在炭材料黏结剂添加剂改性实验数据的基础上,将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系,建立了添加剂改性炭材料黏结剂的RBF(Radial Basis Function径向基函数)神经网络性能预报模型,并与BP(Back-Propagation逆传播)人工神经网络进行了预报精度和训练过程比较.结果表明:上述两种模型对于黏结强度的预报平均相对误差分别为0.012 7和0.060 0,且BP人工神经网络易陷入局部最小.因此,RBF神经网络模型的预报能力较好,得出了具有较精确黏结性能的添加剂配方和热处理数据.可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率,为炭材料黏结剂提供一条有应用前景的理论设计途径.
参考文献
[1] | 李贺军.炭/炭复合材料[J].新型炭材料,2001(02):79-80. |
[2] | 王继刚,郭全贵,刘朗,宋进仁.白炭黑、B4C改性酚醛树脂粘接石墨高温性能研究[J].材料工程,2001(09):14-17. |
[3] | Muler B;Reinhardt J.Neural Networks[M].Berlin:springer-verlag,1990 |
[4] | 陈强,李贺军,李爱军,孙国岭,李克智.人工神经网络建模在抗烧蚀炭/炭复合材料基体改性研究中的应用[J].新型炭材料,2004(04):275-280. |
[5] | Moody J;Darken C.Fast learning in networks of locally-tuned processing units[J].Neural Computation,1989(01):281-294. |
[6] | Chen S.;Cowan C.F.N. .Orthogonal least squares learning algorithm for radial basis function networks[J].IEEE Transactions on Neural Networks,1991(2):302-309. |
[7] | Robert J;Schilling James;Carroll J .Approximation of nonlinear systems with radial basis function neural networks[J].IEEE Transactions on Neural Networks,2001,12(01):21-28. |
[8] | 王继刚,郭全贵,刘朗,宋进仁.B4C在石墨高温粘接过程中的组成和结构变化及改性机理[J].新型炭材料,2000(02):16-21. |
[9] | 朱明星,张德龙.RBF网络基函数中心选取算法的研究[J].安徽大学学报(自然科学版),2000(01):72-78. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分:
-
10%
-
20%
-
30%
-
40%
-
50%