用人工神经网络模型研究微量元素对钢力学性能的影响.doc

用人工神经网络模型研究微量元素对钢力学性能的影响.doc

  1. 1、本文档共6页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
用人工神经网络模型研究微量元素对钢力学性能的影响

用人工神经网络模型研究微量元素对钢力学性能的影响 刘贵立 张国英  曾梅光 摘 要:在实验数据的基础上,用人工神经网络建立高Co-Ni二次硬化钢的力学性能预测模型,根据网络的预测结果讨论了微量元素Nb、Ti对钢力学性能的影响,结果证明网络的预测同实验基本一致。可见人工神经网络在材料设计方面有广阔的应用前景,它为高性能材料设计提供了新的手段。 关键词:二次硬化钢 人工神经网络 材料力学性能 微量元素 STUDIES ON EFFECTS OF TRACE ELEMENTS ON MECHANICAL PROPERTIES OF STEEL BY ARTIFICIAL NERVE NETWORK MODEL Liu Guili Zhang Guoying (Shenyang Polytechnical University) Zeng Meiguang (Northeastern University) Abstract:A mechanical property prediction model for high Co-Ni Secondary hardened steel is built upon the experimental data with the aid of artificial nerve network and effects of trace elements Nb and Ti on the mechanical properties of steel are discussed upon the predicted results.Final results show that the value predicted by the network conforms to the experimental result. It is obvious that the artificial nerve network has opened up a broad prospect for material design and provided a reliable means for high property material design. Keywords:secondary hardened steel artificial nerve network mechanical property for material  trace element▲ 1 前 言   人工神经网络是近年发展起来的模拟人脑生物过程的具有人工智能的系统[3],目前在材料设计方面的应用已取得了一定的进展[4]。它无需人们预先给定公式的形式,而是以实验数据为基础,经过有限次迭代计算而获得的一个反映实验数据内在规律的数学模型,因此它具有特别适合于研究复杂非线性系统的特性。   本文在实验的基础上,采用人工神经网络建立模型,对微量元素Nb、Ti对高Co-Ni二次硬化钢的力学性能的影响进行了研究,讨论了微量元素在形成夹杂物、提高钢的强韧性方面的作用,进而为研究高性能钢材、合理使用合金元素、尽量降低实验成本,提供了有效的手段。 2 人工神经网络建立模型   本文采用反向传播算法(BP)建立新模型[5]。网络结构为9×14×4,其中网络的9个输入是高Co-Ni二次硬化钢的合金成分及淬火、时效温度,分别用Z1至Z9表示;4个输出分别是屈服强度σ0.2(MPa)、抗拉强度σb(MPa)、断裂韧性Kic(MPam1/2)、延伸率δ(%),用O1至O4表示;中间隐层上的14个神经元输出为Yj。 Yj=f(netj)  (1)   (2) Ok=f(netk)  (3)   (4) f(x)=[1-exp(-x)]/[1+exp(x)](5) 图1 BP网络结构   这里netj、netk分别为隐层第j人神经元和输出层第k个神经元的输入,Vji和Wjk分别表示输入层与隐层以及隐层与输出层之间的权值。训练一个神经网络就是通过调整权值以实现对复杂非线性对象的建模和估计,训练网络的指标函数取为:   (6) 式中 Dnk——表示第n个学习样本的第k个分量,通常称之为导师信号    Onk——表示相应网络的实际输出值    P ——为训练样本数   网络学习算法采用文献[4]给出的方法,即第t+1次迭代权的修正为:   Wjk(t+1)=Wjk(t)+ηδkYj+   α[Wjk(t)-Wjk(t-1)]  (7)   Vji(t+1)=Vji(t)+ηδjZi+   α[Vji(t)-Vji(t-1)]  (8) 式中 η ——学习率    α ——动量项系数,δk、δj学习信号,其表达式为: δk=(Dk-Ok)f′(netk)  (9)   (

文档评论(0)

liudao + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档