CN110942208A - 一种碳化硅泡沫陶瓷的最优生产条件确定方法 - Google Patents
一种碳化硅泡沫陶瓷的最优生产条件确定方法 Download PDFInfo
- Publication number
- CN110942208A CN110942208A CN201911257019.3A CN201911257019A CN110942208A CN 110942208 A CN110942208 A CN 110942208A CN 201911257019 A CN201911257019 A CN 201911257019A CN 110942208 A CN110942208 A CN 110942208A
- Authority
- CN
- China
- Prior art keywords
- silicon carbide
- reinforcement learning
- neural network
- action
- mixed slurry
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 229910010271 silicon carbide Inorganic materials 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000919 ceramic Substances 0.000 title claims abstract description 26
- 239000006260 foam Substances 0.000 title claims abstract description 20
- 230000002787 reinforcement Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000009471 action Effects 0.000 claims description 38
- 239000011268 mixed slurry Substances 0.000 claims description 24
- 238000004321 preservation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 12
- RGPUVZXXZFNFBF-UHFFFAOYSA-K diphosphonooxyalumanyl dihydrogen phosphate Chemical compound [Al+3].OP(O)([O-])=O.OP(O)([O-])=O.OP(O)([O-])=O RGPUVZXXZFNFBF-UHFFFAOYSA-K 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000000843 powder Substances 0.000 claims description 10
- 238000005245 sintering Methods 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229920005830 Polyurethane Foam Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- -1 filters Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000011496 polyurethane foam Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ceramic Products (AREA)
- Porous Artificial Stone Or Porous Ceramic Products (AREA)
Abstract
本发明公开了一种碳化硅泡沫陶瓷的最优生产条件确定方法,通过根据历史数据建立对碳化硅泡沫陶瓷生产结果参数进行预测的BP神经网络预测模型,然后将BP神经网络作为深度强化学习模型的环境,由深度强化学习模型进行策略选择,得到碳化硅泡沫陶瓷的最优生产条件,该方法只需要历史数据即可完成碳化硅泡沫陶瓷最优生产条件的确定,不需要人工选择,智能化程度高。
Description
技术领域
本发明涉及陶瓷技术领域,尤其是涉及一种碳化硅泡沫陶瓷的最优生产条件确定方法。
背景技术
碳化硅泡沫陶瓷材料由于其压降低、孔隙率高、比表面大和特殊的三维网状结构的特点,广泛应用于催化剂载体、过滤器、生物材料、吸声材料中。在化工领域因其体积可控、节约燃料、减少污染物排放、稳定燃烧的范围宽等优点而受到社会各界的广泛关注,已广泛应用于化工行业中蒸汽发生器、高压绝热燃烧器、辐射燃烧器等,大大提高了传热系数,强化了燃烧过程。碳化硅泡沫陶瓷具有良好的耐腐蚀性,还可用于施工部门和半导体领域中,通过通电发热加热腐蚀性流体。
由于碳化硅泡沫陶瓷具有许多良好的性能,因此,如何低成本制备成为一个需要解决的问题,在各种制备方法中,低温制备是一个具有良好前景的方向。在专利号为CN109485451A的专利中,公开了一种碳化硅泡沫陶瓷的低温制备方法,在该方法中通过加入聚氨酯泡沫,使得在烧结时可以通过控制升温速率,使其不产生任何应力,保证未烧结体不发生开裂现象,从而使泡沫陶瓷能够在低温下烧结,然而在该专利中,对于保温温度和材料配比,公布的只有一个范围,并没有一个能够得到使收缩率为,体积密度,开孔率和抗折强度达到最优的一个材料配比和保温温度,在现有技术中,目前在其他领域存在根据生产条件,针对生产结果进行预测的方法,但是在预测的基础上仍然需要通过大量的人工调试寻求最优的生产条件,那么如何智能化的对碳化硅泡沫陶瓷的低温制备结果进行预测并得到最优生产条件成为一个需要解决的问题
发明内容
本发明所要解决的技术问题是提供一种能根据历史数据智能化确定碳化硅泡沫陶瓷低温制备最优生产条件的方法。
本发明所采用的技术方案是,一种碳化硅泡沫陶瓷的最优生产条件确定方法,包括:
S1、构建BP神经网络预测模型,预测模型的输入数据为,碳化硅微粉在混合浆料中的占比,磷酸二氢铝在混合浆料中的占比,保温温度,输出数据为碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率;
S2、获取过往的生产数据,对步骤S1中的BP神经网络预测模型进行训练,获得完成训练的BP神经网络预测模型;
S3、构建深度学习强化学习模型,将碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率作为输入数据,将上调碳化硅微粉在混合浆料中的占比,下调碳化硅微粉在混合浆料中的占比,上调磷酸二氢铝在混合浆料中的占比,下调磷酸二氢铝在混合浆料中的占比,上调保温温度,下调保温温度,不动作作为可执行的7个动作;
S4、步骤S2中的BP神经网络预测模型的输出数据作为步骤S3中深度学习强化学习模型的输入数据,将步骤S2中的BP神经网络预测模型作为深度学习强化学习模型输出动作的被影响对象;
S5、训练优化步骤S4中的深度学习强化学习模型,获得最佳生产条件。
本发明的有益效果:
(1)由于在现有技术中,除了配比和保温温度,其他生产条件都是确定的,因此,只要将配比和保温温度作为输入数据,抗折强度,体积密度,线收缩率和开孔率作为输出数据建立BP神经网络预测模型,即可完成对既定生产条件和生产过程的函数拟合,达到预测效果。
(2)通过BP神经网络建立预测模型,对既定生产条件和生产过程进行函数拟合,使得该预测模型具有较好的泛化能力,能够对不在历史生产数据中的配比和保温温度进行预测。
(3)光有预测模型并不能得到最佳配比,只能对每次预设的生产条件进行预测,仍然需要人工选择寻求最佳生产条件,在这个基础上,本发明结合深度强化学习方法,使得人工选择这一步也完成了自动化。
(4)这一过程只需要具有历史数据即可完成最优生产条件的选择,实验成本低,不需要通过长久的历史总结来获取最优生产条件。
作为优先,所述步骤S2中的获取过往的生产数据是指获取过去一年内每次烧结时,制作被烧结物时的碳化硅微粉在混合浆料中的占比,磷酸二氢铝在混合浆料中的占比,烧结时升温后的保温温度以及完成烧结后测得的碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率,由于使用时间跨度过大的生产数据,会存在设备内部环境发生变化的情况,使得BP神经网络难以拟合,从而无法建立预测模型,因此使用一年内的生产数据,相对来说设备内部环境变化导致的影响因素较低。
作为优先,步骤S3中所述的深度强化学习模型包括一个动作奖励输出神经网络,在t时刻所述动作奖励输出神经网络的输入参数St包括抗折强度At,体积密度Bt,线收缩率Ct和开孔率Dt,输出为t时刻所能执行的七个动作各自可以带来的奖励Rt,七个动作中实际执行的动作为奖励最大的动作,所述Rt为向量形式,包括了每个动作所带来的奖励,由于本发明并不存在序列动作,因此只要根据即时奖励进行选取奖励最大的动作即可。
作为优先,所述深度强化学习t时刻执行动作后得到的奖励rt=αf(At)+β(1-g(Bt))+γ(1-Ct)+δDt,其中f(At)和g(Bt)为根据步骤S2所述的过往生产数据对At和Bt分别进行归一化处理,使用归一化处理,使得在计算奖励时,四项条件具有可对比性,α,β,γ,δ为大于0的影响系数,表示优先考虑具有何种参数,通常都取为1,归一方法为,输出的参数减去相应的历史数据中最小值所得到的差比上相应历史数据中最大值与最小值的差。
作为优先,所述的深度强化学习模型的训练方法为梯度下降法,损失函数为L=-rt,由于使用梯度下降法,为了让奖励最大化,使得损失函数设置为奖励函数的负数。
作为优先,所述深度强化学习模型在训练前使用ξ-greedy方法对动作所能带来的真实奖励和环境影响进行探索,并以(St,Rt,rt,St+1)的形式记录为对深度强化学习模型进行梯度下降训练的经验池,由于使用ξ-greedy方法,因此,Rt代表了每一个时刻所采取的动作,通过经验池对深度强化学习模型进行训练,效果更好。
具体实施方式
本发明公开了一种碳化硅泡沫陶瓷的最优生产条件确定方法,包括:
S1、构建BP神经网络预测模型,预测模型的输入数据为,碳化硅微粉在混合浆料中的占比,磷酸二氢铝在混合浆料中的占比,保温温度,输出数据为碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率;
S2、获取过往的生产数据,对步骤S1中的BP神经网络预测模型进行训练,获得完成训练的BP神经网络预测模型;
所述的获取过往的生产数据是指获取过去一年内每次烧结时,制作被烧结物时的碳化硅微粉在混合浆料中的占比,磷酸二氢铝在混合浆料中的占比,烧结时升温后的保温温度以及完成烧结后测得的碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率,由于使用时间跨度过大的生产数据,会存在设备内部环境发生变化的情况,使得BP神经网络难以拟合,从而无法建立预测模型,因此使用一年内的生产数据,相对来说设备内部环境变化导致的影响因素较低。
S3、构建深度学习强化学习模型,将碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率作为输入数据,将上调碳化硅微粉在混合浆料中的占比,下调碳化硅微粉在混合浆料中的占比,上调磷酸二氢铝在混合浆料中的占比,下调磷酸二氢铝在混合浆料中的占比,上调保温温度,下调保温温度,不动作作为可执行的7个动作;
所述的深度强化学习模型包括一个动作奖励输出神经网络,在t时刻所述动作奖励输出神经网络的输入参数St包括抗折强度At,体积密度Bt,线收缩率Ct和开孔率Dt,输出为t时刻所能执行的七个动作各自可以带来的奖励Rt,七个动作中实际执行的动作为奖励最大的动作,所述Rt为向量形式,包括了每个动作所带来的奖励,由于本发明并不存在序列动作,因此只要根据即时奖励进行选取奖励最大的动作即可。
S4、步骤S2中的BP神经网络预测模型的输出数据作为步骤S3中深度学习强化学习模型的输入数据,将步骤S2中的BP神经网络预测模型作为深度学习强化学习模型输出动作的被影响对象;
所述深度强化学习t时刻执行动作后得到的奖励rt=αf(At)+β(1-g(Bt))+γ(1-Ct)+δDt,其中f(At)和g(Bt)为根据步骤S2所述的过往生产数据对At和Bt分别进行归一化处理,使用归一化处理,使得在计算奖励时,四项条件具有可对比性,α,β,γ,δ为大于0的影响系数,表示优先考虑具有何种参数,通常都取为1,归一方法为,输出的参数减去相应的历史数据中最小值所得到的差比上相应历史数据中最大值与最小值的差。
S5、训练优化步骤S4中的深度学习强化学习模型,获得最佳生产条件。
所述的深度强化学习模型的训练方法为梯度下降法,损失函数为L=-rt,由于使用梯度下降法,为了让奖励最大化,使得损失函数设置为奖励函数的负数。
所述深度强化学习模型在训练前使用ξ-greedy方法对动作所能带来的真实奖励和环境影响进行探索,并以(St,Rt,rt,St+1)的形式记录为对深度强化学习模型进行梯度下降训练的经验池,由于使用ξ-greedy方法,因此,Rt代表了每一个时刻所采取的动作,通过经验池对深度强化学习模型进行训练,效果更好。
在实际使用时,首先通过过往数据建立BP神经网络预测模型,然后将BP神经网络预测模型作为深度强化学习模型的环境,以N为ξ-greedy方法一个周期的探索次数,在一个周期结束时从经验池中随机获取数据对深度强化学习模型进行训练,在多个周期后,深度强化学习模型为了获取最佳奖励,将会在配比和保温温度调到最优后,将动作保持在不动作上,此时即可得到碳化硅泡沫陶瓷的最优生产条件。
本发明的有益效果:
(1)由于在现有技术中,除了配比和保温温度,其他生产条件都是确定的,因此,只要将配比和保温温度作为输入数据,抗折强度,体积密度,线收缩率和开孔率作为输出数据建立BP神经网络预测模型,即可完成对既定生产条件和生产过程的函数拟合,达到预测效果。
(2)通过BP神经网络建立预测模型,对既定生产条件和生产过程进行函数拟合,使得该预测模型具有较好的泛化能力,能够对不在历史生产数据中的配比和保温温度进行预测。
(3)光有预测模型并不能得到最佳配比,只能对每次预设的生产条件进行预测,仍然需要人工选择寻求最佳生产条件,在这个基础上,本发明结合深度强化学习方法,使得人工选择这一步也完成了自动化。
(4)这一过程只需要具有历史数据即可完成最优生产条件的选择,实验成本低,不需要通过长久的历史总结来获取最优生产条件。
Claims (6)
1.一种碳化硅泡沫陶瓷的最优生产条件确定方法,其特征在于,包括:
S1、构建BP神经网络预测模型,预测模型的输入数据为,碳化硅微粉在混合浆料中的占比,磷酸二氢铝在混合浆料中的占比,保温温度,输出数据为碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率;
S2、获取过往的生产数据,对步骤S1中的BP神经网络预测模型进行训练,获得完成训练的BP神经网络预测模型;
S3、构建深度学习强化学习模型,将碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率作为输入数据,将上调碳化硅微粉在混合浆料中的占比,下调碳化硅微粉在混合浆料中的占比,上调磷酸二氢铝在混合浆料中的占比,下调磷酸二氢铝在混合浆料中的占比,上调保温温度,下调保温温度,不动作作为可执行的7个动作;
S4、步骤S2中的BP神经网络预测模型的输出数据作为步骤S3中深度学习强化学习模型的输入数据,将步骤S2中的BP神经网络预测模型作为深度学习强化学习模型输出动作的被影响对象;
S5、训练优化步骤S4中的深度学习强化学习模型,获得最佳生产条件。
2.根据权利要求1所述的一种碳化硅泡沫陶瓷的最优生产条件确定方法,其特征在于,所述步骤S2中的获取过往的生产数据是指获取过去一年内每次烧结时,制作被烧结物时的碳化硅微粉在混合浆料中的占比,磷酸二氢铝在混合浆料中的占比,烧结时升温后的保温温度以及完成烧结后测得的碳化硅泡沫陶瓷的抗折强度,体积密度,线收缩率和开孔率。
3.根据权利要求1所述的一种碳化硅泡沫陶瓷的最优生产条件确定方法,其特征在于,步骤S3中所述的深度强化学习模型包括一个动作奖励输出神经网络,在t时刻所述动作奖励输出神经网络的输入参数St包括抗折强度At,体积密度Bt,线收缩率Ct和开孔率Dt,输出为t时刻所能执行的七个动作各自可以带来的奖励Rt,七个动作中实际执行的动作为奖励最大的动作。
4.根据权利要求3所述的一种碳化硅泡沫陶瓷的最优生产条件确定方法,其特征在于,所述深度强化学习t时刻执行动作后得到的奖励rt=αf(At)+β(1-g(Bt))+γ(1-Ct)+δDt,其中f(At)和g(Bt)为根据步骤S2所述的过往生产数据对At和Bt分别进行归一化处理,α,β,γ,δ为大于0的影响系数。
5.根据权利要求4所述的一种碳化硅泡沫陶瓷的最优生产条件确定方法,其特征在于,所述的深度强化学习模型的训练方法为梯度下降法,损失函数为L=-rt。
6.根据权利要求4所述的一种碳化硅泡沫陶瓷的最优生产条件确定方法,其特征在于,所述深度强化学习模型在训练前使用ξ-greedy方法对动作所能带来的真实奖励和环境影响进行探索,并以(St,Rt,rt,St+1)的形式记录为对深度强化学习模型进行梯度下降训练的经验池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257019.3A CN110942208B (zh) | 2019-12-10 | 2019-12-10 | 一种碳化硅泡沫陶瓷的最优生产条件确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257019.3A CN110942208B (zh) | 2019-12-10 | 2019-12-10 | 一种碳化硅泡沫陶瓷的最优生产条件确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942208A true CN110942208A (zh) | 2020-03-31 |
CN110942208B CN110942208B (zh) | 2023-07-07 |
Family
ID=69910382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911257019.3A Active CN110942208B (zh) | 2019-12-10 | 2019-12-10 | 一种碳化硅泡沫陶瓷的最优生产条件确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942208B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723899A (zh) * | 2020-06-01 | 2020-09-29 | 集美大学 | 基于神经网络的江蓠原料液料比预测方法及装置 |
CN113742990A (zh) * | 2020-05-28 | 2021-12-03 | 中冶长天国际工程有限责任公司 | 一种烧结机机尾烧结饼断裂时刻预测方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040219184A1 (en) * | 2003-03-25 | 2004-11-04 | The Regents Of The University Of California | Growth of large patterned arrays of neurons on CCD chips using plasma deposition methods |
WO2005069738A2 (en) * | 2004-01-27 | 2005-08-04 | Ramot At Tel Aviv University Ltd. | Populations of cells and devices and systems including same |
CN101140646A (zh) * | 2007-11-05 | 2008-03-12 | 陆航程 | 基于epc、ebc物联网的“数据大跟踪”税控系统及其税控终端 |
TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
CN101872387A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种啤酒口味的软测量方法 |
CN101955371A (zh) * | 2010-04-20 | 2011-01-26 | 无锡南理工科技发展有限公司 | 一种闭合气孔泡沫陶瓷的制备方法 |
CN103606006A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 |
CN104138249A (zh) * | 2013-05-07 | 2014-11-12 | 安东秀夫 | 活体活动检测方法、活体活动控制方法和涉及活体活动的信息的传送方法 |
CN104164246A (zh) * | 2014-08-22 | 2014-11-26 | 江苏沙钢集团有限公司 | 一种适合顶装焦炉的配煤专家系统 |
JP2015006650A (ja) * | 2013-06-26 | 2015-01-15 | 須知 晃一 | システム構成構造細胞複合諸物体の製造方法と構成材料 |
CA2940766A1 (en) * | 2014-02-28 | 2015-09-03 | Delos Living Llc | Systems, methods and articles for enhancing wellness associated with habitable environments |
CA2954013A1 (en) * | 2014-08-25 | 2016-03-03 | Haldor Topsoe A/S | Method and system for the removal of particulate matter and heavy metals from engine exhaust gas |
CN105384429A (zh) * | 2015-12-04 | 2016-03-09 | 汝州市威德邦瓷业有限公司 | 一种高耐磨的中高铝球及其制备方法 |
CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
CN108898128A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种通过照片匹配数字化三维模型的防伪方法及设备 |
CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
CN109359723A (zh) * | 2018-11-20 | 2019-02-19 | 北京科技大学 | 基于改进正则化极限学习机的转炉终点锰含量预测方法 |
CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
CN109471963A (zh) * | 2018-09-13 | 2019-03-15 | 广州丰石科技有限公司 | 一种基于深度强化学习的推荐算法 |
CN110261223A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 蠕墨铸铁抗拉强度的检测方法、装置、介质和设备 |
-
2019
- 2019-12-10 CN CN201911257019.3A patent/CN110942208B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040219184A1 (en) * | 2003-03-25 | 2004-11-04 | The Regents Of The University Of California | Growth of large patterned arrays of neurons on CCD chips using plasma deposition methods |
WO2005069738A2 (en) * | 2004-01-27 | 2005-08-04 | Ramot At Tel Aviv University Ltd. | Populations of cells and devices and systems including same |
TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
CN101140646A (zh) * | 2007-11-05 | 2008-03-12 | 陆航程 | 基于epc、ebc物联网的“数据大跟踪”税控系统及其税控终端 |
CN101955371A (zh) * | 2010-04-20 | 2011-01-26 | 无锡南理工科技发展有限公司 | 一种闭合气孔泡沫陶瓷的制备方法 |
CN101872387A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种啤酒口味的软测量方法 |
CN104138249A (zh) * | 2013-05-07 | 2014-11-12 | 安东秀夫 | 活体活动检测方法、活体活动控制方法和涉及活体活动的信息的传送方法 |
JP2015006650A (ja) * | 2013-06-26 | 2015-01-15 | 須知 晃一 | システム構成構造細胞複合諸物体の製造方法と構成材料 |
CN103606006A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 |
CA2940766A1 (en) * | 2014-02-28 | 2015-09-03 | Delos Living Llc | Systems, methods and articles for enhancing wellness associated with habitable environments |
CN104164246A (zh) * | 2014-08-22 | 2014-11-26 | 江苏沙钢集团有限公司 | 一种适合顶装焦炉的配煤专家系统 |
CA2954013A1 (en) * | 2014-08-25 | 2016-03-03 | Haldor Topsoe A/S | Method and system for the removal of particulate matter and heavy metals from engine exhaust gas |
CN105384429A (zh) * | 2015-12-04 | 2016-03-09 | 汝州市威德邦瓷业有限公司 | 一种高耐磨的中高铝球及其制备方法 |
CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
CN108898128A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种通过照片匹配数字化三维模型的防伪方法及设备 |
CN109471963A (zh) * | 2018-09-13 | 2019-03-15 | 广州丰石科技有限公司 | 一种基于深度强化学习的推荐算法 |
CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
CN109359723A (zh) * | 2018-11-20 | 2019-02-19 | 北京科技大学 | 基于改进正则化极限学习机的转炉终点锰含量预测方法 |
CN110261223A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 蠕墨铸铁抗拉强度的检测方法、装置、介质和设备 |
Non-Patent Citations (1)
Title |
---|
乔英杰,尹海莲,梁军: "基于人工神经网络的碳/陶瓷复合材料性能预测", 东南大学学报(自然科学版) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742990A (zh) * | 2020-05-28 | 2021-12-03 | 中冶长天国际工程有限责任公司 | 一种烧结机机尾烧结饼断裂时刻预测方法及系统 |
CN111723899A (zh) * | 2020-06-01 | 2020-09-29 | 集美大学 | 基于神经网络的江蓠原料液料比预测方法及装置 |
CN111723899B (zh) * | 2020-06-01 | 2023-09-15 | 集美大学 | 基于神经网络的江蓠原料液料比预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110942208B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN107742031B (zh) | 基于实验和数学算法的驱替实验人造岩心分析制备方法 | |
CN110942208A (zh) | 一种碳化硅泡沫陶瓷的最优生产条件确定方法 | |
CN106934168B (zh) | 一种材料多轴蠕变失效应变预测方法 | |
CN104750131B (zh) | 一种基于参数辨识的流化床温度控制方法 | |
CN109165798A (zh) | 一种水泥熟料游离氧化钙含量在线预测方法及系统 | |
CN103077288B (zh) | 面向小样本试验数据的多元合金材料的软测量及其配方决策方法 | |
CN104537033A (zh) | 基于贝叶斯网络和极限学习机的区间型指标预报方法 | |
CN106125574A (zh) | 基于dpi模型的压电陶瓷微定位平台建模方法 | |
CN109426672B (zh) | 基于不确定地质模型的油藏注采参数优化方法 | |
CN109991387A (zh) | 一种模拟γ-TiAl合金在非等温条件下的相场分析法 | |
CN105243193B (zh) | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 | |
CN110378011A (zh) | 一种金属波纹管液压胀形工艺稳健设计方法 | |
CN113486556B (zh) | 一种改进的油气藏高效自动历史拟合方法 | |
CN102339344A (zh) | 一种动态再结晶模型参数反分析识别方法 | |
CN111539138B (zh) | 基于阶跃函数的结构动力学峰值时域响应灵敏度求解方法 | |
CN103258234A (zh) | 基于粒子群优化bp神经网络的惯容器力学性能预测方法 | |
CN112113146B (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
CN103605284B (zh) | 动态矩阵控制优化的废塑料裂解炉炉膛压力控制方法 | |
Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
CN106202686B (zh) | 一种涡轮盘等温模锻预成形坯料的多目标设计方法 | |
CN111159896A (zh) | 基于萤火虫算法的误差自适应修正河道水流计算方法 | |
CN112651153B (zh) | 一种确定晶体塑性有限元模型材料参数的方法 | |
CN114818435A (zh) | 一种电弧增材制造多目标协同调控方法 | |
CN103320592A (zh) | 预测奥氏体不锈钢低温容器应变强化保压时间的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |