模糊神经网络预测钢件热处理后力学性能

综合应用模糊数学和神经网络的知识构造了一个模糊神经网络模型。根据零件的淬火温度、淬火介质、回火温度、回火时间等参数，用该模糊神经网络预测钢件淬火和回火后的力学性能。预测结果表明，该方法速度快，结果较准确，为制定钢件热处理工艺提供了一个新的辅助手段。     

基于自适应模糊神经网络焊接接头力学性能预测

通过对TC4钛合金进行TIG焊,并测定接头的抗拉强度、抗弯强度和断后伸长率,获得网络仿真所需的数据.结合使用BP算法与最小二乘相结合的混合算法,建立了用于焊接接头力学性能预测的自适应模糊神经网络模型.利用该模型进行仿真,其平均误差远小于7%.结果表明,该模型可根据焊接工艺参数对焊接接头的抗拉强度、抗弯强度和断后伸长率等力学性能进行较为准确的预测,并且具有建模快、模型简单、预测速度快、预测精度高,泛化能力强的优点,从而为焊接接头力学性能预测提供了一条有效的途径.     

利用模糊神经网络技术预测焊接接头力学性能

探讨一种自适应模糊神经网络(adaptive fuzzy neural networks,ANFIS)预测焊接接头力学性能的方法.通过测定TC4钛合金TIG焊接头的抗拉强度、抗弯强度和延伸率,结合焊接工艺参数建立了用于焊接接头力学性能预测的自适应模糊神经网络模型.利用该模型,并使用BP算法和BP算法与最小二乘相结合的混合算法,采用不同的输入变量隶属度函数、模糊子集数、迭代次数,对焊接接头力学性能进行了ANFIS仿真.结果表明,当采用混合算法,且模糊子集数为3时,网络训练和预测结果平均误差均远小于7%.能够满足实际生产的要求.使用MATLAB和Visuall C 混合编程开发了基于ANFIS焊接接头力学性能预测软件,可根据焊接工艺参数对焊接接头的抗拉强度、抗弯强度和延伸率等力学性能进行较为准确地预测,为焊接接头的质量预测与控制提供了一条简捷、有效的新途径.     

两种预测焊接接头力学性能的模糊神经网络

针对焊接过程的高度非线性、多种因素的交互作用复杂,难以预测焊后接头力学性能.以TC4钛合金TIG为基础,建立了自适应模糊神经网络（ANFIS）和模糊RBF神经网络（FRBFNN）焊接接头力学性能预测模型.以焊接工艺参数、接头力学性能作为预测模型的输入、输出参数.利用27组试验数据对模型进行训练,用另外6组试验数据进行仿...     

广义动态模糊神经网络焊接接头力学性能预测

建立广义动态模糊神经网络模型,用来预测焊接接头力学性能. 模型结构不再是建模时预设,而是在对逐个样本的学习过程中动态自适应调整. 引入椭圆基函数扩大函数的接收域,利用系统误差和模糊规则ε完备性作为模糊规则增加的依据,并将模糊规则ε完备性作为径向基单元的宽度确定准则. 以误差减少率评价模糊规则的重要性,并以此为依据对模型的模糊规则进行修剪. 采用三种不同厚度、不同工艺TC4钛合金TIG焊接试验,获得17组训练样本和5组仿真样本数据,建模并仿真. 结果表明,该模型能够对焊接接头力学性能进行较为准确的预测.     

模糊神经网络预测压铸工艺参数

给出模糊神经网络系统模型，利用该模糊神经网络预测压铸工艺设计过程中的某些参数，可以较好地解决压铸工艺设计与生产过程中的复杂性、动态性及不确定性问题，从而设计出合理的工艺，保证压铸件的质量。     

《热处理钢件火花试验方法》标准探讨

《热处理钢件火花试验方法》是我国首次制定的行业标准.介绍了如下内容:钢的火花产生和根据火花特征鉴别钢种的原理,根据钢的火花推断钢种的基本方法,火花图及其制作,火花参考图举例及标准的适用范围等,以便于标准的推广应用.     

基于遗传神经网络的焊接接头力学性能预测系统

文中广泛收集和整理企业第一线的焊接工艺和焊接接头力学性能数据,并建立起相关数据库.应用遗传算法优化BP神经网络,建立焊接接头力学性能预测模型,实现碳钢、低合金高强钢以及不锈钢的抗拉强度、屈服强度、断后伸长率以及断面收缩率等力学性能指标预测.结果表明,材料成分和焊接工艺为影响接头力学性能的主要参数,应用遗传算法优化BP神...     

基于人工神经网络的结构钢回火后力学性能预测

利用多层前向神经网络，使用B－P算法对结构钢回火性能预测进行了研究。通过利用99种钢450余组训练数据样本对神经网络进行训练，建立了结构钢回火后的力学性能与金属成分和回火温度之间的隐性函数。并针对训练用样本不足的问题，设计了为网络提供自学功能软件，在钢完全淬透的前提下，用此神经网络模型可在一定精度范围内预测结构钢的回火力学性能。     

BP神经网络在预测热轧带钢最终力学性能中的应用

应用基于BP算法的神经网络能较好处理非线性问题的特点,建立起能描述工艺参数(化学成分、板材尺寸和相关生产工艺参数)和热轧带钢最终力学性能的映射关系的神经网络模型。该模型均具有较好的预报精度,预测值与实测值之间的相对误差小于±10%。     

用神经网络法预测集装箱角铸钢件的力学性能

采用神经网络方法来建立集装箱角铸件化学成分与力学性能之间的依赖关系 ,继而用这一模型进行检验和预测 ,取得了良好的效果。该方法还可广泛应用于其它金属材料的力学性能与化学成分关系模型的建立 ,为冗长的力学性能表格提供了一种数据压缩技术     

灰铸铁强度自适应模糊神经网络预测

以高碳当量灰铸铁组织 强度实验数据为基础 ,用自适应模糊推理方法 ,建立了灰铸铁强度自适应模糊神经网络预测模型 ,与多元线性回归、模糊回归和广义回归神经网络模型相比 ,该模型学习精度高且具有较好的泛化性     

基于BP神经网络的置氢TC21合金力学性能预测

基于神经网络的非线性映射和泛化能力,采用人工神经网络方法,建立了置氢TC21合金力学性能预测的BP神经网络模型。模型的输入参数包括高温拉伸试验温度和置氢含量,输出参数为合金的常用力学性能指标,即抗拉强度和屈服强度。通过检验样本验证了ANN模型的准确性。结果表明:该模型具有容错性好、通用性强等优点,可以预测置氢TC21合金在不同拉伸温度和不同置氢含量下的机械性能。同时,将神经网络技术应用于材料制备工艺设计领域,可以明显地提高工艺设计效率,缩短实验周期。     

基于人工神经网络的亚共晶Al-7Si合金力学性能与显微组织定量关系分析

以亚共晶Al-7Si合金为研究对象,基于Matlab神经网络工具箱开发了铝合金性能和组织关系预测程序,获得了高精度的材料性能与组织特征的关系预测模型。通过控制增压铸造过程中保压压力（85~300 kPa）和冷却速度（1~10 k/s）参数,获得具有不同力学性能和组织特征的铝合金。拉伸试样力学性能测试结果表明：抗拉强度为310~350 MPa,延伸率为3%~12%。采用IPP 6.0软件统计组织特征参数结果表明：二次枝晶间距为18.56~33.04 μm,共晶Si相面积为6.37~13.37 μm²,缺陷面积百分数为0%~0.363%,最大Fe相面积百分数为0%~0.06%。通过人工神经网络（ANN）预测模型,探究了单因素和双因素协同作用对合金力学性能的影响规律,建立了合金性能优化的组织控制路径。预测结果表明,该合金强度和塑性均与4种组织特征呈负相关,且缺陷和Fe相的存在对合金性能有较大的不利影响。因此,缩小枝晶间距（<20 μm）、变质共晶Si相（<12 μm²）、控制孔洞缺陷（<0.35%）、严格控制富Fe相的尺寸和形态,是制备高性能铝合金的关键。     

基于神经网络Ti-6Al-4V合金热循环下力学性能研究

测定了Ti-6Al-4V合金在不同热循环温度下的拉伸强度和拉伸塑性.结果表明:热循环对Ti-6Al-4V合金的拉伸强度有显著的影响,而对其拉伸塑性影响不明显;利用BP神经网络的相关理论和方法,建立了关于Ti-6Al-4V合金在热循环温度下的力学性能的BP神经网络模型,计算结果表明,预测误差均在5％以内,精度很高,可为进一步研究Ti-6Al-4V合金提供科学方法.     

耐候钢热处理双相化组织与性能

研究了铁路机车车辆用的两种热轧耐候钢经热处理双相化的的金相组织及各种力学性能,结果表明,耐候钢双相化后的显微组织由多边形等轴铁素体晶粒和不规则岛状马氏体组成,且原始组织对其有很大影响;两种热轧耐候钢双相化热处理前后的显微镜组织和力学性能均无明显的各向异性,研究发现,双相化加热温度对马氏体含量,铁素体晶粒大小,屈服现象,屈服强度、抗拉强度、屈强比、伸长率及加工硬化指数（n值）等双相化钢的组织和性能均有显著影响,根据试验结果,确定的耐候钢最佳热处理双相比工艺为780℃加热,10％NaCl水溶液淬火,本研究成果将为进一步采用控制轧制法进行耐候双相钢的生产奠定基础。     

钢的力学性能及热处理工艺经验公式

本文主要收集整理出了钢的力学性能及热处理工艺经验公式73个。实践证明,所列公式具有计算方便、实用性能、可靠性能、误差率小（≤±10％）的优点。应用经验公式,可以为机械零件技术设计和制定热处理工艺规范,提供重要的参考依据,是建立钢的力学性能及热处理柔性系统（FCM）数据库的首要前期工作之一。     

低碳微合金容器钢经调质处理后的组织与性能

本文研究了含碳0.09%的低碳微合金容器钢的组织与性能。结果表明该钢经调质处理(960℃×1.5 h+630℃×1.5 h)后,获得的性能为:0σ.2=641 MPa,σb=742 MPa,δ=20%,ψ=75%,AKV=321 J,HB=204。室温组织为铁素体及弥散的析出物。