人工神经网络在材料加工中应用.pptVIP

* * * * * * * * * * * * * * * 人工神经网络在材料加工中的应用 研究生姓名 ： 唐朝 研究方向 ： 轧制自动化 导师 ： 王昭东 教授 学院名称 ： 材料科学与工程学院 一、材料加工中应用人工神经网络的原因 二、研究、应用现状 三、基于BP神经网络的轧制力模型 内容分布 一、材料加工中应用人工神经网络的原因 人工神经网络作为一种信息处理技术,近年来在材料科学中得到了愈来愈多的应用。在材料科学的研究中,有许多问题的基本原理是清楚的,但难以进行科学的处理,无法建立确切的数学模型。人工神经网络在处理规律不明显、组分变量多的问题方面具有特殊的优越性。 一、材料加工中应用人工神经网络的原因 人工智能方法与传统的方法有所不同,以轧制为例，它不是过去那种对轧制过程中深层次规律的无穷探求,而是用模拟人脑的方法来处理那些实在发生的事情。它不从基本原理出发,而是以事实为依据,从大量数据中揭示出轧制过程中的生产规律。 二、国内外研究、应用现状 应用方向： 1.材料设计与成分优化 2.材料加工的智能控制与工艺优化 3.相变规律的预测 4.力学性能的预测 2.1材料设计与成分优化 二、国内外研究、应用现状 所需性能 数据库 优化 参考材料 知识库 神经网络 预测 验证 结束 评价 训练 No Yes No Yes 二、国内外研究、应用现状 2.材料加工的智能控制与工艺优化 通过检测与生产过程相关的一系列动态信号,从中提取特征参数作为神经网络的输入,网络的输出则为所识别的工艺系统的状态。通过对网络的训练,掌握控制对象的非线性函数关系,从而作出相应的控制决策,以实现对生产过程的在线控制。 二、国内外研究、应用现状 3.相变规律的预测 与热力学和动力学方法预测相变相比,人工神经网络方法不需要知道相变的具体过程和热力学参数,而是以已有的实验数据为基础,经训练后进行推理,适用于己有大量数据积累的场合。 二、国内外研究、应用现状 4.力学性能的预测 材料力学性能是结构材料最主要的性能。力学性能受材料组织结构、成分、加工过程的影响,是一个影响因素较多的量。近年来采用人工神经网络的方法预测钢的力学性能,表明多元数据分析能用来改进神经网络的预测质量,并对预测结果提供解释。 三、基于BP神经网络的轧制力模型 3.1 BP神经网络特性 BP神经网络是一种单向传播的多层前馈神经网络。BP算法是一种有导师学习算法，它的学习过程由信号的正向传播与误差的反向传播两个过程组成。已证明，Sigmoid非线性函数的三层BP网络可以以任意精度逼近任何连续函数，具有较好的仿真效果。 三、基于BP神经网络的轧制力模型 3.2基本参数 变形区，变形系数，绝对和相对压下量，变形速度，前滑和后滑 三、基于BP神经网络的轧制力模型 3.3输入和输出层节点 与轧制力计算直接相关的参数有工作辊半径R、轧件宽度B、轧件入口厚度h0、出口厚度h1、变形抗力K、摩擦系数μ和张力影响系数TK 。为了尽量简化神经网络结构，辊半径R和摩擦因数μ不作为输入节点。同时，来料厚度H、前后张力Tf、Tb 加入输入节点中。 最后，确定出的神经网络输入层向量为X=(B,H,h0,h1,K,Tb,Tf),输出节点为轧制力P。 三、基于BP神经网络的轧制力模型 3.4 隐层节点数的确定 一般的原则是在满足模型精度要求的情况下尽量减少隐层节点的数目，确定最佳隐层节点数的一个常用方法称为试凑法，先设置较少的隐节点训练网络，然后逐渐增加其数目，用同一样本集进行训练，从而确定网络误差最小时对应的隐节点数。 * * * * * * * * * * * * * * *