郭栋
,
齐西伟
,
李龙土
,
南策文
,
桂治轮
无机材料学报
选取了几种常用的金属氧化物掺杂剂,在均匀实验结构的基础上用人工神经网络方法对掺杂PZT陶瓷的性能进行分析和优化.实验结果表明,掺杂PZT体系的人工神经网络模型要比多重非线形回归模型准确得多,而且以人工神经网络模型为指导对材料进行优化后的性能预测也比较准确,说明人工神经网络在陶瓷这种多组分固溶体材料的性能分析中具有良好的使用前景.
关键词:
压电陶瓷
,
artificial neural network
,
back-propagation algorithm
,
electrical properties
何文涛
,
刘淑梅
,
由伟
,
刘雅辉
金属功能材料
为了研究AB5型储氢合金初始放电容量与合金成分间的关系,设计了径向基函数型人工神经网络模型.用“留一法”训练了模型,然后用训练好的神经网络模型预测了5个样本的初始放电容量,预测值和实验值在散点图中沿45°线分布,统计学指标为:均方误差(MSE)为6.063,相对均方误差(MSRE)为0.0262％,拟合分值(VOF)为1.934 5,说明人工神经网络预测的结果是准确、可靠的.最后用神经网络分析了AB5型储氢合金的合金成分对其初始放电容量的定量影响,结果表明:La、Nd含量对初始放电容量影响呈抛物线关系,初始放电容量存在一个极小值;Ce含量对初始放电容量影响较大,随Ce含量的增加而增大,且增幅较大;Pr含量的影响不大,随Pr含量的增加初始放电容量有小幅增大,最后趋于平稳.
关键词:
AB5型储氢合金
,
初始放电容量
,
合金成分
,
人工神经网络
,
定量影响
安震
,
李金山
,
冯勇
,
刘向宏
,
杜予晅
,
马凡蛟
,
王哲
稀有金属材料与工程
利用Gleeble-3800热模拟实验机,在应变速率0.001～1 s-1以及变形温度750～950℃范围内对Ti-555211合金进行等温恒应变速率压缩实验.基于人工神经网络的方法建立了Ti-555211合金热变形本构模型.模型的可靠性用平均相对误差和相关系数来确定.结果表明,所建立的本构模型与实验值的平均相对误差为1.60％,相关系数为0.99938,表明该模型能很好地预测该合金的本构关系.用神经网络来确定本构关系比传统的数学方程更加具有优势.热模拟实验结果表明,随着变形温度的升高和应变速率的减小,该材料的峰值应力有所减小,不连续屈服现象随着变形温度升高和应变速率的增大变得更加明显.流变曲线在不同的变形参数条件下表现形式也不同.
关键词:
Ti-555211合金
,
本构关系
,
人工神经网络
Z.N. Xia
,
S.G. Lai
,
Y.Z.Sun and Y.W. Lu(Department of Materials Science and Engineering
,
Tsinghua University
,
Beijing 100084
,
ChinaManuscript received 4 March 1996)
金属学报(英文版)
This paper describes a model of property prediction for alloys using the mapping function and self-learning ability of artificial neural network. By learning from experimental data, the neural network induces the relationship between composition, processing and properties of alloys, and predicts the properties with given composition and processing parameters of new alloys.The verification of sealing alloys demonstrates that the artificial neural network is an effective method for materials design and properties prediction.
关键词:
:property prediction
,
null
,
null
Z. Wu
,
C.H. Li
,
P. Qin
,
H.L. Liu and N. Y. Chen(Shanghai Institute of Metallurgy
,
Chinese Academy of Sciences
,
Shanghai 200050
,
China)
金属学报(英文版)
A modified Miedema model using four atomic parameters and pattern recognition or artificial neural network has been used to study the factors that affect the entropy of mixing of liquid binary alloy systems. It has been found that the systems with larger electronegativity difference (△Φ) usuallg have negative △Sxs of mixing, while the systems with larger valence electron density difference(denoted by △n) and small △Φ usually have positive △Sxs of mixing. The artificial neural network-atomic parameter method can be used to predict the △Sxs of binary alloy systems consisting of non-transition elements.
关键词:
entropy of mixing
,
null
,
null
