CN111063401A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111063401A CN111063401A CN201911123781.2A CN201911123781A CN111063401A CN 111063401 A CN111063401 A CN 111063401A CN 201911123781 A CN201911123781 A CN 201911123781A CN 111063401 A CN111063401 A CN 111063401A
- Authority
- CN
- China
- Prior art keywords
- neural network
- heat treatment
- mechanical property
- neurons
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
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,其属于镁合金组织和力学性能预测技术领域。首先,针对不同合金成分和热处理工艺下的Mg‑Zn‑Zr系合金进行一系列的组织和力学性能试验,获得的试验数据作为训练BP神经网络的样本数据集;其次,构建BP神经网络,包括输入层、隐含层和输出层,从而建立Mg‑Zn‑Zr系合金成分、热处理工艺与组织、力学性能之间的映射关系;最后,采用构建的BP神经网络对热处理态Mg‑Zn‑Zr系合金的组织和力学性能进行预测。本发明建立的BP神经网络具有较高的预测准确性,推广能力强,缩短优化镁合金成分和热处理工艺的时间,降低研制成本。
Description
技术领域
本发明涉及镁合金组织和力学性能预测技术领域,具体是一种基于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。
背景技术
机器学习和人工神经网络作为人工智能领域的一个子集,能够被应用于可挖掘输入输出之间关联的大型复杂数据集中。人工神经网络近似模拟真实生物大脑的工作模式,通过学习过程来实现有用计算,已经成为材料科学领域强大而灵活的计算与预测工具。虽然人工神经网络在输出准确的结果前要有大量训练数据集输入,但研究者通常是从巨大的多维可能性空间中找出相对较小的能制造有益材料的配方空间。通过传统试错法来寻找这样的空间会花费很长的时间和很高的成本,而且对应属性已知材料的区域也仅是全空间的极小一部分,因此,采用已知的信息训练人工神经网络模型,进而用这些模型来预测未知的信息,将会显著提高材料研发的效率,降低研制成本。
目前,人工神经网络已应用于材料力学性能预测中,中国专利文献号为CN107609647A,专利名称为《一种基于BP神经网络轧辊合金力学性能预测方法》,公开了一种预测不同合金成分和热处理工艺参数对合金铸钢轧辊力学性能影响的人工神经网络模型,为研发新型合金铸钢轧辊提供新方法。中国专利CN101908083A公开了一种预测Q345焊接接头力学性能的人工神经网络模型,建立了焊接工艺参数和焊接接头力学性能之间的映射关系。此外,中国专利CN108763848A公开了一种基于BP人工神经网络的推进剂力学性能预测方法。然而,目前人们还尚未将BP神经网络应用于Mg-Zn-Zr系合金组织和力学性能预测的研究中。
Mg-Zn-Zr系合金以其较高的屈服强度和组织致密性,较好的耐腐蚀性等优点,被逐步应用于汽车、飞机的零部件中。合金化和热处理是改善镁合金组织、提高其力学性能的有效手段。然而,采用传统试错法研究合金成分和热处理工艺对镁合金组织和力学性能的影响,存在实验周期长、研发成本高等缺点,并且,镁合金的组织、力学性能与成分、热处理工艺之间为复杂的非线性关系,不能用简单的数学关系式表示。利用人工神经网络具有无限逼近非线性映射的特征,能够构建Mg-Zn-Zr系合金“成分/热处理工艺—组织/性能”之间的关联,从而对Mg-Zn-Zr系合金的组织和力学性能进行快速预测,提高研发效率,缩短优化镁合金成分和热处理工艺的时间,降低研制成本。
发明内容
针对现有技术中存在的问题,本发明的目的是提供一种基于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,以提高镁合金组织和力学性能的预测效率,缩短优化镁合金成分和热处理工艺的时间,降低研发成本。
为实现上述技术目的,达到上述技术效果,本发明提供一种基于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,包括如下步骤:
步骤S1:通过对不同合金成分和热处理工艺下的Mg-Zn-Zr系合金进行一系列的组织和力学性能试验,收集并筛选试验数据,经归一化处理后得到训练BP神经网络的样本数据集;
步骤S2:设计BP神经网络,包括网络层数、输入层神经元个数、隐含层神经元个数、输出层神经元个数,选择BP神经网络的传递函数、训练方法和训练参数;
步骤S3:利用上述样本数据集训练BP神经网络,得到最佳性能的BP神经网络,建立Mg-Zn-Zr系合金成分、热处理工艺与组织、力学性能之间的映射关系;
步骤S4:利用上述步骤构建的BP神经网络模型对Mg-Zn-Zr系合金在不同合金成分和热处理工艺下的组织和力学性能进行预测。
进一步的,所述步骤S1中包括:
Mg-Zn-Zr系合金组织和力学性能试验要求在常用的合金化元素含量和热处理工艺参数范围内,其中,合金化元素A、B含量在0~1 wt.%,热处理温度为200~500 °C,热处理时间在0~32 h,样本数据尽量均匀、分散,样本数不少于30组。
进一步的,所述步骤S2中包括:
BP神经网络模型采用三层结构,即输入层、隐含层和输出层,输入层包括元素A含量、元素B含量、热处理温度和热处理时间四个神经元,输出层包括晶粒尺寸、抗拉强度、延伸率和显微硬度四个神经元,隐含层神经元个数通过经验公式计算得到范围,公式如下:(m和n分别为输入层和输出层的神经元个数,是1到10之间的常数)。BP神经网络隐含层传递函数为Tan-Sigmoid函数,输出层传递函数为线性函数Purelin。训练方法为Levenberg-Marquardt (LM)算法,初始权值和偏置均为(-1, 1)之间的随机数,目标误差值为0~0.03,学习率采用可变学习率,网络性能函数为均方误差(MSE)。
进一步的,所述步骤S3中,最佳性能的BP神经网络结构为(4-12-4),即:输入层神经元个数为4,隐含层神经元个数为12,输出层神经元个数为4。
进一步的,所述步骤S4中,采用构建的BP神经网络模型预测不同的合金成分和热处理工艺对Mg-Zn-Zr系合金组织和力学性能的影响。
本发明提供的技术方案的有益效果是:(4-12-4)结构的BP神经网络模型能够快速预测Mg-Zn-Zr系合金的组织和力学性能,预测值与实验值的误差百分比在[-5%, 5%]之间,该方法具有较高的准确性与稳定性,为设计与优化镁合金成分和热处理工艺提供有效指导,提高了镁合金的研发效率,降低了研发镁合金所需要的时间、人力和财力成本。
附图说明
图1是BP神经网络的数学模型。
图2是不同隐含层神经元个数的BP神经网络的相关性系数(R值)和均方误差(MSE值)。
图3是最佳性能的BP神经网络的结构图。
图4是(4-12-4)结构的BP神经网络的回归分析。
图5是(4-12-4)结构的BP神经网络的训练收敛曲线。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明,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。
本发明为一种基于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,包括如下步骤:
步骤S1:通过对不同合金成分和热处理工艺下的Mg-Zn-Zr系合金进行一系列的组织和力学性能试验,收集并筛选试验数据,经归一化处理后得到训练BP神经网络的样本数据集;
步骤S2:设计BP神经网络,包括网络层数、输入层神经元个数、隐含层神经元个数、输出层神经元个数,选择BP神经网络的传递函数、训练方法和训练参数;
步骤S3:利用上述样本数据集训练BP神经网络,得到最佳性能的BP神经网络,建立Mg-Zn-Zr系合金成分、热处理工艺与组织、力学性能之间的映射关系;
步骤S4:利用上述步骤构建的BP神经网络模型对Mg-Zn-Zr系合金在不同合金成分和热处理工艺下的组织和力学性能进行预测。
其中,步骤S1中,Mg-Zn-Zr系合金组织和力学性能试验要求在常用的合金化元素含量和热处理工艺参数范围内,其中,合金化元素A、B含量在0~1 wt.%,热处理温度为200~500 °C,热处理时间在0~32 h,样本数据尽量均匀、分散,样本数不少于30组。
其中,步骤S2中,BP神经网络模型采用三层结构,即输入层、隐含层和输出层,输入层包括元素A含量、元素B含量、热处理温度和热处理时间四个神经元,输出层包括晶粒尺寸、抗拉强度、延伸率和显微硬度四个神经元,隐含层神经元个数通过经验公式计算得到范围,公式如下:(m和n分别为输入层和输出层的神经元个数,是1到10之间的常数)。BP神经网络隐含层传递函数为Tan-Sigmoid函数,输出层传递函数为线性函数Purelin。训练方法为Levenberg-Marquardt (LM)算法,初始权值和偏置均为(-1, 1)之间的随机数,目标误差值为0~0.03,学习率采用可变学习率,网络性能函数为均方误差(MSE)。
其中,步骤S3中,最佳性能的BP神经网络结构为(4-12-4),即:输入层神经元个数为4,隐含层神经元个数为12,输出层神经元个数为4。
其中,步骤S4中,采用构建的BP神经网络模型预测不同的合金成分和热处理工艺对Mg-Zn-Zr系合金组织和力学性能的影响。
本实施例的一个具体应用为:
首先,重力浇注获得ZM2-xCa-ySr镁合金铸锭,进行热处理,热处理温度为300、325、350°C,热处理时间为0~32h,Ca的含量为0~0.4wt.%,Sr的含量为0~0.4wt.%。将镁合金铸锭线切割为圆柱形试样()和标准拉伸试样(标距尺寸为),其中圆柱形试样用于观察合金的组织和测定合金的显微硬度HV,用金相显微镜观察合金的组织,采用线性截距法测量晶粒尺寸D;利用维氏硬度仪测量合金的显微硬度HV;采用万能电子拉伸试验机测定标准拉伸试样的室温拉伸力学性能,包括抗拉强度UTS和延伸率El.,由实验得到的数据共30组,作为BP神经网络的样本数据集;为了消除量纲的影响,解决数据指标之间的可比性,将实验获得的30组样本数据归一化为[-1, 1]之间。
设计BP神经网络,BP神经网络共三层,即输入层、隐含层、输出层,输入层包括Ca的含量(X 1 )、Sr的含量(X 2 )、热处理温度(X 3 )和热处理时间(X 4 )共4个神经元,输出层包括晶粒尺寸D(Y 1 )、抗拉强度UTS(Y 2 )、延伸率El.(Y 3 )和显微硬度HV(Y 4 )共4个神经元,隐含层神经元个数采用(其中,m和n分别为输入层和输出层的神经元个数,是1到10之间的常数)公式估算得出为4~12。BP神经网络隐含层传递函数为Tan-Sigmoid函数,输出层传递函数为线性函数Purelin。训练方法选择收敛速度快,均方误差较小的Levenberg-Marquardt (LM)算法,初始权值和偏置均为(-1, 1)之间的随机数,目标误差值为0.0167,学习率采用可变学习率,网络性能函数为均方误差MSE。如图1所示为BP神经网络的数学模型。
将归一化后的样本数据集按比例随机分为训练组(70%)、测试组(15%)和验证组(15%),输入到神经网络中进行学习。如图2所示为不同隐含层神经元个数的BP神经网络的相关性系数(R值)和均方误差(MSE值)。由结果可知,当隐含层神经元个数为12时,R值最大,MSE值最小,因此,最佳性能的BP神经网络结构为(4-12-4),即输入层有4个神经元,隐含层有12个神经元,输出层有4个神经元。如图3所示为最佳性能的BP神经网络结构图。如图4所示为(4-12-4)结构的BP神经网络的回归分析,结果表明,BP神经网络的输出值与原始实验值有很好的相关性,相关性系数R值均在0.99以上,即训练组(R=0.997),测试组(R=0.999),校验组(R=0.995)和全部数据(R=0.996)。如图5所示为(4-12-4)结构的BP神经网络的训练收敛曲线,在BP神经网络的训练过程中,均方误差MSE值随着迭代次数的增加而减小,当约120次迭代后达到误差目标值,说明(4-12-4)结构的BP神经网络具有较好的泛化能力。
采用建立好的BP神经网络对ZM2-xCa-ySr镁合金在不同合金成分和热处理工艺下进行组织和力学性能预测,并用实验验证BP神经网络的预测结果,结果如表1所示。由结果可知,采用BP神经网络预测了三种不同合金成分和热处理工艺下ZM2-xCa-ySr合金的组织和力学性能,BP神经网络的预测值与实验值符合较好,预测值与实验值的误差百分比在[-5%, 5%]之间,说明建立的BP神经网络具有较高的准确性,能快速地预测Mg-Zn-Zr系合金在不同合金成分和热处理工艺参数下的组织和力学性能。
Claims (3)
1.一种基于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,其特征在于,包括如下步骤:
步骤S1:通过对不同合金成分和热处理工艺下的Mg-Zn-Zr系合金进行一系列的组织和力学性能试验,收集并筛选试验数据,经归一化处理后得到训练BP神经网络的样本数据集;
试验要求的合金化元素含量为合金化元素A、元素B含量在0~1 wt.%;热处理工艺参数为:热处理温度为200~500 °C,热处理时间在0~32 h,样本数据集中的样本数不少于30组;
步骤S2:设计BP神经网络,包括网络层数、输入层神经元个数、隐含层神经元个数、输出层神经元个数,选择BP神经网络的传递函数、训练方法和训练参数;BP神经网络模型采用三层结构,即输入层、隐含层和输出层,输入层包括元素A含量、元素B含量、热处理温度和热处理时间四个神经元;输出层包括晶粒尺寸、抗拉强度、延伸率和显微硬度四个神经元,隐含层神经元个数通过经验公式计算得到范围,公式如下:
其中m和n分别为输入层和输出层的神经元个数,是1到10之间的常数;BP神经网络隐含层传递函数为Tan-Sigmoid函数,输出层传递函数为线性函数Purelin;训练方法为Levenberg-Marquardt算法,初始权值和偏置均为(-1, 1)之间的随机数,目标误差值为0~0.03,学习率采用可变学习率,网络性能函数为均方误差MSE;
步骤S3:利用上述样本数据集训练BP神经网络,得到最佳性能的BP神经网络,建立Mg-Zn-Zr系合金成分、热处理工艺与组织、力学性能之间的映射关系;
步骤S4:利用上述步骤构建的BP神经网络模型对Mg-Zn-Zr系合金在不同合金成分和热处理工艺下的组织和力学性能进行预测。
2.根据权利要求1所述的一种基于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,其特征在于:步骤S3所述的BP神经网络结构为(4-12-4),即:输入层神经元个数为4,隐含层神经元个数为12,输出层神经元个数为4。
3.根据权利要求1所述的一种基于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,其特征在于:所述步骤S4中采用构建的BP神经网络模型预测不同的合金成分和热处理工艺对Mg-Zn-Zr系合金组织和力学性能的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911123781.2A CN111063401A (zh) | 2019-11-17 | 2019-11-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911123781.2A CN111063401A (zh) | 2019-11-17 | 2019-11-17 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111063401A true CN111063401A (zh) | 2020-04-24 |
Family
ID=70297960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911123781.2A Pending CN111063401A (zh) | 2019-11-17 | 2019-11-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111063401A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220276619A1 (en) * | 2021-03-01 | 2022-09-01 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908083A (zh) * | 2010-05-13 | 2010-12-08 | 上海市特种设备监督检验技术研究院 | 一种基于人工神经网络的q345焊接接头力学性能预测方法 |
CN104239659A (zh) * | 2013-06-07 | 2014-12-24 | 中国石油天然气集团公司 | 一种bp神经网络的碳钢腐蚀速率预测方法 |
US20150170022A1 (en) * | 2013-12-13 | 2015-06-18 | King Fahd University Of Petroleum And Minerals | Method and apparatus for characterizing composite materials using an artificial neural network |
CN105095962B (zh) * | 2015-07-27 | 2017-07-28 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
CN110287451A (zh) * | 2019-06-28 | 2019-09-27 | 安徽工业大学 | 一种人工神经网络钢的淬透性预测方法及其预测模型建立方法 |
-
2019
- 2019-11-17 CN CN201911123781.2A patent/CN111063401A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908083A (zh) * | 2010-05-13 | 2010-12-08 | 上海市特种设备监督检验技术研究院 | 一种基于人工神经网络的q345焊接接头力学性能预测方法 |
CN104239659A (zh) * | 2013-06-07 | 2014-12-24 | 中国石油天然气集团公司 | 一种bp神经网络的碳钢腐蚀速率预测方法 |
US20150170022A1 (en) * | 2013-12-13 | 2015-06-18 | King Fahd University Of Petroleum And Minerals | Method and apparatus for characterizing composite materials using an artificial neural network |
CN105095962B (zh) * | 2015-07-27 | 2017-07-28 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
CN110287451A (zh) * | 2019-06-28 | 2019-09-27 | 安徽工业大学 | 一种人工神经网络钢的淬透性预测方法及其预测模型建立方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220276619A1 (en) * | 2021-03-01 | 2022-09-01 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
US11803165B2 (en) * | 2021-03-01 | 2023-10-31 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barrett et al. | Deep drawing simulations using the finite element method embedding a multi-level crystal plasticity constitutive law: experimental verification and sensitivity analysis | |
Zhao et al. | Modelling of the hot deformation behaviour of a titanium alloy using constitutive equations and artificial neural network | |
Durmuş et al. | The use of neural networks for the prediction of wear loss and surface roughness of AA 6351 aluminium alloy | |
Qiao et al. | Application of generalized regression neural network optimized by fruit fly optimization algorithm for fracture toughness in a pearlitic steel | |
Djavanroodi et al. | Artificial neural network modeling of ECAP process | |
CN109855958B (zh) | 一种金属材料拉伸性能的预测方法 | |
CN112949005B (zh) | 一种基于机器学习指导下的高强韧钢设计方法 | |
Mohanty et al. | Prediction of constant amplitude fatigue crack growth life of 2024 T3 Al alloy with R-ratio effect by GP | |
Quan et al. | Artificial neural network modeling to evaluate the dynamic flow stress of 7050 aluminum alloy | |
CN112214933B (zh) | 一种基于机器学习的疲劳性能预测方法 | |
Liu et al. | Machine learning for extending capability of mechanical characterization to improve springback prediction of a quenching and partitioning steel | |
Kabliman et al. | Prediction of stress-strain curves for aluminium alloys using symbolic regression | |
CN114580286A (zh) | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 | |
Yan et al. | Artificial neural network approach to predict the fracture parameters of the size effect model for concrete | |
CN110829885A (zh) | 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法 | |
Orbanić et al. | A neural network approach to describing the fretting fatigue in aluminium-steel couplings | |
CN111063401A (zh) | 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 | |
CN113033105B (zh) | 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法 | |
Lin et al. | Prediction of metadynamic softening in a multi-pass hot deformed low alloy steel using artificial neural network | |
Dobrzański et al. | Application of artificial neural networks in modelling of normalised structural steels mechanical properties | |
Shang et al. | Large strain flow curve characterization considering strain rate and thermal effect for 5182-O aluminum alloy | |
Bingöl et al. | Prediction of the true stress of ZE20 magnesium alloy at different temperatures and strain rates | |
Agbeleye et al. | Prediction of the abrasive wear behaviour of heat-treated aluminium-clay composites using an artificial neural network | |
CN116680976A (zh) | 基于机器学习的增材制造金属材料逆向设计方法 | |
Liu et al. | Optimization of aging treatment in lead frame copper alloy by intelligent technique |
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 |