经网络模型各结构参数,在遗传算法中使用合金溶液中组元的无限稀活度系数的实验值和理论值的偏差作为适应度函数,以偏差最小为目标进行优化以保证BP神经网络的有效性。最后以Pb-Bi,Sn-Bi,Sn-Pb,Fe-Cu二元合金溶液中组元活度预测为例对BP神经网络模型和算法进行验证。结果表明:组元活度预测值与实验值之间的平均相对误差均小于4%,绝对偏差小于0.78,能满足工程计算要求。