CN112580264B - 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 - Google Patents
基于bp神经网络算法的损伤点尺寸分布预测方法及系统 Download PDFInfo
- Publication number
- CN112580264B CN112580264B CN202011568129.4A CN202011568129A CN112580264B CN 112580264 B CN112580264 B CN 112580264B CN 202011568129 A CN202011568129 A CN 202011568129A CN 112580264 B CN112580264 B CN 112580264B
- Authority
- CN
- China
- Prior art keywords
- distribution
- damage
- neural network
- damaged
- damage point
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BP神经网络算法的损伤点尺寸分布预测方法及系统,包括获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及目标去除深度h输入机器学习分类模型,得到目标去除深度h时的损伤点分布Nh。本发明通过神经网络可以比较准确预测各去除深度的损伤点分布情况,可预测得到不同去除深度下的损伤点尺寸分布,可根据实际需求确定最优修复工艺和去除深度参数,保证损伤点的去除效率和精度,提高修复效率和修复精度。
Description
技术领域
本发明涉及光学元件激光处理及修复领域,具体涉及一种基于BP神经网络算法的损伤点尺寸分布预测方法及系统。
背景技术
熔石英元件在高功率激光的辐照下,元件的后表面将很容易产生损伤,损伤点的存在,将对高功率固体激光器的负载能力产生严重影响。由于损伤点的类型、尺寸、数量分布会不同程度地影响修复过程中的工艺参数,为更好地确定修复参数,实现修复工艺的智能确定,有必要对损伤点的尺寸、数量分布进行研究,为实现损伤元件整体修复提供支撑。
目前针对光学样件进行的激光处理和修复技术主要都是通过大量的实验来确定损伤点尺寸分布,从而制定具体工艺。但在实际修复过程中,不同的损伤点尺寸分布对修复的工艺和参数提出了不同的要求,而修复的工艺参数制定后往往达不到最优的处理效果。比如,去除深度过深会造成面形精度的恶化和修复时间的增加,但去除深度过浅则无法达到良好的去除效果,这样一来就会降低修复效率,甚至影响样件的二次使用性能。因此,根据不同的损伤点尺寸分布确定合适的修复工艺参数就极为重要。
公布号为CN 103100792的中国专利文献中公开了一种带在线检测的光学元件激光预处理及修复的装置及方法,该方法通过引入一种非接触式在线检测系统对修复区域进行检测,以确保修复达到预期效果。该方法虽然提高了修复样件的良品率,但对修复结果进行在线检测无疑增加了硬件和时间成本。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于BP神经网络算法的损伤点尺寸分布预测方法及系统,本发明通过神经网络可以比较准确预测各去除深度的损伤点分布情况,可预测得到不同去除深度下的损伤点尺寸分布,可根据实际需求确定最优修复工艺和去除深度参数,保证损伤点的去除效率和精度,提高修复效率和修复精度。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于BP神经网络算法的损伤点尺寸分布预测方法,包括:获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及目标去除深度h输入预先训练好的机器学习分类模型,得到目标去除深度h时的损伤点分布Nh,所述机器学习分类模型被预先训练建立了作为输入的将损伤元件初始的损伤分布N0、去除指定深度后的损伤点分布N1、目标去除深度h,以及作为输出的目标去除深度h时的损伤点分布Nh的之间的映射关系。
可选地,所述损伤点分布N0、损伤点分布N1以及损伤点分布Nh均包括n种连续分布的损伤点大小区间范围对应的损伤点数量。
可选地,所述去除指定深度后的损伤点分布N1是指去除1μm后的损伤点分布N1。
可选地,所述获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1具体是使用表面质量检测技术检测获得,所述表面质量检测技术为显微暗场散射成像技术、光学显微镜技术、原子力显微镜技术、扫描电子显微镜技术中的一种。
可选地,所述损伤元件为熔石英元件、单晶硅元件或蓝宝石元件。
可选地,所述机器学习分类模型为BP神经网络,所述BP神经网络包括输入层、隐含层和输出层,其中输入层的神经元为2n+1个,隐含层的神经元数量为4n+3个,输出层的神经元数量为n个。
可选地,所述将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及去除深度h输入预先训练好的机器学习分类模型之前还包括训练机器学习分类模型的步骤:
1)制造多组损伤样件;
2)获取各件损伤样件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;
3)将所有损伤样件分别去除不同的测试去除深度hx,然后获取测试去除深度hx时的损伤点分布Nx,从而形成由损伤样件初始的损伤分布N0、去除指定深度后的损伤点分布N1、测试去除深度hx,以及作为输出的测试去除深度hx时的损伤点分布Nx构成的训练数据;
4)通过训练数据训练机器学习分类模型直至满足预设的约束条件。
可选地,所述预设的约束条件为平均相对误差E1和均方根相对误差E2小于预设阈值。
此外,本发明还提供一种基于BP神经网络算法的损伤点尺寸分布预测系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述基于BP神经网络算法的损伤点尺寸分布预测方法的步骤,或者所述存储器中存储有被编程或配置以执行所述基于BP神经网络算法的损伤点尺寸分布预测方法的计算机程序。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行所述基于BP神经网络算法的损伤点尺寸分布预测方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明包括获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及目标去除深度h输入预先训练好的机器学习分类模型,得到目标去除深度h时的损伤点分布Nh,本发明通过神经网络可以比较准确预测各去除深度的损伤点分布情况,可预测得到不同去除深度下的损伤点尺寸分布,可根据实际需求确定最优修复工艺和去除深度参数,保证损伤点的去除效率和精度,提高修复效率和修复精度。
2、本发明可应用于各类修复技术中的损伤元件损伤点尺寸分布预测,例如CO2激光修复技术、磁流变修复技术、等离子体刻蚀、HF刻蚀、飞秒激光修复等。
附图说明
图1为本发明实施例中BP神经网络模型的结构图。
图2为本发明实施例中BP神经网络模型的训练流程图。
图3为本发明实施例方法针对样件50μm以下损伤点预测值和实际值对比。
具体实施方式
如图1所示,本实施例基于BP神经网络算法的损伤点尺寸分布预测方法包括:获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及目标去除深度h输入预先训练好的机器学习分类模型,得到目标去除深度h时的损伤点分布Nh,所述机器学习分类模型被预先训练建立了作为输入的将损伤元件初始的损伤分布N0、去除指定深度后的损伤点分布N1、目标去除深度h,以及作为输出的目标去除深度h时的损伤点分布Nh的之间的映射关系。
其中,损伤点分布N0、损伤点分布N1以及损伤点分布Nh均包括n种连续分布的损伤点大小区间范围对应的损伤点数量。例如,作为一种可选的实施方式,本实施例中包括4种连续分布的损伤点大小区间范围对应的损伤点数量(n=4),分别为:
x1:50μm以下损伤点数量;
x2:50-200μm数量;
x3:200-400μm的数量;
x4:400μm以上的数量。
作为一种可选的实施方式,本实施例中去除指定深度后的损伤点分布N1是指去除1μm后的损伤点分布N1。
其中,获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1具体是使用表面质量检测技术检测获得,所述表面质量检测技术可为显微暗场散射成像技术、光学显微镜技术、原子力显微镜技术、扫描电子显微镜技术中的一种。
其中,损伤元件可为熔石英元件、单晶硅元件或蓝宝石元件。
本实施例中包括4种连续分布的损伤点大小区间范围对应的损伤点数量(n=4),损伤元件初始损伤分布N0(x1:50μm以下损伤点数量,x2:50-200μm数量,x3:200-400μm的数量,x4:400μm以上的数量);去除1μm后各尺寸损伤点分布N1(x1,x2,x3,x4);去除深度h,总共9个输入变量,模型中输入神经元个数为9。输出向量为:Nh(x1,x2,x3,x4),去除深度为h时,损伤元件的损伤点分布情况,模型中输出神经元个数为4。因此,机器学习分类模型可表示为:
Nh(y1,y2,y3,y4)=f(N0(x1,x2,x3,x4),N1(x1,x2,x3,x4),h)
需要说明的是,机器学习分类模型可以根据需要选择具体的机器学习分类模型类型。作为一种可选的实施方式,如图1所示,本实施例中机器学习分类模型为BP神经网络,所述BP神经网络包括输入层、隐含层和输出层,其中输入层的神经元为2n+1个,隐含层的神经元数量为4n+3个,输出层的神经元数量为n个。BP神经网络设计最重要的一步就是确定隐藏层的神经元个数,由于输入层神经元有9个,输出层神经元有4个,一般根据Kolmogorow定理即:b=2*a+1,其中b为隐藏层节点个数,a为输入层节点个数,由此可知隐藏层神经元个数可以取19。
如图2所示,本实施例中将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及去除深度h输入预先训练好的机器学习分类模型之前还包括训练机器学习分类模型的步骤:
1)制造多组损伤样件;
制造损伤样件使用的损伤激光与实际工程应用中的强光光源相同;
2)获取各件损伤样件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;
3)将所有损伤样件分别去除不同的测试去除深度hx,然后获取测试去除深度hx时的损伤点分布Nx,从而形成由损伤样件初始的损伤分布N0、去除指定深度后的损伤点分布N1、测试去除深度hx,以及作为输出的测试去除深度hx时的损伤点分布Nx构成的训练数据;
4)通过训练数据训练机器学习分类模型直至满足预设的约束条件。参见图2可知,训练数据中一部分用于训练,一部分用于验证。
其中预设的约束条件可以为迭代次数超过预设阈值,或者精确度超过预设阈值,或者误差超过预设阈值。对于预测的误差评价必须有一个标准,作为一种可选的实施方式,本实施例中,预设的约束条件为平均相对误差E1和均方根相对误差E2小于预设阈值。平均相对误差E1反映预测结果曲线与实际曲线之间形状的相似程度;均方根相对误差E2则用来表示预测值和实际值之间的平均相对偏离程度,取值大于或等于零,没有误差时等于零。
将本实施例方法应用于样件50μm以下损伤点预测时,得到的结果如图3和表1所示,图3为本发明实施例方法针对样件50μm以下损伤点预测值和实际值对比。
表1:预测结果误差。
参见图3和表1可知,损伤点的尺寸、数量分布随去除深度的演变过程是一个非线性的问题,本实施例基于BP神经网络算法的损伤点尺寸分布预测方法通过建立神经网络模型、样本训练,可以实现对损伤元件不同去除深度下的损伤点尺寸数量分布进行预测,预测结果的平均相对误差不超过5%、均方误差不超过8%。
综上所述,目前针对损伤样件的修复工艺参数设置主要依据大量实验支撑,修复效率低下,且往往无法达到最优修复效果。去除区域过深或过浅,都可能导致修复样件无法满足实际应用指标。本实施例基于BP神经网络算法的损伤点尺寸分布预测方法通过训练BP神经网络模型,只需知道样件初始损伤和去除1μm后损伤点的尺寸分布,即可预测得到不同去除深度下的损伤点尺寸分布,从而可以根据实际需求确定最优修复工艺和去除深度参数,提高修复效率和修复精度。
此外,本实施例还提供一种基于BP神经网络算法的损伤点尺寸分布预测系统,包括相互连接的微处理器和存储器,该微处理器被编程或配置以执行前述基于BP神经网络算法的损伤点尺寸分布预测方法的步骤,或者该存储器中存储有被编程或配置以执行前述基于BP神经网络算法的损伤点尺寸分布预测方法的计算机程序。
此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行前述基于BP神经网络算法的损伤点尺寸分布预测方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,包括:获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及目标去除深度h输入预先训练好的机器学习分类模型,得到目标去除深度h时的损伤点分布Nh,所述机器学习分类模型被预先训练建立了作为输入的将损伤元件初始的损伤分布N0、去除指定深度后的损伤点分布N1、目标去除深度h,以及作为输出的目标去除深度h时的损伤点分布Nh的之间的映射关系。
2.根据权利要求1所述的基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,所述损伤点分布N0、损伤点分布N1以及损伤点分布Nh均包括n种连续分布的损伤点大小区间范围对应的损伤点数量。
3.根据权利要求1所述的基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,所述去除指定深度后的损伤点分布N1是指去除1μm后的损伤点分布N1。
4.根据权利要求1所述的基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,所述获取损伤元件初始的损伤点分布N0和去除指定深度后的损伤点分布N1具体是使用表面质量检测技术检测获得,所述表面质量检测技术为显微暗场散射成像技术、光学显微镜技术、原子力显微镜技术、扫描电子显微镜技术中的一种。
5.根据权利要求1所述的基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,所述损伤元件为熔石英元件、单晶硅元件或蓝宝石元件。
6.根据权利要求1所述的基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,所述机器学习分类模型为BP神经网络,所述BP神经网络包括输入层、隐含层和输出层,其中输入层的神经元为2n+1个,隐含层的神经元数量为4n+3个,输出层的神经元数量为n个。
7.根据权利要求1所述的基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,所述将损伤元件初始的损伤点分布N0,去除指定深度后的损伤点分布N1及去除深度h输入预先训练好的机器学习分类模型之前还包括训练机器学习分类模型的步骤:
1)制造多组损伤样件;
2)获取各件损伤样件初始的损伤点分布N0和去除指定深度后的损伤点分布N1;
3)将所有损伤样件分别去除不同的测试去除深度hx,然后获取测试去除深度hx时的损伤点分布Nx,从而形成由损伤样件初始的损伤分布N0、去除指定深度后的损伤点分布N1、测试去除深度hx,以及作为输出的测试去除深度hx时的损伤点分布Nx构成的训练数据;
4)通过训练数据训练机器学习分类模型直至满足预设的约束条件。
8.根据权利要求7所述的基于BP神经网络算法的损伤点尺寸分布预测方法,其特征在于,所述预设的约束条件为平均相对误差E1和均方根相对误差E2小于预设阈值。
9.一种基于BP神经网络算法的损伤点尺寸分布预测系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述基于BP神经网络算法的损伤点尺寸分布预测方法的步骤,或者所述存储器中存储有被编程或配置以执行权利要求1~8中任意一项所述基于BP神经网络算法的损伤点尺寸分布预测方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有被编程或配置以执行权利要求1~8中任意一项所述基于BP神经网络算法的损伤点尺寸分布预测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568129.4A CN112580264B (zh) | 2020-12-25 | 2020-12-25 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568129.4A CN112580264B (zh) | 2020-12-25 | 2020-12-25 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580264A CN112580264A (zh) | 2021-03-30 |
CN112580264B true CN112580264B (zh) | 2023-07-07 |
Family
ID=75139919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011568129.4A Active CN112580264B (zh) | 2020-12-25 | 2020-12-25 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580264B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120317B (zh) * | 2021-11-29 | 2024-04-16 | 哈尔滨工业大学 | 基于深度学习和图像处理的光学元件表面损伤识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650831A (zh) * | 2017-01-10 | 2017-05-10 | 北京邮电大学 | 基于特征融合的损伤检测方法及装置 |
WO2019201177A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤监测方法和系统 |
CN111046490A (zh) * | 2019-11-27 | 2020-04-21 | 南京航空航天大学 | 一种外物损伤缺口分析中的网格尺寸反演方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891548A (zh) * | 2016-04-12 | 2016-08-24 | 中国人民解放军国防科学技术大学 | 基于离子溅射技术的纳米尺度光学亚表面损伤检测方法 |
CN106959206B (zh) * | 2017-03-21 | 2019-12-13 | 中国人民解放军国防科学技术大学 | 基于光热弱吸收的熔石英元件零概率损伤阈值预测方法 |
CN107145909B (zh) * | 2017-05-08 | 2021-02-02 | 哈尔滨工业大学 | 光学元件损伤所属表面的分类方法 |
CN110705179A (zh) * | 2019-09-30 | 2020-01-17 | 山东大学 | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 |
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 |
CN111678919B (zh) * | 2020-06-17 | 2023-01-10 | 中国人民解放军国防科技大学 | 强激光元件激光损伤阈值预测方法、系统及介质 |
CN111881619A (zh) * | 2020-07-13 | 2020-11-03 | 成都鹦鹉螺大数据科技有限公司 | 基于matlab工具箱的bp神经网络实现管件冲蚀缺陷的预测方法 |
-
2020
- 2020-12-25 CN CN202011568129.4A patent/CN112580264B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650831A (zh) * | 2017-01-10 | 2017-05-10 | 北京邮电大学 | 基于特征融合的损伤检测方法及装置 |
WO2019201177A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤监测方法和系统 |
CN111046490A (zh) * | 2019-11-27 | 2020-04-21 | 南京航空航天大学 | 一种外物损伤缺口分析中的网格尺寸反演方法 |
Non-Patent Citations (3)
Title |
---|
Prediction of failure stages for double lap joints using finite element analysis and artificial neural networks;M. Atta;《ELSEVIER》;第242-257页 * |
研磨加工中光学材料亚表面损伤的表征方法;王卓;吴宇列;戴一帆;李圣怡;;纳米技术与精密工程(05);第37-43页 * |
磁流变抛光过程的材料去除三维模型;石 峰;《中国机械工程》;第644-648页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580264A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zain et al. | Optimization of process parameters in the abrasive waterjet machining using integrated SA–GA | |
Zain et al. | Estimation of the minimum machining performance in the abrasive waterjet machining using integrated ANN-SA | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN112580264B (zh) | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 | |
D’Addona et al. | Neural network multiobjective optimization of hot forging | |
Meister et al. | Novel approaches to direct search algorithms for the design of diffractive optical elements | |
Castro et al. | Pattern-wavelength coarsening from topological dynamics in silicon nanofoams | |
CN110134915B (zh) | 一种磁流变抛光驻留时间的处理方法及装置 | |
Ciancio et al. | Design of a high performance predictive tool for forging operation | |
Cus et al. | High speed end-milling optimisation using Particle Swarm Intelligence | |
Li et al. | Application of six sigma robust optimization in sheet metal forming | |
Heger et al. | Anomaly detection in formed sheet metals using convolutional autoencoders | |
CN112861433A (zh) | 一种基于多层级集成框架的产品低碳设计的方法 | |
CN116861772A (zh) | 一种多参数精加工的参数优化方法及系统 | |
CN107784015B (zh) | 一种基于电力系统在线历史数据的数据约简方法 | |
CN111080008B (zh) | 基于gis、ca模拟的城市生态脆弱性空间预测方法 | |
Mollah et al. | Modeling of TIG welding and abrasive flow machining processes using radial basis function networks | |
CN107045491A (zh) | 二重迭代多尺度量子谐振子优化方法 | |
Jiao et al. | Morphology evolution of Vickers indentation in fused silica glass etched by atmospheric pressure plasma jet | |
CN113036769A (zh) | 一种电力系统静态电压稳定分析方法及系统 | |
Lechner et al. | Optimization of the heat treatment layout and blank outline of THTB | |
CN110853067A (zh) | 一种基于变异型粒子群算法的图像边缘检测方法及装置 | |
CN111368402A (zh) | 一种管材挤压工艺优化方法 | |
CN110532700B (zh) | 一种变压器电场优化前处理方法 | |
Xu et al. | Optimization of process planning for cylinder block based on feature machining elements |
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 |