基于遗传算法BP神经网络建立镁合金腐蚀性能和力学性能的预报模型

镁合金论文 BP神经网络论文 遗传算法论文 预报模型论文
论文详情
进入21世纪,随着航空、航天、电子、特别是汽车等领域对轻量化的要求日益迫切,镁合金其诸多性能尤其是密度小的性能特点被广泛重视,然而,镁合金在应用过程中其抗腐蚀和塑形能力差这两个技术瓶颈严重制约其广泛应用。突破其固有技术瓶颈愈加成为研究领域热点。传统研究和加工过程的影响因素十分复杂多变,造成试验结果的不稳定,尤其是镁合金的活泼性导致冶金质量不稳定性,这些因素必然会导致研究过程中的实验数据波动大、结论准确性低、工作量大、时间长、成本高等一系列缺点。为此,人工智能研究方法引入材料科学研究领域日趋广泛,虽然也覆盖了镁合金研究领域,但应用于腐蚀性能研究几乎未见报道。所以本论文在课题组前面工作的基础上,采用BP神经网络和遗传算法的原理及其特点,建立镁合金腐蚀性能和力学性能的预报模型,主要成果如下:1)基于镁合金的腐蚀性能的数据,建立AZ31、AZ91两种镁合金以离心压力、腐蚀时间、Fe元素含量、第二相含量为输入,腐蚀深度为输出的采用遗传算法优化的4-8-1三层BP神经网络预报模型,用相同条件下不同腐蚀时间所造成的腐蚀深度差异,从而定量的表征耐腐蚀性能高低,该预报模型能较为够精确的预报腐蚀深度,从而利用了腐蚀深度的比较样本和期望值之间的误差很好的表征腐蚀性能。经过遗传算法优化的BP神经网络预报模型,腐蚀深度的平均绝对误差由7.3%降到2.3%,最大误绝对误差小于3.0%,传统BP神经网络的均方根误差为0.6835,遗传算法优化的BP神经网络的均方根误差为0.3924。因此遗传算法优化的神经网络预报模型与传统的BP神经网络预报模型相比,具备更高的预测精度,从而能够较好地预测镁合金的腐蚀性能。2)基于AZ31、AZ91两种镁合金的196组力学性能实验结果和有关数据资料,在对数据分析和整理的基础上,以合金元素、变形温度、变形速率、变形系数、固溶温度、固溶时间、时效温度、时效时间为输入,以抗拉强度(UTS)、屈服强度(YS)、延伸率(ELO)为输出,利用遗传算法优化的8-8-1三层BP神经网络预报模型进行数据训练,训练结果表明:该预报模型可以比较精确地预报抗拉强度、屈服强度和延伸率,AZ31,AZ91两种镁合金的抗拉强度的绝对平均误差由2.80%降到0.88%和1.2%;屈服强度的绝对平均误差由6.62%降到3.3%和3.0%;延伸率的绝对平均误差由10.16%降到8.0%和7.8%,传统BP神经网络的均方根误差为0.7502,遗传算法优化的BP神经网络的均方根误差为0.4139,与一般的BP神经网络预报模型相比,具有较高的预测精度。
摘要第3-5页
abstract第5-6页
1 绪论第9-21页
    1.1 引言第9页
    1.2 镁合金的研究现状第9-14页
        1.2.1 镁及镁合金的概况第9-11页
        1.2.2 镁合金的分类及应用第11-13页
        1.2.3 镁合金研究中存在的问题第13-14页
    1.3 镁合金的腐蚀概况和力学性能概况第14-17页
        1.3.1 镁合金的腐蚀概况简述第14页
        1.3.2 镁合金的力学性能概况简述第14-16页
        1.3.3 合金元素对于镁合金的影响第16-17页
    1.4 本课题的研究目的和意义第17-18页
    1.5 主要的研究内容和实验方案第18-21页
2 实验部分第21-29页
    2.1 试验样品的制备第21-22页
        2.1.1 试验样品第21-22页
        2.1.2 实验设备及试剂第22页
    2.2 实验过程及分析第22-29页
3 神经网络第29-35页
    3.1 神经网络理论基础第29-31页
        3.1.1 生物神经元模型第29-30页
        3.1.2 人工神经网络第30页
        3.1.3 人工神经网络的特点第30-31页
    3.2 BP神经网络的学习流程及其优点第31-35页
        3.2.1 BP神经网络的学习流程第31-33页
        3.2.2 BP神经网络的建模特点第33-35页
4 遗传算法第35-43页
    4.1 遗传算法的概述第35-36页
        4.1.1 生物的遗传第35页
        4.1.2 基本的遗传算法第35-36页
    4.2 遗传算法的基本组成及参数的选择第36-39页
        4.2.1 编码第36-37页
        4.2.2 生成初始种群第37页
        4.2.3 确定适应度函数第37页
        4.2.4 遗传算子第37-39页
    4.3 遗传算法对BP神经网络的优化第39-43页
5 AZ31AZ91镁合金腐蚀性能模型的建立第43-57页
    5.1 Matlab对神经网络的实现第43页
    5.2 BP神经网络输入层的选择第43-50页
        5.2.1 变量参数对腐蚀性能的影响第43-46页
        5.2.2 腐蚀机理分析第46-50页
    5.3 腐蚀性能预测模型的构建第50-52页
        5.3.1 网络结构的建立第50-51页
        5.3.2 数据的整理分析第51页
        5.3.3 传输函数及训练训练函数的选择第51-52页
    5.4 BP神经网络模型训练结果第52-53页
    5.5 数据样本的优化对于模型的优化第53-57页
6 AZ31AZ91变形镁合金力学性能模型的建立第57-67页
    6.1 数据的收集、整理和分析第57-59页
    6.2 力学性能的预测和模型的建立第59-61页
        6.2.1 BP神经网络模型的建立第59-60页
        6.2.2 传输函数的选择第60-61页
    6.3 BP神经网络模型训练结果第61-63页
    6.4 模型优化第63-67页
7 结论与展望第67-69页
    7.1 结论第67页
    7.2 展望第67-69页
参考文献第69-75页
硕士研究生期间发表论文第75-77页
致谢第77页
论文购买
论文编号ABS4290693,这篇论文共77页
会员购买按0.30元/页下载,共需支付23.1
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付38.5
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656