碳纤维增强复合材料钻削仿真及分层因子预测

文章对碳纤维增强复合材料(carbon fiber reinforced plastic, CFRP)进行了钻削加工有限元仿真研究,通过正交试验的方法分析了切削用量和刀具几何参数对分层因子的影响作用;建立了关于分层因子的人工神经网络预测模型与多元线性回归预测模型,2种模型预测值的最大相对误差分别为3.1%、7.4%,得出人工神经网络预测模型具有更高的预测精度。研究结果表明:分层因子总体上随主轴转速的增加而降低,随进给量和顶角的增加而增加,对分层因子的影响程度由大到小依次为进给量、转速、顶角;在对CFRP进行钻削加工时,宜适当提高主轴转速、降低进给量和钻头顶角,以减少钻削引起的分层缺陷,进一步改善钻孔质量。该文所采用的方法为CFRP钻削加工中切削力、刀具磨损等问题的分析提供了一定的理论参考。     

北京市生态安全格局保护紧迫性分级

以北京市为例, 通过粒度反推法和景观连通性识别重要生态用地, 通过邻域分析法构建生态阻力面, 采用MCR模型构建北京生态安全格局, 利用人工神经网络计算建设用地扩张概率, 对构建的生态安全格局进行保护紧迫性分级。结果表明, 北京市重要生态用地面积为 6488.53 km², 主要分布在西部和东北部山区, 小部分位于东南平原。一级生态用地面积为4482.48 km², 主要分布在西北和西南地区; 二级生态用地面积为1338.27 km², 主要分布在西部远郊山区、西南部近郊平原和东南部平原; 三级生态用地面积为669.77 km², 主要分布在中北部和东南部平原。重要生态廊道长度为2410.47 km, 分布在远郊城镇以及城乡交界处。一级生态廊道长度为1477.63 km, 主要分布在西北和西南远郊山区; 二级生态廊道长度为390.91 km, 主要分布在远郊平原的生态用地附近; 三级生态廊道长度为 541.93 km, 主要分布在城市中心的周边地区, 呈环状包围中心城区。     

电磁带隙结构的优化设计

运用人工神经网络对电磁带隙结构进行优化设计,并计算了几组检验样本对神经网络的精确度进行检验。训练样本和检验样本的获得均使用了基于有限元方法的HFSS商业软件,所表述的方法具有缩短设计周期,降低研发成本的优点。     

基于神经网络的本科教学工作评估的专家评价

针对本科院校的教学评估中高校综合评价方法,提出利用人工神经网络建立数学模型,从而将本科教学工作水平评估指标体系与高校综合评分建立了非线性的数学关系,这样就可以通过专家对教学工作水平的评分,利用人工神经网络所建立的数学模型就可以获得更为科学、准确、客观和可行的高校综合评分.     

人工神经网络预测混凝土柱屈服性能

建立了一种基于人工神经网络的矩形混凝土柱屈服性能预测方法.该方法采用经验模型进行柱屈服性能影响因素的分析来确定该神经网络的输入参数,并通过敏感性分析验证了所选神经网络输入参数的合理性.为验证该方法的可行性与有效性,通过对PEER 210组矩形混凝土柱的屈服性能进行预测分析并与经验预测模型的预测结果进行比较.比较分析结果表明:神经网络预测结果与实验结果吻合程度远高于其他经验预测模型;同时也证实该方法在实验数据稀少的情况下为预测结构在地震作用下的性能提供一条新途径.     

机器学习在车载激光点云分类中的应用研究

点云信息分类提取与利用是车载移动测量系统的关键技术,提高车载激光点云分类的智能化已成为当代信息科学技术发展所面临的重要问题.从分析点云的特征入手,采用机器学习方法对车载激光点云的行道树提取进行了大量实验研究.首先,在点云原始特征的基础上,根据其局部几何特征及空间分布,构造了由三维空间位置、回波强度、颜色值、法向量、单位投影密度、残差及回波强度维度内的残差等17个特征值组成的点云高维特征向量,然后采用支持向量机和人工神经网络两种机器学习方法分别对行道树点云进行提取实验.实验中采用了粒子群优化算法对支持向量机进行参数寻优,采用所构造的由17个特征值构成的特征向量对点云进行机器学习,两种学习方法的行道树点云分类精度分别可以达到99.75%和99.25%.实验结果表明,采用机器学习的方法对于提高车载激光点云分类自动化程度和智能化水平具有重要意义和作用.     

矩形截面型材三维拉弯成形的回弹预测

设计了用于三维拉弯成形的、可重构的柔性模具,并采用支持向量回归机和有限元模拟对柔性三维拉弯成形的回弹进行预测.使用有限元法分析了对回弹量影响较大的6个因素(包括材料参数、几何参数和工艺参数),以及它们对回弹的影响趋势.选用这6个参数设计有限元三维拉弯模拟实验,并用模拟结果训练和检验支持向量回归机回弹预测模型.通过与广泛应用的神经网络预测方法的预测值和有限元模拟试验结果的比较,检验该回弹预测模型的准确性.研究发现,该模型与神经网络相比具有更高的准确度,在试验中根据该模型预测的回弹量对模具型面进行相应的补偿,可以有效地减小回弹和形状偏差.     

人工神经网络与智能在农业中的应用

人工神经网络是人工智能领域中发展迅速的信息处理技术之一,在简单介绍人工神经网络的发展和基本结构的基础上,对人工神经网络在农业中用于农业技术管理、分类、预测等方面进行了综述。     

利用互联网搜索关注度预测期权隐含波动率变动:基于人工神经网络的分析

本文运用人工神经网络方法,研究互联网搜索对期权隐含波动率的影响.基于标普500指数看涨期权,本文首先建立了一个揭示期权隐含波动率变化与指数收益率、期权Delta和期权剩余有效期之间关系的人工神经网络模型,结果显示此模型的估计精度比Hull和White (2017)提出的解析模型提升了约15%,比Cao、Chen和Hull (2020)提出的神经网络模型提升了约40%.接着,本文引入25个互联网搜索关注度指标,将它们集成一个谷歌趋势指数并作为度量互联网搜索关注度的综合指标.最后,将该谷歌趋势指数的变化率加入到前述人工神经网络模型,从互联网搜索关注度的角度探究期权隐含波动率的动态特征,新的模型进一步提升了约30%的估计精度.     

右后柱加强板拉深成形优化预测模型的建立

拉深是板料冲压成形的关键工艺,也是最复杂的成形工艺之一.文章将正交试验、人工神经网络和遗传算法结合起来,对板料的成形工艺参数进行优化,建立板料成形工艺参数的优化设计模型,并利用该优化模型最终获得满意的厚度最大变薄率和回弹量.