基于极限学习机的聚变堆结构材料力学性能预测方法及其应用研究
发布时间：2021-03-06 23:27
核聚变能是一种清洁、能源密度高、安全且不受气候影响的新能源,被认为是解决人类能源危机的重要出路。而结构材料是聚变堆包层及未来商用聚变电站的瓶颈问题之一,其关系到聚变能否实现并成功应用。目前,聚变堆结构材料研究主要考虑：成分优化研究,聚变结构材料性能研究,制造工艺和连接方面研究,化学相容性、腐蚀和辐照方面。本文基于极限学习机方法对聚变结构材料的成分优化及性能预测进行了研究,主要工作如下：（1）鉴于聚变堆结构材料数据的多因素、非线性、不确定性,提出一种基于改进的快速模拟退火算法和极限学习机的聚变堆结构材料性能预测方法改进快速模拟退火算法的极限学习机（Modified Very Fast Simulated Annealing Extreme Learning Machine, MVFSA-ELM）,该方法在保证了极限学习机算法优势的基础上,利用改进的快速模拟退火算法优化了极限学习机的参数,加快了极限学习机隐节点个数的确定,确保了极限学习机预测的全局最优解。在与I-ELM、 CI-ELM、EI-ELM、EM-ELM等算法的对比分析中,MVFSA-ELM算法体现了运算精度上的优势。为进一步验证...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：101 页
【学位级别】：博士
【部分图文】：
图２．１化Ｍ网络结构困??
第二章材料力学性能、极限学习机及模拟退火算法概述ｘｐ（－Ａｆ?７?ｒ（〇）选择是否接纳成为最新的当前最优解：??⑤如果?Ｃ?＝?ｒａｗ／ｏｍ［０，?Ｕ?＜?／？，邱，Ｍ?＝?＜〇＇；否则巧，，．《?＝吗＞？，。??⑧当邸）＞７；，。且ｙ?＝?ｌ，ＬＬ时，转去执行②??⑦一县当下参数己经满足预先设定的停止条件，算法将停止并输出当前为邱？，最优解；停止条件一般选择接连多次的新解均未被采纳则将停止算⑨ｒ逐渐减少，且ｒ＾ｏ，然后转第②步。??
解是否满足／Ｕ，巧，６，）ｐ／托化．，，，６＊？，），若满足，则根据局部巖优解更新邱《，、心、??和／（Ｘ，邱《，，心＾），并保存计算所得的输出矩阵。??（２）算法流程图如图４．２所示。??广??－?＂Ｉ????巧始化：Ｎｎｗ、Ｗ〇、ｂ〇、ｂ｜、Ｕｉ、Ｐ、？Ｍｔ、??Ｗｆｃｗ＊、ｂｂ＃？、Ａ＃ｉｔ、Ｊ、ｋ等??￣￣?Ｖ?：??巧据ｍｉ？巧ｉ＋ｕ巧ｉ－Ａｉ）产生巧解Ｗｊ、ｂ）????????￣；；?????－Ａｔ??ｆ?枝巧化中?ｅｘｐ（（ｆｉ－ｎ）／Ｎ）??……－Ｌ——ｒ??＾?’?１??＾???Ｔ??ｊ?厂虽灭ｒ?Ｎ＝Ｎ？？＊ｅＫｐ（－?ｉ??回火》Ｎ＝Ｎ？？？＾）（ｐ（－ａ?Ｐ?）Ｋ）．巧据?ａ?５）Ｗ??ｍｉ，?＝ｎｖＭｕ￣０．５）（ＢｒＡ＊）／Ｕｊ）产生新解。ｉ、ｂｊ?＾?ｆ???ＩＩＩ，——…？…—？?－＂Ｔ???＼巧???ｉＴｊｉｉ??Ｙ?＿＿??Ｃ＿ｆ￡ｊ??图４．２系统工作流程图??４．２算法验证??４．２．１数据选择??本小节选择选择与第Ｈ章相同的６个问题，数据集也如表３．１所示。将本章??所提的ＭＶＦＳＡ－ＥＬＭ算法的优化算法与ＭＶＦＳＡ－化Ｍ算法从训练时间，预测精??度等方面进行对比分析。本章所提优化算法与上一张各算法的运行环境相同，均??在?ＭＡＴＬＡＢ?Ｒ２０１?化环境下．电脑配置为?ＩｉＵｅｌ?（Ｒ）?２．２０ＧＨＺ，?４．００ＧＢ?ＲＡＭ．??每次预测的训练集和测试集的数据均随机选取，本小节中的最终结果选自１００次??单独预測结果所计算的平均值。最优结果加粗标注。??
【参考文献】：
期刊论文
[1]基于EEG去趋势波动分析和极限学习机的癫痫发作自动检测与分类识别[J]. 刘小峰,张翔,王雪. 纳米技术与精密工程. 2015(06)
[2]改进的极限学习机在癫痫脑电分类中的应用[J]. 王杰,李牧潇. 计算机仿真. 2014(06)
[3]基于云计算和极限学习机的分布式电力负荷预测算法[J]. 王保义,赵硕,张少敏. 电网技术. 2014(02)
[4]基于极限学习机的变压器故障诊断方法研究[J]. 苑津莎,张利伟,王瑜,尚海昆. 电测与仪表. 2013(12)
[5]基于极限学习机的供水管网故障智能诊断方法[J]. 高相铭,刘付斌,杨世凤. 计算机工程与设计. 2013(08)
[6]基于BP神经网络的钢材力学性能预测算法[J]. 李杨. 数字技术与应用. 2013(07)
[7]基于BP神经网络的生物质发泡材料性能预测模型及应用[J]. 曾广胜,孙刚. 复合材料学报. 2014(01)
[8]运用在线贯序极限学习机的故障诊断方法[J]. 尹刚,张英堂,李志宁,程利军. 振动.测试与诊断. 2013(02)
[9]基于极限学习机的汽轮机故障诊断[J]. 陈立军,孙凯,侯媛媛,海冉冉. 化工自动化及仪表. 2013(04)
[10]极限学习机ELM在图像分割中的应用研究[J]. 田钧,赵雪章. 计算机光盘软件与应用. 2013(02)
硕士论文
[1]极限学习机在航空发动机气路故障诊断中的应用[D]. 林敏.上海交通大学 2015
[2]基于数据挖掘的马钢CSP热轧板卷的性能预测[D]. 张祝亭.安徽工业大学 2012
[3]基于人工神经网络的钢的淬透性和Ms点的研究[D]. 高术振.吉林大学 2005
本文编号：3068013
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：101 页
【学位级别】：博士
【部分图文】：
图２．１化Ｍ网络结构困??
第二章材料力学性能、极限学习机及模拟退火算法概述ｘｐ（－Ａｆ?７?ｒ（〇）选择是否接纳成为最新的当前最优解：??⑤如果?Ｃ?＝?ｒａｗ／ｏｍ［０，?Ｕ?＜?／？，邱，Ｍ?＝?＜〇＇；否则巧，，．《?＝吗＞？，。??⑧当邸）＞７；，。且ｙ?＝?ｌ，ＬＬ时，转去执行②??⑦一县当下参数己经满足预先设定的停止条件，算法将停止并输出当前为邱？，最优解；停止条件一般选择接连多次的新解均未被采纳则将停止算⑨ｒ逐渐减少，且ｒ＾ｏ，然后转第②步。??
解是否满足／Ｕ，巧，６，）ｐ／托化．，，，６＊？，），若满足，则根据局部巖优解更新邱《，、心、??和／（Ｘ，邱《，，心＾），并保存计算所得的输出矩阵。??（２）算法流程图如图４．２所示。??广??－?＂Ｉ????巧始化：Ｎｎｗ、Ｗ〇、ｂ〇、ｂ｜、Ｕｉ、Ｐ、？Ｍｔ、??Ｗｆｃｗ＊、ｂｂ＃？、Ａ＃ｉｔ、Ｊ、ｋ等??￣￣?Ｖ?：??巧据ｍｉ？巧ｉ＋ｕ巧ｉ－Ａｉ）产生巧解Ｗｊ、ｂ）????????￣；；?????－Ａｔ??ｆ?枝巧化中?ｅｘｐ（（ｆｉ－ｎ）／Ｎ）??……－Ｌ——ｒ??＾?’?１??＾???Ｔ??ｊ?厂虽灭ｒ?Ｎ＝Ｎ？？＊ｅＫｐ（－?ｉ??回火》Ｎ＝Ｎ？？？＾）（ｐ（－ａ?Ｐ?）Ｋ）．巧据?ａ?５）Ｗ??ｍｉ，?＝ｎｖＭｕ￣０．５）（ＢｒＡ＊）／Ｕｊ）产生新解。ｉ、ｂｊ?＾?ｆ???ＩＩＩ，——…？…—？?－＂Ｔ???＼巧???ｉＴｊｉｉ??Ｙ?＿＿??Ｃ＿ｆ￡ｊ??图４．２系统工作流程图??４．２算法验证??４．２．１数据选择??本小节选择选择与第Ｈ章相同的６个问题，数据集也如表３．１所示。将本章??所提的ＭＶＦＳＡ－ＥＬＭ算法的优化算法与ＭＶＦＳＡ－化Ｍ算法从训练时间，预测精??度等方面进行对比分析。本章所提优化算法与上一张各算法的运行环境相同，均??在?ＭＡＴＬＡＢ?Ｒ２０１?化环境下．电脑配置为?ＩｉＵｅｌ?（Ｒ）?２．２０ＧＨＺ，?４．００ＧＢ?ＲＡＭ．??每次预测的训练集和测试集的数据均随机选取，本小节中的最终结果选自１００次??单独预測结果所计算的平均值。最优结果加粗标注。??
【参考文献】：
期刊论文
[1]基于EEG去趋势波动分析和极限学习机的癫痫发作自动检测与分类识别[J]. 刘小峰,张翔,王雪. 纳米技术与精密工程. 2015(06)
[2]改进的极限学习机在癫痫脑电分类中的应用[J]. 王杰,李牧潇. 计算机仿真. 2014(06)
[3]基于云计算和极限学习机的分布式电力负荷预测算法[J]. 王保义,赵硕,张少敏. 电网技术. 2014(02)
[4]基于极限学习机的变压器故障诊断方法研究[J]. 苑津莎,张利伟,王瑜,尚海昆. 电测与仪表. 2013(12)
[5]基于极限学习机的供水管网故障智能诊断方法[J]. 高相铭,刘付斌,杨世凤. 计算机工程与设计. 2013(08)
[6]基于BP神经网络的钢材力学性能预测算法[J]. 李杨. 数字技术与应用. 2013(07)
[7]基于BP神经网络的生物质发泡材料性能预测模型及应用[J]. 曾广胜,孙刚. 复合材料学报. 2014(01)
[8]运用在线贯序极限学习机的故障诊断方法[J]. 尹刚,张英堂,李志宁,程利军. 振动.测试与诊断. 2013(02)
[9]基于极限学习机的汽轮机故障诊断[J]. 陈立军,孙凯,侯媛媛,海冉冉. 化工自动化及仪表. 2013(04)
[10]极限学习机ELM在图像分割中的应用研究[J]. 田钧,赵雪章. 计算机光盘软件与应用. 2013(02)
硕士论文
[1]极限学习机在航空发动机气路故障诊断中的应用[D]. 林敏.上海交通大学 2015
[2]基于数据挖掘的马钢CSP热轧板卷的性能预测[D]. 张祝亭.安徽工业大学 2012
[3]基于人工神经网络的钢的淬透性和Ms点的研究[D]. 高术振.吉林大学 2005
本文编号：3068013
本文链接：https://www.wllwen.com/projectlw/hkxlw/3068013.html
