消失模铸造充型过程的模拟方法

通过分析消失模铸造充型过程的特点，提出了一种消失模铸造充型过程的计算模型，并用人工神经网络算法计算了充型过程中不同时刻液态金属-模样界面的位置．模拟计算结果与实际测试结果无论在充型形态还是充型时间上都符合得较好．     

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。     

使用人工神经网络对强力旋压有限元模拟进行参数预选

在筒形件强力旋压领域内，介绍了使用人工神经网络的手段，在MARC有限元模拟的前处理中实现参数预选的方法。作为与有限元模拟相结合的旋压智能化设计的一项关键技术，能够达到减少有限元模拟的误差和工作量的目的。     

用人工神经网络方法预测鼓泡塔气含率

A new correlation for the prediction of gas hod up in bubble columns was proposed based on an extensive experimental database set up from the literature published over last 30 years .The updated estimation method relying on artificial neural network,dimensional analysis and phenomenological approaches was used and the model prediction agreed with the experimental data with average relative error less than 10%.     

人工神经网络及其在窑炉动态温度场的模拟研究

本文阐述了人工神经网络的发展、基本原理以及前馈神经网络的反向传播学习算法，并应用单孢层网络进行了窑炉烧嘴温度场分布的仿真研究。结果表明。用非线性神经元网络模拟在窑炉温度场预测和控制方面是可行的。     

基于人工神经网络的高聚物流变性能预测系统

针对影响高聚物流变性能因素的复杂性,利用VB与MATLAB混合编程将人工神经网络技术移植于应用软件,实现人工神经网络技术的各项功能,通过对采集的样本数据进行网络训练,开发了高聚物流变性能参数预测系统。经验证,系统可将预测精度误差,控制在5％以内。     

基于BP网络的保护渣性能预测模型的研究

结合BP网络计算机实验研究 ,建立了保护渣化学组成与性能的预测模型 ,并利用化学组成与性能的关系 ,对网络的实用性进行了检验 ,结果符合保护渣化学组成与性能的关系。保护渣粘度随着保护渣碱度的增大而减小 ,而半球点温度随碱度增大而增大 ;保护渣的半球点温度和粘度都随着渣中CaF2 含量的增加而减小。用BP网络的误差反向传播算法建立的保护渣的化学组成与性能的预测模型 ,得出的预测值与实际值的误差小 ,对保护渣的设计与应用都有一定的指导作用。     

多因素耦合作用下合成β-sialon材料的工艺优化

以粘土矿物为主要原料,采用碳热还原氮化工艺制备出高品质β-sialon陶瓷粉体,并对多因素耦合状态下材料合成的工艺优化,微结构与相组成以及热力学反应机理作了系统研究。理论分析与实验结果均表明：随着合成温度的增加,产物中物相经历了O’,X相(中间杂相)→β相→15R,12H的sialon多型体与Si3N4和AIN的一系列相转变,导致合成工艺的复杂性。正交设计实验结果分析表明：控制保温时间和合成温度,是获得高含量长柱状β-sialon的有效途径;通过模式识别能快速寻找出性能优化区域,1500℃保温5h可以获得单一sialon相。结合逆映照与人工神经网络技术,可对所需要的新工艺参数进行预报。     

高温变换催化剂制备条件的神经网络优化

将影响低汽气比条件下LB型节能高温变换催化剂活性的主要因素作为人工神经网络的特征输入向量,将全部实验数据分为训练集和预测集,运用Matlab神经网络工具箱,按改进的Bayes自动归一化算法建立反向传播神经网络模型,不仅可防止网络陷入局部最小,而且提高了网络训练精度和泛化能力。适当拓宽正交实验各因素的水平范围,经过不同因素、不同水平间的组合模拟,预测出LB型节能高温变换催化剂的最佳制备条件为氧化铈质量分数0.76%、氧化铜质量分数5.8%、氧化铬质量分数8.6%、氧化镧质量分数1.0%、铁液浓度92 g/L、中和过程最终pH值9.5。在最佳条件下试制催化剂在低汽气比下的平均活性达77.6%。     

Prevention from Soft Errors via Architecture Elasticity

Due to the decreasing threshold voltages, shrinking feature size, as well as the exponential growth of on-chip transistors, modern processors are increasingly vulnerable to soft errors. However, traditional mechanisms of soft error mitigation take actions to deal with soft errors only after they have been detected. Instead of the passive responses, this paper proposes a novel mechanism which proactively prevents from the occurrence of soft errors via architecture elasticity. In the light of a predictive model, we adapt the processor architectures h01istically and dynamically. The predictive model provides the ability to quickly and accurately predict the simulation target across different program execution phases on any architecture configurations by leveraging an artificial neural network model. Experimental results on SPEC CPU 2000 benchmarks show that our method inherently reduces the soft error rate by 33.2% and improves the energy efficiency by 18.3% as compared with the static configuration processor.