CN107704920A - 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 - Google Patents
一种基于bp神经网络轧辊合金接触疲劳性能预测方法 Download PDFInfo
- Publication number
- CN107704920A CN107704920A CN201710958753.7A CN201710958753A CN107704920A CN 107704920 A CN107704920 A CN 107704920A CN 201710958753 A CN201710958753 A CN 201710958753A CN 107704920 A CN107704920 A CN 107704920A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction
- cast steel
- contact
- alloy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种基于BP神经网络轧辊合金接触疲劳性能预测方法,属于合金铸钢轧辊技术领域。首先采集人工神经网络模型所需要的训练样本数据,这些样本数据主要来自于合金铸钢轧辊在不同合金成分、热处理工艺和载荷下的接触疲劳性能试验结果;确定神经网络的输入和输出参数,构建神经网络结构;采用改进的BP算法对神经网络进行学习和训练;选取训练样本以外的样本数据对训练好的神经网络进行测试,而后对合金铸钢轧辊的接触疲劳性能进行预测。本发明建立的BP神经网络模型有较高的预测能力,为研究和开发高接触疲劳性能的合金铸钢轧辊材料提供新的途径,并具有明显的实用价值。
Description
技术领域
本发明涉及合金铸钢轧辊技术领域,具体涉及一种基于BP神经网络轧辊合金接触疲劳性能预测方法。
背景技术
合金铸钢轧辊在轧钢工业领域得到广泛的应用,由于它们的简单的制造过程,低的生产成本和优异的使用性能。合金铸钢轧辊的接触疲劳性能是影响轧辊使用寿命的一个重要的性能指标,较高的疲劳强度对提高轧辊的使用寿命有着重大的意义,但疲劳试样的制备及性能的测试过程复杂,而且成本较高。影响疲劳的因素很多,如组织结构、合金元素以及工作条件等,而且这些因素难以进行量化,因此很难预测轧辊的疲劳强度。
目前,尽管有大量的研究在疲劳现象上,但是还是有很多疲劳问题不能被充分的解释,并且疲劳寿命也不能可靠地预测。以往研究者都是采用实验和建立方程的方法来预测接触疲劳寿命,然而这些方法是耗时并且成本高,结果往往不令人满意的。
计算机仿真技术及神经网络的发展为疲劳寿命的预测开辟了一条新的途径,在具有大量的学习样本条件下,就可以采用人工神经网络预测不同的合金成分以及热处理工艺下的材料疲劳寿命。
发明内容
本发明的目的在于克服现有技术中存在的上述问题,提供一种基于BP神经网络轧辊合金接触疲劳性能预测方法,方便有效且成本低。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
一种基于BP神经网络轧辊合金接触疲劳性能预测方法,包括如下步骤:
步骤S1:采集神经网络所需要的样本数据,这些数据主要来自于合金铸钢轧辊在不同合金成分、热处理工艺参和接触应力下的接触疲劳性能试验结果,归一化处理后的样本数据构成了人工神经网络模型的训练样本集;
步骤S2:确定神经网络的输入和输出参数以及隐层个数和隐层神经元数目,构建神经网络结构;
步骤S3:确定的最佳的训练参数,包括动量项因子、学习率、训练步长、初始的权值和阈值、激活函数、学习算法,对神经网络模型进行学习和训练;
步骤S4:选取训练样本集以外的数据对建立好的神经网络进行测试,并对网络性能和预测精度进行评估;
步骤S5:利用训练好的人工神经网络模型进行合金铸钢轧辊接触疲劳性能的预测。
进一步地,所述步骤S1中,由试验收集而来的训练样本数据为108组。
进一步地,所述步骤S2中,最佳的神经网络结构包含:输入层神经元个数为11,隐层神经元个数为13,输出层神经元个数为1。
进一步地,所述步骤S3中,适当的学习参数:动量项因子为0.8、学习率为0.25、初始的权值和阈值为(-1,1)之间的随机数,隐层和输出层的激活函数分别为tangentsigmoid和log-sigmoid、学习算法为改进的BP算法。
进一步地,所述步骤S4中,神经网络预测合金铸钢轧辊力学性能的偏差在±6%以内的概率大于95%。
进一步地,步骤S5中,采用上述步骤建立的人工神经网络模型,预测和研究不同的合金成分、热处理工艺参数和接触应力对合金铸钢轧辊接触疲劳性能的影响规律,从而获得最佳的接触疲劳性能。
本发明的收益效果是:
采用本发明可以方便有效的预测出合金铸钢轧辊的接触疲劳性能,为研究和开发高接触疲劳性能的合金铸钢轧辊材料提供新的方法,节省大量的时间和成本,具有明显的实用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为合金铸钢轧辊的接触疲劳性能预测模型网络结构;
图2为神经网络训练过程中网络误差的变化;
图3为接触疲劳寿命预测值和实测值的比较。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1-3所示,本发明为一种基于BP神经网络轧辊合金接触疲劳性能预测方法,包括如下步骤:
步骤S1:采集神经网络所需要的样本数据,这些数据主要来自于合金铸钢轧辊在不同合金成分、热处理工艺参和接触应力下的接触疲劳性能试验结果,归一化处理后的样本数据构成了人工神经网络模型的训练样本集;
步骤S2:确定神经网络的输入和输出参数以及隐层个数和隐层神经元数目,构建神经网络结构;
步骤S3:确定的最佳的训练参数,包括动量项因子、学习率、训练步长、初始的权值和阈值、激活函数、学习算法,对神经网络模型进行学习和训练;
步骤S4:选取训练样本集以外的数据对建立好的神经网络进行测试,并对网络性能和预测精度进行评估;
步骤S5:利用训练好的人工神经网络模型进行合金铸钢轧辊接触疲劳性能的预测。
其中,步骤S1中,由试验收集而来的训练样本数据为108组。
其中,步骤S2中,最佳的神经网络结构包含:输入层神经元个数为11,隐层神经元个数为13,输出层神经元个数为1。
其中,步骤S3中,适当的学习参数:动量项因子为0.8、学习率为0.25、初始的权值和阈值为(-1,1)之间的随机数,隐层和输出层的激活函数分别为tangent sigmoid和log-sigmoid、学习算法为改进的BP算法。
其中,步骤S4中,神经网络预测合金铸钢轧辊力学性能的偏差在±6%以内的概率大于95%。
其中,步骤S5中,采用上述步骤建立的人工神经网络模型,预测和研究不同的合金成分、热处理工艺参数和接触应力对合金铸钢轧辊接触疲劳性能的影响规律,从而获得最佳的接触疲劳性能。
本实施例的一个具体应用为:
采集108组试验数据作为神经网络的样本数据,并对其进行归一化预处理,得到神经网络的训练样本集。采用三层的BP神经网络结构,如图1所示,即包括一个输入层、一个隐含层和一个输出层。输入层参数为C,Si,Mn,Cr,Mo,V,W,Ni等8个元素的含量,淬火温度,回火温度及接触应力;输出层参数为接触疲劳寿命;采用试凑的方法确定神经网络的隐层神经元个数为17时,网络性能是最佳的。在不同学习参数下通过对神经网络多次训练,最终可以确定出合适的神经网络训练参数:动量项因子为0.8、学习率为0.25、初始的权值和阈值为(-1,1)之间的随机数,隐层和输出层的激活函数分别为tangent sigmoid和log-sigmoid,并采用改进的BP算法对网络进行学习和训练。在训练过程中,均方差随着训练时间的增加不断减小,最后达到了目标误差0.001,其训练过程的网络误差变化如图2所示,可以看出神经网络训练经过大约25000次循环后,误差趋近于目标误差,说明该神经网络的模型结构和训练参数选择适当,以致使网络收敛速度较快,没有出现发散的情况,训练效果较好。选取训练样本集外的测试数据对训练好的神经网络进行测试,发现预测偏差基本都在±6%以内,而且通过统计回归的方法对测试样本的预测值和实测值进行比较和分析,如图3所示,可知它们之间有很高的系数相关性,表明BP神经网络的预报精度较高,稳定性较好,因此本发明对研制高接触疲劳性能的轧辊材质提供了实践性指导作用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于BP神经网络轧辊合金接触疲劳性能预测方法,其特征在于:包括如下步骤:
步骤S1:采集神经网络所需要的样本数据,这些数据主要来自于合金铸钢轧辊在不同合金成分、热处理工艺参和接触应力下的接触疲劳性能试验结果,归一化处理后的样本数据构成了人工神经网络模型的训练样本集;
步骤S2:确定神经网络的输入和输出参数以及隐层个数和隐层神经元数目,构建神经网络结构;
步骤S3:确定的最佳的训练参数,包括动量项因子、学习率、训练步长、初始的权值和阈值、激活函数、学习算法,对神经网络模型进行学习和训练;
步骤S4:选取训练样本集以外的数据对建立好的神经网络进行测试,并对网络性能和预测精度进行评估;
步骤S5:利用训练好的人工神经网络模型进行合金铸钢轧辊接触疲劳性能的预测。
2.根据权利要求1所述的一种基于BP神经网络轧辊合金接触疲劳性能预测方法,其特征在于:所述步骤S1中,由试验收集而来的训练样本数据为108组。
3.根据权利要求1所述的一种基于BP神经网络轧辊合金接触疲劳性能预测方法,其特征在于:所述步骤S2中,最佳的神经网络结构包含:输入层神经元个数为11,隐层神经元个数为13,输出层神经元个数为1。
4.根据权利要求1所述的一种基于BP神经网络轧辊合金接触疲劳性能预测方法,其特征在于:所述步骤S3中,适当的学习参数:动量项因子为0.8、学习率为0.25、初始的权值和阈值为(-1,1)之间的随机数,隐层和输出层的激活函数分别为tangent sigmoid和log-sigmoid、学习算法为改进的BP算法。
5.根据权利要求1所述的一种基于BP神经网络轧辊合金接触疲劳性能预测方法,其特征在于:所述步骤S4中,神经网络预测合金铸钢轧辊力学性能的偏差在±6%以内的概率大于95%。
6.根据权利要求1所述的一种基于BP神经网络轧辊合金接触疲劳性能预测方法,其特征在于:步骤S5中,采用上述步骤建立的人工神经网络模型,预测和研究不同的合金成分、热处理工艺参数和接触应力对合金铸钢轧辊接触疲劳性能的影响规律,从而获得最佳的接触疲劳性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710958753.7A CN107704920A (zh) | 2017-10-16 | 2017-10-16 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710958753.7A CN107704920A (zh) | 2017-10-16 | 2017-10-16 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704920A true CN107704920A (zh) | 2018-02-16 |
Family
ID=61185117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710958753.7A Withdrawn CN107704920A (zh) | 2017-10-16 | 2017-10-16 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704920A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108330255A (zh) * | 2018-03-05 | 2018-07-27 | 南京理工大学 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
CN108655186A (zh) * | 2018-04-19 | 2018-10-16 | 中冶南方工程技术有限公司 | 基于人工神经网络与数学模型的轧制力预设定方法 |
CN108876038A (zh) * | 2018-06-19 | 2018-11-23 | 中国原子能科学研究院 | 大数据、人工智能、超算协同的材料性能预测方法 |
CN109142362A (zh) * | 2018-09-10 | 2019-01-04 | 中国大唐集团科学技术研究院有限公司华中分公司 | 一种基于bp神经网络的电厂用金属材料寿命评估方法 |
CN110472349A (zh) * | 2019-08-20 | 2019-11-19 | 武汉科技大学 | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 |
CN110990948A (zh) * | 2019-11-27 | 2020-04-10 | 南京航空航天大学 | 一种航空发动机叶片外物损伤疲劳强度预测方法 |
CN111063401A (zh) * | 2019-11-17 | 2020-04-24 | 大连理工大学 | 一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法 |
CN112214933A (zh) * | 2020-10-20 | 2021-01-12 | 集萃新材料研发有限公司 | 一种基于机器学习的疲劳性能预测方法 |
CN115952826A (zh) * | 2023-03-09 | 2023-04-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001235453A (ja) * | 2000-02-21 | 2001-08-31 | Michiaki Kobayashi | 超音波スペクトロスコピー転位密度計測による疲労寿命予測法 |
US20100235110A1 (en) * | 2009-03-12 | 2010-09-16 | Gm Global Technology Operations, Inc. | Systems and methods to predict fatigue lives of aluminum alloys under multiaxial loading |
CN102798576A (zh) * | 2011-05-26 | 2012-11-28 | 燕山大学 | 一种连铸坯铸轧工作辊表面热疲劳寿命的模拟检测方法 |
CN102890119A (zh) * | 2012-09-29 | 2013-01-23 | 北京航空航天大学 | 基于wpt策略和df策略的在役az31镁合金结构件疲劳损伤状态表征与定量评估系统 |
CN103286144A (zh) * | 2012-02-22 | 2013-09-11 | 宝山钢铁股份有限公司 | 轧辊疲劳硬化层的超声共振谱检测方法 |
US20130298693A1 (en) * | 2012-05-10 | 2013-11-14 | Rolls-Royce Plc | Method of fatigue testing a component |
-
2017
- 2017-10-16 CN CN201710958753.7A patent/CN107704920A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001235453A (ja) * | 2000-02-21 | 2001-08-31 | Michiaki Kobayashi | 超音波スペクトロスコピー転位密度計測による疲労寿命予測法 |
US20100235110A1 (en) * | 2009-03-12 | 2010-09-16 | Gm Global Technology Operations, Inc. | Systems and methods to predict fatigue lives of aluminum alloys under multiaxial loading |
CN102798576A (zh) * | 2011-05-26 | 2012-11-28 | 燕山大学 | 一种连铸坯铸轧工作辊表面热疲劳寿命的模拟检测方法 |
CN103286144A (zh) * | 2012-02-22 | 2013-09-11 | 宝山钢铁股份有限公司 | 轧辊疲劳硬化层的超声共振谱检测方法 |
US20130298693A1 (en) * | 2012-05-10 | 2013-11-14 | Rolls-Royce Plc | Method of fatigue testing a component |
CN102890119A (zh) * | 2012-09-29 | 2013-01-23 | 北京航空航天大学 | 基于wpt策略和df策略的在役az31镁合金结构件疲劳损伤状态表征与定量评估系统 |
Non-Patent Citations (4)
Title |
---|
HUIJIN JIN ET AL: "Prediction of Contact Fatigue Life of Alloy Cast Steel Rolls Using Back-Propagation Neural Network", 《JOURNAL OF MATERIALS ENGINEERING AND PERFORMANCE》 * |
J.M. PARK ET AL: "Prediction of Fatigue Life for Spot Welds Using Back-Propagation Neural Networks", 《MATER. DES》 * |
JAN MAYEN ET AL: "Experimental Fatigue Crack Propagation Simulation by ANN of a Newly Developed Controlled Rolled Microalloyed Steel Plate", 《 2011 IEEE ELECTRONICS, ROBOTICS AND AUTOMOTIVE MECHANICS CONFERENCE》 * |
岑恺: "基于神经网络技术的镁合金疲劳寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108330255A (zh) * | 2018-03-05 | 2018-07-27 | 南京理工大学 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
CN108655186A (zh) * | 2018-04-19 | 2018-10-16 | 中冶南方工程技术有限公司 | 基于人工神经网络与数学模型的轧制力预设定方法 |
CN108655186B (zh) * | 2018-04-19 | 2019-08-06 | 中冶南方工程技术有限公司 | 基于人工神经网络与数学模型的轧制力预设定方法 |
CN108876038A (zh) * | 2018-06-19 | 2018-11-23 | 中国原子能科学研究院 | 大数据、人工智能、超算协同的材料性能预测方法 |
CN108876038B (zh) * | 2018-06-19 | 2021-07-16 | 中国原子能科学研究院 | 大数据、人工智能、超算协同的材料性能预测方法 |
CN109142362B (zh) * | 2018-09-10 | 2021-01-26 | 中国大唐集团科学技术研究院有限公司华中分公司 | 一种基于bp神经网络的电厂用金属材料寿命评估方法 |
CN109142362A (zh) * | 2018-09-10 | 2019-01-04 | 中国大唐集团科学技术研究院有限公司华中分公司 | 一种基于bp神经网络的电厂用金属材料寿命评估方法 |
CN110472349A (zh) * | 2019-08-20 | 2019-11-19 | 武汉科技大学 | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 |
CN110472349B (zh) * | 2019-08-20 | 2023-04-07 | 武汉科技大学 | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 |
CN111063401A (zh) * | 2019-11-17 | 2020-04-24 | 大连理工大学 | 一种基于BP神经网络的热处理态Mg-Zn-Zr系合金组织和力学性能预测方法 |
CN110990948A (zh) * | 2019-11-27 | 2020-04-10 | 南京航空航天大学 | 一种航空发动机叶片外物损伤疲劳强度预测方法 |
CN112214933A (zh) * | 2020-10-20 | 2021-01-12 | 集萃新材料研发有限公司 | 一种基于机器学习的疲劳性能预测方法 |
CN112214933B (zh) * | 2020-10-20 | 2024-04-19 | 集萃新材料研发有限公司 | 一种基于机器学习的疲劳性能预测方法 |
CN115952826A (zh) * | 2023-03-09 | 2023-04-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704920A (zh) | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 | |
CN107609647A (zh) | 一种基于bp神经网络轧辊合金力学性能预测方法 | |
He et al. | Machine learning-based predictions of fatigue life and fatigue limit for steels | |
Allahyari et al. | A new approach to determine strength of Perfobond rib shear connector in steel-concrete composite structures by employing neural network | |
Zhang et al. | Sound quality prediction of vehicle interior noise and mathematical modeling using a back propagation neural network (BPNN) based on particle swarm optimization (PSO) | |
Thike et al. | Significance of artificial neural network analytical models in materials’ performance prediction | |
CN110414140A (zh) | 木材损伤的模型训练和测试方法、装置、设备和存储介质 | |
He et al. | MFLP-PINN: A physics-informed neural network for multiaxial fatigue life prediction | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN110472349A (zh) | 一种基于eemd和深度卷积网络的热轧钢性能预测方法 | |
Cheng et al. | Artificial neural network technology for the data processing of on-line corrosion fatigue crack growth monitoring | |
CN108107716A (zh) | 一种基于改进的bp神经网络的参数在线测量方法 | |
Wei et al. | High cycle fatigue SN curve prediction of steels based on transfer learning guided long short term memory network | |
CN105205251A (zh) | 一种变压器电磁设计方案的评估方法 | |
Jinlong et al. | VHCF evaluation with BP neural network for centrifugal impeller material affected by internal inclusion and GBF region | |
He et al. | Multiaxial fatigue life prediction using physics-informed neural networks with sensitive features | |
Guo et al. | Data-driven prediction of the fatigue performance of corroded high-strength steel wires | |
Zhu et al. | Machine learning-based probabilistic fatigue assessment of turbine bladed disks under multisource uncertainties | |
Mostafaei et al. | Hybrid grey forecasting model for Iran’s energy consumption and supply | |
Yating et al. | Artificial neural network modelling of plating rate and phosphorus content in the coatings of electroless nickel plating | |
Mohanty et al. | An adaptive neuro fuzzy inference system model for studying free in plane and out of plane vibration behavior of curved beams | |
Zhi et al. | Long-term prediction on atmospheric corrosion data series of carbon steel in China based on NGBM (1, 1) model and genetic algorithm | |
CN112164462B (zh) | 一种乳腺癌风险评估方法、系统、介质及设备 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
Babichev et al. | Technique of metals strength properties diagnostics based on the complex use of fuzzy inference system and hybrid neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180216 |
|
WW01 | Invention patent application withdrawn after publication |