基于锆基合金退火参数与硬度的BP神经网络.pdfVIP

第4l卷 第8期 稀有金属材料与工程 V01．41．NO．8 2012生 RARE 8月 METALMATERIALSANDENGINEERING 2012 August 基于锆基合金退火参数与硬度的BP神经网络模型 于军辉1，李小宁1，翟岩1，任岩1，李颜2 (1．国核宝钛锆业股份公司，陕西宝鸡721013) (2．中国核电工程有限公司深圳设计院，广东深圳518000) 与硬度的BP神经网络预测模型。模型输入单元为合金成分、退火温度和退火时间，输出单元为硬度。神经网络为3．7．1 结构，动量因子和学习速率均为0．6。以实验结果验证网络的可靠性。预测结果表明，相对误差为7％，相对拟合率R 值为O．98534。该模型可为锆基合金退火参数的制定提供参考。网络敏感性分析表明：退火温度和退火时间对网络的精 度影响很大，而合金成分则影响很小。 关键词：锆基合金；神经网络；退火参数；硬度 中图法分类号：TGl66．7 文献标识码：A 文章编号：1002—185X(2012)08—1346—05 锆及其合金的热中子吸收截面小、并在高温水、高 到最小。多层网络运用BP学习算法时，实际上包含 温水蒸汽的服役条件下也具有良好的耐蚀性能和足够 了数据正向传播和误差反向传播两个过程。正向传播 的热强性，因此在核电站水冷动力堆的包壳管和堆芯 时，输入信息从输入层经隐含层逐层处理，并传向输 结构材料中有着广泛而迫切的应用需求【1。】。锆基合金 出层，每一层神经单元的状态会影响到下一层神经单 优良力学性能主要由再结晶过程决定，而影响再结晶 元的状态。如果输出层得不到实验期望的输出，则转 的主要因素为退火参数。研究表明：锆基合金在低温退 向误差的反向传播阶段，误差信号沿原来的连接通道 火后将获得良好的强度，在高温退火后将获得优良的延 返回，通过修改各层神经元的权值和阈值，使误差信 伸率和韧性[4]。因此，研究退火过程中的各个参数对锆 号最小。BP神经网络求解过程为[5，6]： 合金力学性能的影响关系，并采取相应的措施对控制锆 步骤1，随机地给全部权值和神经元阈值赋初 及其合金的再结晶过程、力学性能的优化、降低生产成 始值。 本具有十分重要的理论与实践意义。由于锆及其合金力 步骤2，给定样本输入和期望输出。 学性能与退火参数属于非线性拟合关系，模型尚不明 步骤3，从输入层到输出层逐层计算每个神经 确，只能通过实验来研究其回火后的力学性能与退火时 元节点的输出。 间、退火温度等因素的关系，但在实际操作过程中，由 在训练网络的学习阶段，设有Ⅳ个训练样本，先 于受材料成分以及实验者经验和设备灵敏度等不确定 假定用其中某一个样本P的输入(物)和输出(助) 性因素的制约，实验结果具有一定的局限性，严重影响 模式对网络进行训练，隐含层的第i个神经元节点在 到系统判断的准确性。本研究利用神经网络方法建立锆 其中样本P的作用下输入为： 基合金HANA．4(Zr-1．5Nb一0．4Sn一0．2Fe．0．1Cr)和 (卜1，2…·，g) (1) netf=∑WiiD夕一只 j=l HANA．6(Zr．1．1N