基于神经网络的IF钢性能预报

发布时间：2017-09-21 19:39

  本文关键词：基于神经网络的IF钢性能预报

  更多相关文章： IF钢 力学性能 ANFIS网络 互信息 BP网络

【摘要】：无间隙原子钢(IF钢)凭借其优异的材料力学性能现已被广泛地用作汽车钢板。既然材料的微观组织是决定材料力学性能的直接因素,因此通过材料的微观组织利用适当的模型来预测IF钢的力学性能,对钢种的开发和设计具有重大的意义。为建立IF钢微观组织与力学性能之间关系的模型,本文首先以IF钢定量的微观组织作为预测模型的输入变量,并采用基于互信息的特征选择方法来分析输入变量与输出变量(IF钢力学性能)之间的相关性,为预测IF钢力学性能模型选择合理的输入变量,通过仿真可知:IF钢屈服强度与铁素体晶粒尺寸、铁素体晶粒形状因子、第二相粒子尺寸、第二相粒子平均间距相关,因此选择这四个参数作为屈服强度预测模型的输入变量;IF钢抗拉强度仅与铁素体晶粒尺寸相关,因此选择铁素体晶粒尺寸作为抗拉强度预测模型的输入变量;IF钢延伸率与铁素体晶粒尺寸、分布均匀程度,第二相粒子尺寸、平均间距均相关,因此选择这四个参数作为延伸率预测模型的输入变量;IF钢r值与织构{111}112、{111}110、{001}110、{112}110、{554}225及铁素体晶粒尺寸相关性最大,因此选择这六个参数作为r值预测模型的输入变量;而IF钢n值与铁素体晶粒尺寸有关,因此选择择铁素体晶粒尺寸作为n值预测模型的输入变量。在确定了系统的输入变量的基础上,利用减法聚类法实现自适应神经模糊推理系统(ANFIS)的结构识别,并采用混合学习算法训练该自适应神经模糊推理系统;最后分别利用ANFIS网络、BP网络建立了IF钢微观组织结构与力学性能之间关系的预测模型,并对所建模型进行仿真验证。仿真结果表明基于ANFIS网络的预报模型在收敛速度及建模精度方面均优于传统的BP神经网络。
【关键词】：IF钢 力学性能 ANFIS网络 互信息 BP网络
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG142.1
【目录】：

• 中文摘要5-6
• ABSTRACT6-9
• 1.绪论9-13
• 1.1 研究背景9
• 1.2 研究现状9-11
• 1.3 本文研究方法11
• 1.4 本文内容及结构11-13
• 2.IF钢简介13-21
• 2.1 IF钢的生产工艺流程13
• 2.2 IF钢力学性能的影响因素13-15
• 2.2.1 IF钢的成分控制13-14
• 2.2.2 IF钢的制备工艺条件14-15
• 2.3 IF钢的微观组织控制15-21
• 2.3.1 织构15-16
• 2.3.2 金相组织16-19
• 2.3.3 第二相粒子19-21
• 3.基于互信息的预测模型输入特征选取21-36
• 3.1 特征选择21-22
• 3.2 互信息基础理论22-26
• 3.2.1 熵22-23
• 3.2.2 条件熵和联合熵23-24
• 3.2.3 互信息24-26
• 3.3 BP网络26-28
• 3.3.1 BP网络结构26-27
• 3.3.2 BP网络算法的原理27-28
• 3.4 基于互信息的预测模型输入特征选取28-36
• 3.4.1 实验材料28
• 3.4.2 屈服强度模型的输入特征选取28-30
• 3.4.3 抗拉强度模型的输入特征选取30-31
• 3.4.4 延伸率模型的输入特征选取31-32
• 3.4.5 r值模型的输入特征选取32-34
• 3.4.6 n值模型的输入特征选取34-36
• 4.IF钢性能预报模型的建立36-47
• 4.1 ANFIS网络设计原理36-39
• 4.1.1 ANFIS网络结构36-37
• 4.1.2 ANFIS网络的训练37-39
• 4.2 IF钢性能预报模型的建立39-45
• 4.2.1 屈服强度模型的建立39-41
• 4.2.2 抗拉强度模型的建立41-42
• 4.2.3 延伸率模型的建立42-43
• 4.2.4 r值模型的建立43-44
• 4.2.5 n值模型的建立44-45
• 4.3 本章小结45-47
• 5.结论47-49
• 参考文献49-52
• 附录A ANFIS网络的输入、输出参数52-60
• 攻读硕士学位期间发表学术论文情况60-61
• 致谢61-62
• 作者简介62-63

【相似文献】

中国期刊全文数据库 前3条

1 粟闯;刘敦文;向海波;杜年春;罗贞焱;范志龙;;基于BP神经网络不同输入变量的爆破振速预测[J];工业安全与环保;2012年02期

2 熊兴中;多输入变量的FSM设计方法研究[J];四川轻化工学院学报;2003年04期

3 ;[J];;年期

中国重要会议论文全文数据库 前2条

1 秦勇;邢宗义;贾利民;雷涛;;一种基于模糊模型的输入变量选择方法[A];2003年中国智能自动化会议论文集（上册）[C];2003年

2 杨辰;王晓军;;区间参数多学科系统的响应分析[A];北京力学会第18届学术年会论文集[C];2012年

中国博士学位论文全文数据库 前3条

1 林碧华;神经模糊系统研究及其在电厂协调系统中的应用[D];华北电力大学（河北）;2005年

2 王家f ;Agent系统构建与交互关键问题研究[D];天津大学;2009年

3 陈超;智能建模中冗余问题的分析与处理及其应用[D];华东理工大学;2015年

中国硕士学位论文全文数据库 前1条

1 樊林林;基于神经网络的IF钢性能预报[D];辽宁科技大学;2015年

，

本文编号：896480