TC17钛合金片层组织动态球化的神经网络预测模型

采用加工图理论分析了tc17(ti-5al-4mo-4cr-2sn-2zr)钛合金在高温变形过程中的片状α球化规律。结果表明:用加工图理论分析材料的高温变形行为能准确直观地反映出材料在不同变形条件下的组织演变规律。分析加工图发现:tc17合金在840℃~870℃,应变速率0.5s-1~3s-1之间变形是片状α组织球化的理想区域,此时对应的能量耗散效率值为45%左右;在850℃~910℃,较高应变速率(>5s-1)下对tc17合金加工易发生流变不稳定现象,形成绝热剪切带。

1.引言神经网络是一种信息处理系统,它由大量而简单的处理单元(神经元)广泛的相连接而形成复杂系统,它通过学习来解决问题,基坑沉降的预测是一项难以通过理论分析出影响因素与沉降结果映射关系的工作,而这项工作如果交

提出了根据实测数据构造神经网络变形预测模型的基本思路,构造出基于bp算法的神经网络变形预测模型,并给出应用实例分析。结果表明,神经网络应用于变形预测效果良好,具有一定参考价值和指导意义。

人工神经网络是在模仿人脑处理问题的过程中发展起来的新型智能信息处理理论,通过对人工神经网络及bp网络的基本原理与特征的分析,建立了工程估价预测模型.

**资讯http://www.***.*** **资讯http://www.***.*** **资讯http://www.***.***

通过热压缩试验研究了tc11钛合金退火态片层组织在两相区980℃,950℃,850℃,应变速率0.001s-1,0.01s-1条件下,变形程度30%~70%范围内的热变形过程。分析了热变形参数对变形行为和片层组织球化过程的影响,并根据片层组织球化分数演变特征,建立了修正的avrami片层组织球化动力学方程,与试验数据吻合较好。

对锻态tc21合金在两相区内进行热处理,研究了其片状组织的静态球化行为。结果表明:两相区内随着固溶温度的升高,α相球化率增加的同时其体积含量迅速减少,固溶时间的延长有利于组织的均匀化,但对提高球化率的作用不大;固溶后随着冷却速度的降低α相的球化率增加,tc21合金经925℃保温2h慢冷后α相的球化率达到95%以上。对α相静态球化的原因分析表明:晶界α相自身的形成特点是其球化的根本原因,其与晶内初生α片交接处的存在对晶界α相的球化有一定贡献;晶内α片的球化是一个片状组织粗化的过程,依靠片层界面缺陷处的溶质原子迁移进行。

通过热压缩试验研究了具有初始β转变组织的tc11钛合金在两相区800~980℃和应变速率0.001~0.1s-1范围内的热变形行为和组织演变。分析了该合金在试验参数范围内变形的应力-应变曲线特征。动力学分析获得该合金在两相区变形的应力指数和变形激活能分别为4.42和490.8kj.mol-1,说明变形主要是位错的滑移和攀移过程。分析变形组织认为,片层组织的球化和弯折是两相区变形应力软化的原因。温度和应变速率严重影响片层组织球化过程的进行,980℃,0.001s-1和0.01s-1,以及950℃,0.001s-1条件下变形有利于片层组织球化过程的充分进行。900~980℃,0.001~0.1s-1球化过程中,变形到稳态的等轴α直径与温度补偿应变速率参数z呈对数线性关系。

通过采用人工神经网络方法对tc4钛合金电子束焊缝熔凝区形状尺寸进行预测研究.在大量工艺试验的基础上,采集网络训练样本,并对训练样本和测试样本进行标准化,通过确定合适的人工神经网络模型、网络结构、网络算法以及网络训练次数,建立了从聚焦电流、电子束流和焊接速度到焊缝熔深、熔宽、正面焊缝宽度、深宽比、焊缝余高、钉头半角的bp网络映射模型.结果表明,网络的最大输出相对误差不超过5%,说明该网络具有较强的映射能力,能满足预测要求.

厚度预测模型的精度是影响厚度控制的重要因素。针对本项目国内水平领先、最宽幅的"1+4"热连轧生产线,根据生产现场获取的5083宽幅铝合金中厚板实测数据,在研究分析关键影响因素的基础上,运用人工神经网络技术建立了铝合金宽幅中厚板厚度预测的bp神经网络模型。其相对误差在0.5%之内,高于已有模型预测精度,能实现高精度预报。应用模型预测了5052宽幅铝合金中厚板的出口厚度,结果表明,模型能较好的预测轧件厚度的变化,有很好的泛化能力。

为了研究双相γ+α2钛合金晶体中片层组织的承载特性,建立了相应晶体不同取向力学性能的数学模型,并计算了γ相及γ+α2片层组织不同取向的承载力.通过对模型的数值求解,得到γ相和γ+α2片层组织的承载力随不同加载方向的变化规律.计算结果表明:随着α2相体积分数的增加,γ+α2片层组织的最大承载力方向逐渐趋向平行于α2相的(0001)面,临界α2相等价体积分数为λe=30%.这从理论上解释了γ+α2片层组织的最大承载力方向为平行于α2相的(0001)面这一传统观点.这一结论成立的条件为α2相等价体积分数λe>30%.

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系,且这种关系具有动态性,因而传统方法的预测精度不高。而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点,建立了基于elman型神经网络的空调负荷预测模型,并进行了实例预测。文中还比较了elman网络和bp网络结构的建模效果,仿真实验证明了elman神经网络具有动态特性好、逼近速度快、精度高等特点,说明elman网络是一种新颖、可靠的负荷预测方法。

采用等温压缩实验研究了具有不同初始片层厚度(3μm和0.4μm)的tc11合金两相区变形时的微观组织演化,其中压缩实验的变形温度为920℃~980℃,应变速率为0.1s-1~1s-1,变形量为30%~70%。金相分析表明具有片层组织的tc11合金两相区变形时微观组织演化主要为α片层的球化过程。进一步的研究结果表明:在相同的变形工艺参数下,细片层组织(片层厚度0.4μm)的球化程度高于粗片层组织(片层厚度3μm);两种初始片层厚度组织的球化程度均随应变的增加和应变速率的降低而提高;变形温度对两者球化程度的影响存在不同的规律:粗片层组织的球化程度随温度的升高而增加,细片层组织的球化程度随温度的升高而降低;初始片层厚度和应变是影响tc11合金片层组织球化的主要因素,在两相区变形之前可通过β热处理+快速冷却得到细片层和采用反复镦拔等大应变变形得到片层完全球化的细晶等轴态组织。

对原始组织为不同粗细片层组织的ta15钛合金板材在两相区进行75%的热轧变形,并用金相法观察变形后组织的球化行为,并分析变形机理。结果表明,晶内片层状α相随变形量增加发生球化,球化程度与片层状α相粗细有关,粗片层状组织发生扭曲和弯折,但等轴α晶粒较少;细片层状组织大部分发生球化,生成均匀细小的等轴组织,这说明原始组织片层状越细则变形后球化程度越高,组织更均匀细小。

随着我国城乡建设的飞速发展,建筑火灾形势日趋严峻,依靠传统的管理技术和方法已远远不能适应社会和民众对安全的需要。针对某城市建筑火灾非线性时间序列,建立了小波神经网络(wnn)预测模型,计算分析证明了该模型的可行性。该模型可与消防工作相结合,建立和实施城乡综合防灾减灾系统,实现城乡综合防灾减灾的科学管理。

审计意见类型及其预测结果受到企业各利益相关方的高度关注。同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型。将领域粗糙集作为bp神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量。以2013—2015年沪深a股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明：本模型预测准确率达到97.06%,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果。

采用comgis(组件式地理信息系统)技术开发了结合专业震害分析模型的建筑物震害评估系统,讨论了基于bp人工神经网络和gis耦合模型的多层砖房震害预测.研究表明:水平成层土地震反应分析程序shake91在vb菜单下可直接调用,实现地震动影响场计算的模块化;bp神经网络应用于建筑物震害预测中,能达到较理想的效果,其计算模型在系统菜单下可直接调用;系统的gis空间分析功能可使震害预测结果与建筑物信息进行空间匹配,实现地震灾害损失快速评估.

**资讯http://www.***.*** **资讯http://www.***.*** **资讯http://www.***.***

基于人工神经网络理论,提出了根据前期沉降观测资料进行沉降预测的人工神经网络模型,并用于汕汾高速公路预压荷载卸荷时间预报.研究表明,所建议的模型较传统沉降预测模型具有显著的优越性,应用前景广阔.

通过分析城市深基坑沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性.在此基础上,通过相空间重构的方法建立了用于城市深基坑沉降量预测的混沌神经网络模型;并利用此模型对上海某深基坑沉降量进行了预测,取得了较为满意的预测效果.

针对bp神经网络、rbf神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。

首次提出了一种基于hht和神经网络组合的预测模型。负荷数据首先经过emd分解,得到一系列imf分量及余项,通过各分量的频谱观察,针对低频imf分量规律性及周期性强,高频分量相对较弱的特点,对低频imf分量选择合适的预测模型直接进行预测,高频imf采用多神经网络组合预测方法。仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型。