对含钒10%的高速钢,利用铁磁性法测量了经900℃~1100℃淬火、250℃~600℃回火后其残余奥氏体含量.基于测量的实验数据,利用BP神经网络建立了残余奥氏体含量与热处理温度的非线型关系模型.结果表明:良好训练的BP网络模型可以较准确预测不同淬火、回火温度条件下残余奥氏体的含量.预测结果揭示了淬火、回火温度对残余奥氏体含量的影响规律,为生产中优化热处理工艺、控制残余奥氏体含量提供了一种新的方法.
参考文献
[1] | 何明一.神经计算原理、语言、设计、应用[M].西安:西安电子科技大学出版社,1992:3-10. |
[2] | Hornik K M;Stinchcombe M;White H .Multilayer feedforward networks are universal approximators[J].Neural Networks,1998,2(05):359-366. |
[3] | Goto T;Matsuda Y;Sakamoto K et al.Basic characteristics and microstructure of high-carbon high speed steel rolls for hot rolling mill[J].ISIJ International,1992,32(11):1184-1189. |
[4] | 徐流杰,魏世忠,龙锐,王守诚.高钒高速钢的磨粒磨损行为研究[J].矿山机械,2003(11):77-79. |
[5] | 魏世忠,龙锐.高钒高耐磨合金锤头的研制及使用[J].水泥,2001(08):31-33. |
[6] | 刘海峰,刘耀辉,于思荣.高碳高钒系高速钢的耐磨性研究[J].摩擦学学报,2000(06):401-406. |
[7] | Vogl T P;Mangis J K;Zink A K et al.Accelerating the convergence of the backpropagation method[J].Biological Cybernetics,1988,59(09):256-264. |
[8] | Jacobs R A .Increased rates of convergence through learning rate adaptation[J].Neural Networks,1988,1(04):295-308. |
[9] | Shanno D F.Recent advances in numerical techniques for large-scale optimization[A].MIT press,1990 |
[10] | Barnard E. .Optimization for training neural nets[J].IEEE Transactions on Neural Networks,1992(2):232-240. |
[11] | Martin THagan;Howard B Demuth;Mark H Beale;戴葵.神经网络设计[M].北京:机械工业出版社,2002:239-243. |
[12] | 郭晶;杨章玉.MATLAB 6.5辅助神经网络分析与设计[M].北京:电子工业出版社,2003:313-319. |
[13] | 田莳;李秀臣;李邦淑.金属物理性能[M].北京:国防工业出版社,1985:137-138. |
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%